基于时间序列幅值分量标度特性的齿轮箱故障诊断

齿轮箱是复杂的动力学系统,其故障信号通常呈现出非平稳和非线性特征,因此齿轮箱故障信号的特征提取是一个难题。去趋势波动分析(Detrended Fluctuation Analysis,DFA)可以用来分析非平稳非线性数据,得到的标度曲线可以用来刻画复杂系统的动力学行为。然而原始序列的标度曲线通常具有复杂的形状,所以从原始序列的标度曲线提取故障特征具有一定的困难。为了解决这个问题,对齿轮箱故障数据增量序列的动力学特性进行了研究,结果证明增量序列的幅值分量主要携带数据的非线性特征,然后提出了基于时间序列幅值分量标度特性的齿轮箱故障特征提取方法。该方法首先计算原始序列的增量序列,获得增量序列的幅值分量,然后利用DFA方法计算幅值分量的标度曲线,最后提取标度曲线的左端点和转折点的波动参数作为故障特征进行故障诊断。利用实测数据对所提出方法的性能进行了验证,结果表明,该方法对噪声干扰具有较好的鲁棒性,可以有效地对齿轮箱故障进行诊断,与传统的时域参数方法相比具有明显的优势。     

提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。     

变分模态分解与谱峭度法在齿轮箱故障诊断中的应用

针对齿轮箱故障信号为多分量非平稳非线性的振动信号、故障特征提取困难等问题,提出变分模态分解(VMD)结合谱峭度法的齿轮箱故障特征诊断方法。首先对振动信号进行VMD分解得到若干分量信号,根据相关系数法选取相关系数最大的分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波,突出故障的冲击成分,最后通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法成功地诊断出了齿轮箱齿轮的故障。     

基于VMD阶比跟踪的变转速齿轮箱齿轮故障特征提取

针对变转速工况下齿轮箱齿轮阶比信号互相干扰故障特征难以提取的问题,提出了基于VMD(Variational Mode Decomposition)和阶比跟踪技术结合的齿轮箱齿轮故障特征提取方法。该方法通过计算阶比跟踪技术对振动信号进行角域重采样;获得重采样信号后,利用VMD按照中心阶比不同,自适应地将重采样信号分解,再利用峭度准则从IMF(Intrinsic Mode Function)分量中选取出故障信号;最后对故障信号进行快速谱峭图处理和滤波平方包络解调。通过变转速下齿轮箱的齿轮故障试验和对比分析,表明该方法能有效提取出变转速下齿轮箱的齿轮故障特征,且降噪效果明显,特征突出,适用于变转速齿轮箱的齿轮故障特征提取。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

基于改进EMD-BSS算法的地铁齿轮箱单通道轴承微弱故障特征提取

地铁齿轮箱振动情况复杂,微弱故障特征常被噪声湮没而难以提取。本文提出一种改进的EMDBSS算法,通过计算IMF分量的相关系数矩阵,优化单通道EMD-BSS方法中的IMF信号重组过程,并对重组后的信号进行微弱故障特征提取。将该算法应用于仿真信号及实测地铁齿轮箱轴承故障振动信号中,成功提取出微弱故障特征,验证了算法的有效性。该算法的提出对于单通道微弱故障特征提取具有积极意义。     

基于MKurt MOMEDA的齿轮箱复合故障特征提取

针对齿轮箱中旋转零部件的故障信号是周期性的冲击信号这一特性,提出了一种基于多点峭度(multipoint kurtosis,简称MKurt)和多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的齿轮箱复合故障特征提取方法。利用MKurt可以有效提取齿轮箱中被噪声淹没的冲击性振动信号的周期,实现对振动信号振动源的追踪。根据故障的周期设置合理的周期区间,通过MOMEDA对原信号进行降噪,进一步提取原信号的周期性冲击。通过仿真信号和实测数据的分析和验证,证明了MKurt-MOMEDA方法可以准确有效地诊断齿轮箱复合故障故障特征。     

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明：采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明：采用ERCmvMFE算法...     

