机电设备故障音频特征提取方法研究

针对机电设备的故障音频信号特征,深入研究了ICA信号处理过程并引入了基于负熵的快速不动点算法。提出了基于EMD-ICA的故障音频特征提取方法,通过EMD的自适应分解能力,解决了ICA处理过程中信号源数目的限制问题,同时利用ICA方法的盲源分离能力,避免了EMD分解的模态混叠现象。实验表明:通过EMD-ICA方法,能有效对机电设备故障音频特征进行提取,在故障诊断的准确性和鲁棒性方面具有优势。     

机械故障特征信息提取的ICA信息融合方法

峭度和负熵是盲信号独立性的两个自然测度,可以被用来捕捉机械振动信号信息的动态变化特征,并提取机械设备的故障特征信息。峭度和负熵是从两个不同的角度和层面阐释机械设备的故障特征信息,信息量是互补的。若将峭度信息和负熵信息融合,则必然能够更全面、更深刻地来表征机械设备的状态。因此引入信息融合的思想,提出基于ICA信息融合的机械故障特征信息提取方法,综合峭度和负熵信息来提取机械设备的故障特征信息。液压齿轮泵模式识别试验表明,该方法可以应用于机械设备的故障特征信息提取。     

基于多传感器信息融合的贝叶斯网络故障诊断方法研究及应用

针对齿轮泵信号具有复杂性和模糊性的特点,提出了一种基于多传感器信息融合的贝叶斯网络故障诊断方法。分析了齿轮泵振动和压力信号特点,以此为基础提取了振动信号的能量特征、分形特征和压力信号的高频压力脉动3种特征属性,构建了多故障贝叶斯网络对特征进行融合,设计了贝叶斯分类器,通过最大后验概率准则识别故障类型。两次融合结果表明:多传感器信息完备了特征空间,提高了诊断正确率,能够有效实现齿轮泵多种故障的诊断,具有较好的应用价值。     

基于FastICA算法的转子故障特征分析

为了诊断转子系统故障,针对转子信号特征混叠现象,提出了基于负熵的Fast ICA算法,并将其应用在转子故障信号分析上,对采集的转子振动信号进行特征分离提取,从而进行故障诊断。根据最大负熵迭代原理建立目标函数,以信号的非高斯性最大作为评判标准,通过模拟转子振动信号验证了该方法的可行性,且分离结果显示该算法具有稳定性和准确性,通过转子故障模拟实验台进行实测振动信号分析,进一步验证了该方法的有效性,为下一步诊断打下良好基础。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。     

基于小波分析和神经网络的传感器故障诊断

结合多维度特征提取和故障识别方法,提出一种基于小波分析和神经网络的传感器故障诊断方法。运用小波变换模极大值特征提取方法和高频小波能量特征提取方法,在小波分解层数和小波类型两个不同维度对传感器信号进行特征提取,提取的特征矩阵具有序列特性。研究结果表明：特征矩阵相对于特征向量,对不同信号具有更明显的区分度;运用LSTM神经网络对传感器进行故障诊断,根据不同压力工况下的传感器特征数据集,训练针对不同压力工况的LSTM神经网络预测模型,提高了预测模型的泛化能力;对LSTM神经网络预测方法进行试验验证,基于预测模型对随机压力工况下发生的随机故障进行预测,预测准确率达到98.33%。     

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.     

独立分量分析在齿轮箱故障诊断中的应用

提出了一种用于齿轮箱故障诊断的信号预处理方法.推导了基于互信息最小化的独立分量分析算法(简称ICA算法),应用确定性混合信号对算法进行了仿真验证,并将该算法应用于齿轮箱振动信号的预处理中.经3种工况下的齿轮箱振动信号的ICA分解结果分析,表明应用ICA技术后,故障信息得到了极大的增强.改变了传统的以降噪为主的故障信息增强思想,为微弱故障的有效诊断提供了一定的技术手段.     

