多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解（variationalmodedecomposition,简称VMD）与多尺度卷积神经网络（multi-scaleconvolutionalneural netwo,简称MCNN）的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态（intrinsic mode functions,简称IMF）,依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。     

基于自适应小波降噪和Inception网络的齿轮箱故障诊断

齿轮箱是传动系统中的重要部件,其故障率发生较高且难以直接识别故障情况。针对齿轮箱故障振动信号常含有大量噪声以及难以提取出准确、全面的故障特征的问题,提出一种基于自适应小波降噪和Inception网络的齿轮箱故障诊断方法。首先对采集的振动信号进行自适应小波降噪,然后将降噪后的信号输入Inception网络进行故障特征提取与分类。Inception模块具有多尺度抽象特征提取性能,能够从信号中提取全面的故障特征信息,包括齿轮箱微弱故障信号。研究表明该方法在信噪比SNR为-4 dB的环境下故障识别准确率仍达到92.65%,并且在-4 dB的环境下经过降噪处理的信号再输入Inception网络进行故障识别比直接将信号输入Inception网络进行故障识别准确率高6%。因此利用本研究提出的方法,对齿轮箱进行实时监测,及时发现安全隐患,对保证齿轮箱稳定运行防止财产损失具有重大意义。     

Kalman滤波和BP网络在齿轮箱故障诊断中的应用

针对得到的齿轮箱运行中振动信号信噪比低而引起的故障识别精度低的问题,提出了一种新的基于卡尔曼滤波与BP神经网络的设备故障诊断方法,卡尔曼滤波的作用是对振动信号降噪处理然后提取特征,而BP网络则可实现故障的识别。通过算法仿真以及齿轮箱实验可证明,结合此种算法便可解决信噪比低的问题,与此同时也提高了故障识别精度。     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。     

高速列车齿轮箱振动特性分析与故障识别方法

基于EEMD和HT方法的先进性,将其应用于高速列车齿轮箱振动特性分析与故障识别。采用EEMD和HT方法分析了高速列车齿轮箱的振动特性,包括时域和频域特性。通过与连续小波方法的比较,探讨了EEMD和HT方法在高速列车齿轮箱故障识别与诊断中的应用优势。研究工作中得出的结论:1)EEMD和HT方法能较好地识别高速动车组齿轮的故障特征,比常用的连续小波变换具有良好的应用性能。2)有缺陷齿轮箱的振动幅度明显大于普通齿轮箱,其振动特性发生了显著变化。     

齿轮箱中滚动轴承故障振动信号的提取

应用一种自适应滤波技术,即自适应谱线增强技术从齿轮箱的振动信号中提取滚动轴承故障振动信号.实例表明,该方法能够有效地排除齿轮啮合振动等干扰噪声,提高轴承故障振动信号的信噪比,有利于准确诊断齿轮箱中滚动轴承的故障.     

齿轮箱故障振动信号的阶比多尺度形态学解调

为从非平稳转速齿轮箱故障振动信号中提取包含故障信息的特征频率,提出阶比多尺度形态学解调方法,该方法采用线调频小波路径追踪算法获得齿轮箱转速信号,根据转速信号对时域振动信号进行等角度重采样,并用基于信号局部峰值的方法确定多尺度形态学分析的结构元素,用各结构元素对重采样信号进行形态学操作,对操作结果的平均值做频谱分析,以完成阶比多尺度形态学的解调过程。由于噪声与线调频基元函数的相似性很小,使得线调频小波路径追踪算法能从低信噪比的时域振动信号中准确获得转速信号,而多尺度形态学解调是对各尺度形态学分析结果的平均值进行频谱分析,能有效地抑制噪声,从而使得该方法具有很好的抗噪性能,适合用于工程实际中转速波动齿轮箱振动信号的分析,仿真分析和应用实例证明该方法的有效性和优越性。     

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。     

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.     

基于振动信号分析的齿轮箱故障诊断

对齿轮箱故障的主要特征和频率特点进行了介绍,对齿轮箱的主要组成部件齿轮、轴承、轴和箱体各自的主要故障形式和振动信号特征进行了分析,最后在建立齿轮箱故障档案的基础上分别在时域和频域对振动信号进行分析,为齿轮箱故障诊断向着智能化方向发展打下基础。     

小波基最优化在齿轮箱振动信号中的应用分析

为了提高齿轮箱低频振动信号准确表征其运行状态和高频振动信号表征故障特征的效果,通过对小波原理及小波基优化理论进行分析,选取适用于处理齿轮箱振动信号的小波基进行小波变换,将均方根误差及信噪比作为除噪性能的评价标准,获取最优小波基。基于小波变换对振动信号多层分解的特性,将最优小波基运用其中,分别重构出近似齿轮箱运动状态的低频信号,以及能够表征故障细节特征的高频信号。实验结果表明:最优小波基的应用有利于提高齿轮箱低频信号表征其运行状态频率的准确率和高频信号细节特征提取的效果,为工程实际中齿轮箱的故障诊断提供了理论基础。     

齿轮箱故障的振动机理与故障特征研究

介绍了齿轮箱监测技术,包括齿轮箱故障诊断技术的发展状况和目前存在的问题、分析了齿轮箱故障发生的振动机理及故障特征,可以通过信号的特征信息对设备故障进行准确判断,并对典型的故障进行分类,最后针对齿轮箱振动信号给出详细的时域和频域分析,为基于网络的齿轮箱远程故障诊断系统研究打好基础。     

