基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。     

基于EMD二值化图像和CNN的滚动轴承故障诊断

针对传统故障诊断方法识别准确率低、泛化能力差,而基于深度学习的故障诊断普遍存在需要海量训练数据的问题,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与卷积神经网络(convolutional neural networks,简称CNN)的滚动轴承智能故障诊断方法。首先,对轴承振动数据进行EMD,同时对相关系数最大的本征模函数(intrinsic mode function,简称IMF)分量进行频谱分析,获取频谱图,并将频谱图数据压缩成特征二值化图像作为CNN分类网络训练的输入数据;其次,将正常状态下和各类故障状态下的滚动轴承特征二值化图像作为CNN的输入得到训练模型,利用训练好的模型对各类故障进行分类识别。实验结果表明:在较少的训练数据下,轴承故障诊断准确率达到97.61%,远超过使用反向传播神经网络(back propagation,简称BP)和概率神经网络(probabilistic neural network,简称PNN)方法,证明了所提出方法与传统故障诊断方法相比能够更加准确地识别各类故障类别;对原始信号加入6 dB白噪声后的识别准确率也达到了96.19%,证明了所提出方法具有良好的泛化能力与抗噪性能。     

基于多通道加权卷积神经网络的齿轮箱振动信号特征提取

为了解决单通道振动信号输入不能全面表达故障特征信息及齿轮箱故障早期诊断问题,提出了一种新的深度神经网络(Deep neural network,DNN)模型—多通道加权卷积神经网络(Multi-channels weighted convolutional neural network,MCW-CNN),并应用于齿轮箱振动信号特征学习和故障诊断.首先,采用经验模态分解(Empirical mode decomposition,EMD)对振动信号进行处理,得到多通道一维信号突出振动信号的故障特征,并将其转化为多通道图像输入,从而充分发挥CNN在图像特征提取上的优良性能,将齿轮箱故障诊断问题进一步转化为CNN更为擅长的多通道图像识别问题;其次,针对各通道图像频率和带宽的不同,在卷积层采用动态感受野进行图像特征提取,全面提取多通道图像特征细节;针对各通道图像携带冲击特征的强弱不同,提出了基于峭度加权的多通道融合方法,增强了冲击特征强的通道故障特征.最后,通过故障诊断仿真试验和齿轮箱故障诊断试验验证所提方法的有效性.试验结果表明,MCW-CNN可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法和传统的分类器.     

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究

针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

应用ICEEMDAN和SVM的行星齿轮箱故障诊断

针对行星齿轮箱复合故障准确分类问题,应用了改进自适应噪声完备集合经验模态分解(ICEEMDAN)和支持向量机(SVM)相结合的故障诊断方法。首先,将行星齿轮箱的不同故障信号分别进行ICEEMDAN分解,得到各阶内禀模态函数(IMF);其次,利用各阶IMF分量与原信号的相关性大小,剔除虚假的IMF分量;最后,以优选IMF分量的多尺度模糊熵均值作为特征向量,输入到多分类SVM中进行故障分类,分类准确率高达100%,实验结果证明了该方法的可行性。