基于ASTFA和SDEO解调的行星齿轮箱故障诊断方法

针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。     

基于VPMCD和EMD的齿轮故障诊断方法

提出了基于VPMCD（Variable predictive model based class discriminate,简称VPMCD）和EMD（Empirical mode decomposition,简称EMD）的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。VPMCD方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于VPMCD和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用VPMCD分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。     

基于BLCD和小波域双谱的齿轮故障诊断方法

本文对固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)方法进行了改进,提出了基于B样条的局部特征尺度分解方法(B spline-based Local characteristic-scale decomposition,简称BLCD),在此基础上将BLCD与小波域双谱相结合应用于齿轮故障诊断。首先将BLCD方法和ITD方法进行对比分析,验证BLCD方法的优越性。然后采用BLCD方法将齿轮振动信号进行分解,得到若干个ISC分量(Intrinsic scale component,简称ISC),再对ISC分量进行小波域双谱分析,通过双谱中峰值个数和耦合频率的成分来判断齿轮是否发生了故障。实验数据的分析结果表明,基于BLCD和小波域双谱的齿轮故障诊断方法能有效地应用于齿轮的故障诊断。     

完全ASTFA方法及其在转子碰摩故障诊断中的应用

在进行自适应最稀疏分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)时需要人为地选定分量带宽控制参数λ_(max),λ_(max)选用不当会引起模态混淆,针对ASTFA的这种缺陷,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的自适应性,提出完全自适应最稀疏分析(Complete Adaptive and Sparsest Timefrequency Analysis,CASTFA)方法。CASTFA以EEMD分解出来的分量为参考,自适应地确定λ_(max)。仿真结果结果表明CASTFA能够抑制ASTFA方法的模态混淆现象,且分解效果优于EEMD方法。将CASTFA方法应用于转子碰摩故障诊断,结果表明了该方法的有效性。     

基于EMD和奇异值分解技术的齿轮故障诊断方法

提出了基于EMD和奇异值分解技术的齿轮故障诊断方法.采用EMD方法将齿轮振动信号分解成若干个基本模式分量之和,并形成初始特征向量矩阵.然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为齿轮振动信号的状态特征向量,通过建立距离判别函数判断齿轮的工作状态和故障类型.对实验数据的分析结果表明,本文方法能有效地应用于齿轮故障诊断.     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

改进EMD和HMM的齿轮故障诊断方法应用

首先针对EMD算法中端点效应问题,采用镜像延拓法进行算法改进;而后提出一种相关度选取IMF方法,对分解得到的IMF进行相关分析,选出敏感IMF;进而将有效IMF能量比作为故障特征,采用HMM分类器进行故障识别以实现齿轮的故障诊断,实验结果表明了改进EMD和HMM方法的有效性。     

基于改进HHT和马氏距离的齿轮故障诊断

针对齿轮振动信号非线性和非平稳的特点,提出一种基于改进希尔伯特-黄变换与马氏距离相结合的故障诊断方法。利用自适应白噪声的完备经验模态分解将齿轮振动信号分解成一系列固有模态函数,并采用敏感固有模态函数判别算法判断出对故障信息敏感的模态函数;通过对敏感固有模态分量的局部希尔伯特瞬时能量谱的分析,得出信号能量随时间变化的精确表达;以不同故障信号局部希尔伯特瞬时能量谱的最大峰值作为特征向量,采用马氏距离对齿轮故障进行状态识别。试验结果表明,该方法可有效识提取齿轮故障特征,实现不同故障状态识别。     

基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，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：该方法能有效地识别齿轮的齿根裂纹故障。     

基于增强自适应盲解卷积方法的齿轮故障诊断

针对最小熵解卷积(minimum entropy deconvolution, MED)在故障诊断中倾向于恢复少量伪主导冲击以及依赖经验选取滤波器长度的问题,提出了一种增强自适应盲解卷积方法。该方法设计一种非线性变换以增强滤波信号中的故障冲击特征,并将其融入滤波器系数的迭代求解中,从而解决MED因少量伪主导冲击造成峭度过大而无法有效恢复周期性故障冲击的问题。同时,所提方法提供一种可根据待分析信号自适应获得合适滤波参数的策略,进而克服传统依赖经验取值的不足。仿真信号与齿轮植入故障信号分析结果验证方法对于增强故障冲击及自适应选取滤波参数的有效性,实现周期性故障冲击的准确恢复。在列车齿轮故障诊断的工程实际案例中,所提方法准确诊断出齿轮传动系统中大齿轮的早期裂纹故障。与MED的对比研究,进一步表明所提方法在故障冲击增强与自适应恢复方面的优势。     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

基于LMD的谱峭度方法在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解（Local mean decomposition,LMD）时频分析的谱峭度 （Spectrum Kurtosis,SK）分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息。选择故障所处频带重构信号,对故障进行诊断。结合倒频谱方法可以有效地识别故障特征频率。结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法.通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类.为了避免因人为选择DB...     

基于包络同步平均的齿轮故障诊断

齿轮振动信号由于存在非平稳、调制、传递路径复杂等特点,其分析相对较为困难,传统的共振解调法还存在共振带参数无法准确确定的不足。为解决上述问题,本文提出了一种基于包络信号角域同步平均的齿轮故障诊断方法。该方法首先利用谱峭度提取出齿轮振动信号的复包络信号,再分别选取齿轮箱中不同转轴作为参考轴对复包络信号进行等角度采样,在角域进行同步平均并用阶比跟踪提取齿轮故障信息。该方法可有效消除源包络信号中的宽带噪声干扰,分离出与故障齿轮所在轴有关的阶比分量,同时可克服转速波动对信号分析产生的频率模糊现象。利用该方法分别对齿轮故障仿真信号和齿轮故障振动信号进行了分析,结果表明,所提出的包络角域同步平均方法能够有效地提取出齿轮故障的特征信息。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。     

基于小波分析的齿轮传动系统故障诊断研究

本文研究了小波分析在齿轮传动系统故障诊断中的应用.通过实例成功地对齿轮传动系统故障模拟实验中获得的振动信号进行基于小波分析的数据预处理及故障特征提取,结果表明,在齿轮传动系统振动信号时频分析中,基于小波分析的数据预处理及故障特征提取是一种行之有效的方法.     

基于SED-EMD的大圆机轻微齿轮偏心故障诊断

针对大圆机的大型薄壁齿轮在制造与装配过程中容易产生偏心问题,提出一种基于振动信号的齿轮偏心故障检测方法.首先,利用偏斜度解卷积(Skewness Deconvolution,SED)增强振动信号中的齿轮偏心故障特征.其次,运用经验模态分解(Empirical Mode Decomposition,EMD)将目标信号分解...