双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。     

独立分量分析在直升机齿轮箱故障早期诊断中的应用

齿轮箱早期的故障信号往往十分微弱 ,信噪比低 ,这大大限制了已有诊断方法在早期诊断中的应用 ,因此如何获取真实的振动信号是提高齿轮箱早期故障诊断质量的关键 ,独立分量分析 (ICA)为此提供了一种新的思路。文中研究了ICA在齿轮箱故障早期诊断中的应用 ,首先分析了齿轮箱的混合振动信号模型 ,然后针对具体的轴承故障进行了实验 ,并使用快速ICA算法分离出轴承的振动信号 ,再将其功率谱与原始振动信号的谱相比较 ,结果表明ICA更易于实现故障的早期诊断 ;最后提出了进一步的研究建议。     

基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断

齿轮箱早期故障的故障特征不明显,振动信号呈现出强烈的非线性、非平稳现象,为此,提出了一种基于能量聚集度经验小波变换（EA-EWT）的齿轮箱故障诊断方法。首先对采集的振动信号进行EA-EWT分解,对分解后的各层信号采用最大峭度-包络谱熵准则进行敏感分量筛选,再利用最小熵解卷积对筛选出的分量信号进行降噪处理,对降噪后信号进行Hilbert包络谱分析,通过包络谱中的频率成分识别出故障类型,实现早期故障诊断。试验结果表明,该方法能够明显增强早期微弱故障特征,提高齿轮箱早期故障诊断性能。     

基于小波变换的齿轮箱振动信号降噪处理

应用了小波变换理论和小波降噪的原理,对齿轮箱的振动信号进行了小波降噪处理,有效的从含有噪声的齿轮箱振动信号中提取出该信号更加准确和真实的故障特征,从而为提高齿轮箱故障诊断的准确性以及检测齿轮箱的早期微弱故障信号提供了重要的参考价值。通过对仿真信号的降噪处理,然后进行FFT变换,并且和没经过信号降噪处理就进行FFT变换的对比,显示了小波降噪的优越性。最后通过对齿轮箱的实际振动信号的降噪处理,进一步表明了小波降噪在消除噪声干扰方面有效性。     

基于动态小波阈值的齿轮箱振动信号降噪方法

在齿轮箱的故障诊断、在线监控等领域,通常将振动信号作为最主要的分析来源。齿轮箱在起重机的实际运行过程存在多种机构相互交联影响的情况,且信号多数时候只能通过间接的形式采集获取,造成信号中存在大量杂乱无章的干扰噪声,影响了对信号的识别和特征的提取,容易造成对故障的错报和漏报等问题。文中深入分析硬阈值函数、软阈值函数、半软阈值函数和Garrote函数,提出动态调整小波阈值的算法。动态阈值算法可以在有效抑制噪声和保留信号中有用成分之间取得更好的平衡。通过模拟信号和实测故障振动信号进行对比测试,结果表明这种动态小波阈值降噪的方法相对于半软阈值函数和Garrote阈值函数的降噪算法具有更高的信噪比和较低的均方根误差。     

小波尺度谱同步平均在弱信息识别中的应用

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别.而旋转机械发生故障时其振动信号往往是非平稳信号,不同的非平稳性对应不同的故障状态.连续小波变换可以通过伸缩平移变换对信号进行多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于故障信号的检测.时域同步平均可以削弱观测信号中的随机成分,降低噪声干扰,提取与平均周期相关的确定性信号,提高信噪比.结合小波变换和同步平均的优点,提出小波尺度谱同步平均的方法.对多周期的振动信号进行小波连续变换,并进行尺度谱重排,获得重排小波尺度谱;根据信号的周期性,对尺度谱进行同步平均,同步平均后的尺度谱可以有效地抑制干扰噪声,识别弱故障信息.通过仿真分析和实例分析验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法.     

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量，进而降低故障识别准确率的问题，提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先，采用ICEEMDAN对齿轮箱振动信号进行了分解，生成了一系列从低频到高频分布的本征模态函数分量；接着，基于相关系数筛选出包含主要故障信息的本征模态函数分量，进行了信号重构，降低了信号的噪声；随后，提出了改进多尺度加权排列熵的非线性动力学指标，并利用其提取了重构信号的故障特征，以构建反映齿轮箱故障特性的故障特征；然后，利用线性判别分析(LDA)对原始故障特征进行了压缩，以构建低维的故障特征向量；最后，采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化，以构建参数最优的故障分类器，对齿轮箱的故障进行了识别；基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明：该方法...     

基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断

行星齿轮啮合振动信号噪声干扰大,难以诊断齿轮的故障。提出一种基于扭转振动信号的行星齿轮故障诊断方法。结合小波包能量谱和Hilbert包络分析用于轴系扭转振动信号进行识别行星齿轮的早期故障。将这种方法应用于行星齿轮箱在行星齿轮磨损和行星齿轮出现断齿故障状态下采集到的实际故障行星齿轮扭转振动信号,发现这种方法能识别两种状态下的行星齿轮故障特征。将小波包能量谱和Hilbert包络分析应用于两种故障状态下的横向振动信号,发现行星齿轮磨损故障不能准确识别。实验结果表明新方法对行星齿轮早期故障的识别更敏感、准确。