一种基于SVM和EMD的齿轮故障诊断方法

支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。     

齿轮裂纹故障的双谱分析

齿轮振动信号中的非线性给故障特征的提取带来较大难度,通过分析裂纹齿轮振动信号非线性产生的原因,利用双谱分析具有提取信号非线性耦合特征的能力,将双谱分析应用于齿轮裂纹的故障诊断中。试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来。     

基于双谱熵的齿轮裂纹故障特征提取

针对裂纹故障导致齿轮振动信号非高斯性变化这一特点,提出采用双谱熵对信号非高斯成分在双频域内的分布形态进行定量描述,并据此提取故障信息,得到裂纹产生期、扩展期的特征趋势。结果表明,双谱熵不基于信号能量信息,受非故障因素影响小,而且能有效抑制高斯噪声,同时又对微弱故障十分敏感。研究结果为后续故障诊断与趋势预测提供了新的有效方法。     

基于故障诊断的双谱优良特性体现

双谱切片与AR功率谱相比,能有效地去除高斯噪声,保留了信号的相位信息。减压阀振动正常信号和故障信号的AR功率谱与双谱切片均呈现了不同的波峰特性。利用小波包对两种信号的功率谱与双谱切片分别进行了特征提取,并输入BP神经网络以诊断减压阀的故障信号,对两者的诊断效果进行了对比分析,以实验的形式清晰地显示了双谱和功率谱性能上的差异。     

基于双谱熵和聚类分析的转子系统故障诊断

转子系统在故障状态下的振动信号往往呈现很强的非线性,其在频域上主要表现为不同频率之间相互耦合,产生合频、差频等组合频率。为了解决传统频谱分析只关注信号中的频率成分及其幅值大小,而忽略信号相位信息的问题,采用双谱方法对振动信号进行分析。双谱包含信号相位信息并且对非线性敏感,可以将早期故障的微弱非线性放大,检测出频谱中不同频率之间的非线性相位耦合关系。通过对ZT-3转子实验台植入不同类型的故障,采集系统在不同状态下的加速度信号,从振动信号的双谱中提取各频段的信息熵,采用模糊聚类方法进行故障识别。结果表明,双谱熵作为特征参量可以准确识别转子系统的故障类型,验证了方法的可行性。     

基于双谱分析的齿轮故障诊断方法

齿轮啮合过程中的振动信号往往呈现出非线性、非高斯性,加上强噪声的干扰,给故障特征的提取带来了较大的困难.为实现齿轮单一故障的分类和诊断,采用时序参数化的双谱分析方法,对齿轮故障模拟试验台上采集的正常状态和3种故障状态的振动信号进行了分析,根据双谱谱峰的分布及数目的差异性,实现了齿轮正常、裂纹、磨损、剥落4种状态的识别和分类.结果表明,双谱分析可以抑制背景噪声,并有效提取信号中的非高斯成分,是一种有效的故障诊断方法.     

齿轮传动系统故障诊断方法研究

齿轮零件日益广泛的在越来越多的场景和工程中使用,特别是在今天的重工业领域中,在航天、石油、煤矿和军事的工程应用中已经成为其重要机械顺利运行的部件,尽管齿轮传动系统在当前有着如此重要的应用地位但由于其长期使用,系统会出现综合性故障,因此,如果不能够克服长期使用带来的零件损耗问题就无法保障整个装置的安全性和可靠性,所以如何...     

双谱切片的分形特性在减压阀故障诊断中的应用

减压阀是液压系统中的一种重要元件,也很容易发生故障,如何对减压阀发生的故障进行诊断,对于机械系统的维护有着重要意义.首先获取了减压阀振动时的正常信号和故障信号的AR双谱切片,再根据双谱切片所呈现出的自相似性,分别计算了每组数据的容量维数,并由计算结果进行故障诊断,取得了良好效果.     

汽车变速器齿轮故障诊断方法综述

对汽车变速器齿轮在不解体的情况下进行故障检测诊断技术进行了介绍,阐述了磨损残余物分析技术、振动监测技术、声发射技术、光纤传感技术以及人工神经网络诊断等各种方法的特点及优缺点,以及对故障诊断的进一步发展进行了展望。     

基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障.     