基于LabVIEW的小波消噪在齿轮故障诊断中的应用

介绍了利用LabVIEW平台检测齿轮故障信号，叙述了在LabVIEW的环境内，使用MATLAB脚本节点对齿轮振动信号进行小波消噪和分解，提取齿轮故障特征信息，实现齿轮故障诊断。     

基于扭振信号的齿轮故障诊断研究

在分析了齿轮啮合扭振的基础上提出了利用轴系扭振信号进行齿轮诊断的方法,度验结果表明扭振信号受环境噪声影响小,对故障敏感,作为齿轮早期故障诊断信息来源的扭振信号优于传统的箱体振动信号,还介绍了一种适用于状态监测的扭振测试方法。     

基于DataSocket和小波消噪的齿轮故障远程监测与诊断

介绍利用LabVIEW平台检测齿轮故障信号 ,叙述DataSocket协议和使用DataSocket技术进行远程监控的方法 ,给出在LabVIEW的环境内 ,使用MATLAB脚本节点对齿轮振动信号进行小波消噪和分解 ,提取齿轮故障特征信息 ,实现齿轮故障的远程诊断的方案。     

外啮合齿轮马达齿廓测试方法研究

外啮合齿轮马达工作时产生的压力流量脉动是马达工作噪声的主要来源，而研究马达降噪的一个方法是利用齿轮马达模型分析优化齿廓曲线与齿轮啮合容积的动态关系。目前研究中的模型一般采用标准的渐开线或摆线进行仿真，而未体现齿廓曲线由于变位和加工误差对齿轮啮合容积的动态特性的影响。提出一种采用激光位移传感器对外啮合齿轮马达齿廓进行非接触测量的方法，搭建了齿形测试装置并采用MATLAB/C语言建立实际齿廓曲线，从而得到轮齿的齿形信息。试验结果对比了实际与理论马达齿轮齿廓，实现了齿廓测量，并提出改进齿轮马达非接触测量精度的方法。     

齿轮振动信号分解及其在故障诊断中的应用

对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。     

Application of time–frequency entropy method based on Hilbert–Huang transform to gear fault diagnosis

When faults occur in the gear, energy distribution of gear vibration signals measured in time–frequency plane would be different from the distribution under the normal state. Therefore, it is possible to detect a fault by comparing the energy distribution of gear vibration signals with and without fault conditions. Hilbert–Huang transform can offer a complete and accurate energy–frequency–time distribution. On the other hand, Shannon entropy could give a useful criterion for analyzing and comparing probability distribution and offer a measure of the information of any distribution. Targeting the feature of energy distribution of gear vibration signal, the merit of entropy and Hilbert–Huang transform, the concept of time–frequency entropy based on Hilbert–Huang transform is defined and furthermore gear fault diagnosis method based on time–frequency entropy is proposed. The analysis results from simulated signals and experimental signals with normal and defective gears show that the diagnosis approach proposed could identify gear status-with or without fault accurately and effectively. However, further study is needed to the classify gear fault pattern such as crack fault or broken teeth.     

齿轮裂纹故障仿真计算与诊断

提出了一种利用仿真信号对齿轮裂纹故障进行诊断的方法。从齿轮的单自由度振动模型出发,将裂纹故障等效为模型中轮齿刚度的削减,运用差分算法对模型进行求解,得到齿轮的振动位移、速度以及加速度响应,利用傅立叶变换和双谱分析对仿真结果进行处理,成功地提取了齿轮裂纹的故障信息。     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。     

多通道多分量分解方法在变转速工况齿轮故障特征提取中的应用

齿轮故障振动信号在非稳态工况下,其分量可能存在跨时间尺度或不同分量重叠的复杂时频特征,传统的以局部时间尺度特征为依据的分解方法无法分解,为此,引入一种新的多通道多分量分解(MMD)方法。MMD方法创新性地将单分量信号看成具有不同权重系数的特征向量线性组合,通过迭代优化出权重系数,便可获得相应的分量信号。解决了MMD分析高采样率的实际振动信号时大数据量会导致其分解效率降低的问题,并将MMD方法应用于变转速工况下齿轮故障振动信号的分析,结果表明,该方法可以有效分解出在时频域发生重叠的故障分量信号,较传统的以时间尺度特征为依据的分解方法具有明显优势,结合阶次分析可以清晰准确地提取出齿轮故障特征信息。     

基于BITD和同态滤波解调的齿轮故障诊断方法

针对齿轮故障振动信号的非平稳特征以及本征时间尺度分解(ITD)方法的缺点,提出了B样条改进的本征时间尺度分解(BITD)和同态滤波解调相结合的故障诊断方法。首先采用BITD方法对齿轮振动信号进行分解,将其分解为若干个合理旋转分量之和,然后用相关系数筛选出最能表征故障信息的合理旋转分量进行同态滤波解调来提取故障特征。仿真信号与齿轮故障诊断工程实例分析验证了该方法的有效性。