基于HEI量化故障信息的行星齿轮箱故障诊断方法研究

针对复杂工况下行星齿轮箱的故障信息难以量化衡量的问题,提出了基于谐波有效指数(HEI)量化故障信息的行星齿轮箱故障诊断方法。首先,对信号进行分析处理,对频率切片小波变换(FSWT)频率切片后的频带信号进行了精细复合多尺度散布熵(RCMDE)值计算,选取故障特征多的频带进行了信号重构,使用多点最优调整的最小熵解卷积(MOMEDA)对重构信号中的故障冲击成分进行了准确提取;通过建立谐波有效指数,量化了包含在振动信号中的故障信息,实现了对行星齿轮箱的故障诊断;最后,使用行星齿轮箱齿面磨损故障的试验数据进行了相关的验证。研究结果表明:该方法能够实现行星齿轮箱振动信号中故障特征的提取;从处理后信号的频谱中可以清楚地观察到行星轮故障特征频率f_p=7.03 Hz及其倍频nf_p;实验数据中的HEI值为3.47×10~(-6),可以作为衡量行星齿轮箱故障程度的有效指标。     

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明：EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。     

提升小波在齿轮箱故障诊断中的应用

利用小波变换进行信号特征提取时,特征提取效果依赖于小波基的选择。为了避免这一限制,引入一种基于提升小波的根据故障特征波形特点实现小波构造的方法。对齿轮箱振动信号的分析和故障特征信息提取结果表明,利用提升小波能比一般小波更好地与齿轮箱故障特征信号相匹配,提取出更有效的故障特征,为后续的故障诊断和分析提供了良好的条件。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。     

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.     

基于近似熵的齿轮箱状态监测与故障诊断

针对齿轮箱故障诊断缺乏有效的快速算法的问题,提出了基于近似熵(Approximate Entropy,ApEn)参数的齿轮箱故障诊断方法。首先介绍了近似熵的概念和计算方法,然后利用近似熵对轻度磨损、中度磨损和断齿故障状态下的齿轮箱进行故障诊断。结果表明,近似熵参数不但能有效地对齿轮箱的故障状态进行区分,而且可以清楚地刻画齿轮箱故障状态的演变过程,因而适于作为齿轮箱故障诊断的特征参数。为齿轮箱的状态监测与故障诊断提供了一种新的方法。     

基于小波包ICA的齿轮箱信号分离系统

由于齿轮箱振动信号混叠、信噪比低,给早期的故障诊断造成了一定的困难.结合小波包和独立分量分析(ICA)在信号处理中特征提取的方法,以LabVIEW和Matlab语言为开发工具,设计了齿轮箱故障源信号分离系统,并以真实信号进行了实验验证.实验结果表明,该系统可以很好地实现故障源信号的分离,有利于后续的故障诊断.     

基于LMD样本熵与ELM的行星齿轮箱故障诊断

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。     

面向风电齿轮箱油温超限故障的热网络模型及其节点温度计算方法研究

风电齿轮箱油温超限是风力发电场中发生频率较高的故障。针对该问题,在分析风电齿轮箱结构、运行控制策略的基础上,研究了风电齿轮箱内部及其外循环冷却系统的热力学行为,构建了风电齿轮箱热网络模型。该模型中,各节点温度由所建立的瞬态温度和稳态温度热力学方程组计算确定。结合风电齿轮箱的热力学行为,研究了热力学方程组中热量计算模型和热交换中节点间的热阻计算方法,形成了风电齿轮箱热网络模型计算流程。应用热网络模型及其计算流程,仿真计算了某1.5 MW风电齿轮箱实际工况下的齿轮箱油温、高速级HSS-A B C轴承温度和齿轮箱入口油温。对比了仿真计算值和实测值,结果表明热网络模型应用于风电齿轮箱油温超限具有有效性。计算值和实测值的误差分析也为进一步精细建模提供了方向。     

矿用机械传动齿轮箱体振动故障解调诊断方法

矿用机械在矿业生产中发挥着至关重要的作用,而传动齿轮箱作为其核心组成部分,其正常运转对整个矿用机械的性能和效率产生重大影响。受传动特性的影响,矿用机械传动齿轮箱体正常运转会发生振动,但故障振动信号总会表现出幅值和频率调制的特征,故此,该文提出矿用机械传动齿轮箱体振动故障解调诊断方法,并进行仿真实验验证方法的有效性与正确性。该方法布置传感器采集矿用机械传动齿轮箱体故障振动信号,并进行去噪处理,分别采用幅值与频率解调方法解调分析去噪后的故障振动信号,提取出与故障特征相关的调制分量,进而识别和定位故障。仿真实验结果表明,该方法可以在初步诊断出矿用机械传动齿轮箱的故障状态后,对故障发生部位进行精准判断。