齿轮裂纹故障的循环矩诊断

介绍了循环平稳信号的二阶循环矩分析和处理方法、循环矩分析的抑噪特性。在给定齿轮裂纹调频信号数学模型的基础上，证明了其二阶循环平稳性。利用二阶循环矩一滞后平面图，分析了裂纹故障信号特征的循环矩提取方法，进行了仿真实验。针对齿轮裂纹故障实例，说明其对故障信号解调的有效性。     

基于小波—Hilbert解调的齿轮故障诊断方法

提出了一种小波分析与Hilbert解调谱相结合的分析方法,并应用于齿轮故障特征的提取。依据齿轮箱故障机理和频谱特征,采用小波变换将信号分解后在不同频带进行分析,实现齿轮故障中的非线性耦合特征频率的提取,然后对特征频率进行Hilbert解调以得到准确的故障信息。将其应用于汽车领域,结果表明提出的方法可以有效提高频率分辨率,实现故障特征的准确提取,对于汽车变速箱的齿轮故障诊断具有一定的价值。     

基于特征增强倒频谱分析的齿轮故障诊断方法

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。     

齿轮故障的振动诊断及案例分析

齿轮故障通常具有相似的现象,即振动和噪声明显增加,但产生齿轮故障的原因却很难从表象作出判断。本文从振动分析的角度阐述齿轮振动的时域与频域特征,并结合实测案例进行分析。     

局部积分双谱及其在齿轮故障诊断中的应用

提出了一种局部积分双谱分析方法,探讨了局部积分双谱抑制噪声的能力,利用局部积分双谱分析了正常齿轮和早期剥落齿轮振动信号。局部积分双谱可以分析出齿轮故障的调制现象,结果显示,局部积分双谱与传统的双谱切片相比能较全面地反映双谱信息,是处理齿轮故障调制现象的有力工具。     

基于自适应共振解调的齿轮故障诊断方法

针对传统共振解调技术难以确定带通滤波器参数及受噪声影响较大,诊断效果不佳的问题,提出一种基于EEMD、信息熵和快速峭度图的自适应共振解调方法。该方法通过EEMD方法将故障信号分解成若干个固有模态分量,利用互相关系数方法自适应重构信号以突出故障特征信号,对信息熵最小的固有模态分量进行谱峭度分析,自适应确定带通滤波器的中心频率和带宽,最后对通过滤波的重构信号进行Hilbert包络谱分析。数字仿真实验和实测齿轮故障数据分析结果表明,该方法可以有效突出故障特征信号,证明了该方法的有效性。     

基于电动机电流信号双谱分析的齿轮传动故障诊断

电动机电流信号分析广泛应用于电动机本身的监测,但用该项技术监测与电动机相连设备的研究却很少。提出应用异步电动机的电流信号的调制信号双谱分析方法,实现对与电动机连接的齿轮传动系统的故障监测。试验表明调制信号双谱波峰的升高可以作为检测故障的依据。齿轮的故障可通过观测相关轴的双频波峰的变化进行诊断,与齿轮直接相连的轴产生较大的波峰增高,而与齿轮相邻的轴产生较小的波峰增高但轴不对中的故障可以只观测与该轴相应的双频波峰增高来确定。     

应用Hilbert-Huang变换的齿轮磨损故障诊断研究

提出了一种基于H ilbert-Huang变换的齿轮磨损故障诊断的新方法。H ilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换应用于齿轮箱中齿轮磨损故障诊断的研究,通过选取表征齿轮磨损故障的IM F分量进行边际谱和能量谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明,H ilbert-Huang变换时频分析方法,能有效地诊断齿轮的磨损故障。     

基于VMD与多特征融合的齿轮故障诊断方法

针对实际中工况复杂难以提取齿轮故障特征频率的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)与多特征融合的齿轮故障诊断方法。首先,对机械振动信号进行VMD分解并得到一系列的模态,其次,计算高频段的前4个模态的排列熵(Permutation Entropy,PE)和能量,最后,将排列熵和能量构成的高维特征向量作为最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的输入,对齿轮故障类型进行模式识别。试验结果表明:VMD可以较好地将复杂多分量信号各成分分开;排列熵和能量特征可以从不同尺度揭示齿轮故障信息;基于VMD与多特征融合的智能故障诊断方法识别精度高,可以为齿轮故障预警和严重程度提供参考。