基于LCD与双谱分析的齿轮故障特征提取

针对齿轮故障时振动信号复杂、特征提取困难的问题,提出采用局部特征尺度分解(Local Characteristicscale Decomposition,LCD)与双谱分析相结合的故障特征提取方法。首先,利用LCD分解法对振动信号进行分解,并结合贝叶斯信息准则(Bayesian Information Criterion,BIC)和峭度时间序列互相关系数2个指标对内禀尺度分量(Intrinsic Scale Component,ISC)进行筛选;其次,利用双谱分析法对所选取的ISC分量进行融合,提取双谱熵作为特征量;最后,运用该方法实现齿轮振动信号故障特征的提取,并通过齿轮预置故障试验验证了该方法的有效性。     

基于MED和EEMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出将最小熵反褶积(MED)和集成经验模态分解(EEMD)方法相结合用于提取轴承微弱故障特征的方法。首先,采用MED对滚动轴承振动信号降噪,以增强冲击特征;然后,利用EEMD分解降噪后信号得到一组固有模态分量(IMF),依据相关系数和峭度准则,选择敏感的IMF分量重构信号,并采用希尔伯特包络解调提取故障特征;最后,通过仿真信号和实验台信号验证了该方法的有效性。     

基于IMCKD与谱负熵的滚动轴承故障诊断方法

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击信号常被强大噪声淹没,导致轴承故障诊断难度较大的问题,提出一种基于改进的最大相关峭度解卷积(IMCKD)与谱负熵的故障特征提取方法。首先,采用改进的最大相关峭度解卷积以最大相关峭度为目标对原始振动信号进行降噪处理,检测信号中的周期性冲击成分;然后,以最大谱负熵值为准则寻找信号的最佳分析频段;最后,通过平方包络解调提取出轴承的故障特征。仿真和实测信号验证了该方法的有效性。     

SVM与PSOHF参数优化装备机械传动齿轮故障诊断

为了提高支持向量机(SVM)对齿轮故障诊断的准确性,提出了一种基于SVM与PSOHF参数优化的机械传动齿轮故障诊断新方法。采用蜜蜂觅食机制改进粒子群算法(PSOHF)对SVM径向基核函数参数c和g进行了优化,建立优化后的SVM模型;而后对齿轮不同裂纹长度的故障信号进行小波包分解,将相对小波能量作为故障特征向量输入SVM;进行模式识别和故障分类,最终实现齿轮故障诊断。齿轮裂纹故障振动实验信号的研究结果表明,PSOHF优化的SVM提高了分类正确率,更适于实际中齿轮故障诊断。     

基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。     

基于MOMEDA和IITD的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。     

基于小波包和神经网络的行星齿轮箱故障模式识别技术

行星齿轮箱振动信号在各频段的能量分布与其故障类型有关。利用Daubecics小波包将不同故障的振动信号分解到各个频带。BP神经网络的输入是各频带的能量——行星齿轮故障的特征向量,用神经网络识别故障类型。通过实验验证了该方法可以快速、准确地进行故障模式识别,达到良好的预期效果。利用此方法可以有效解决武装直升机武器系统复杂故障现象问题。     

基于动力学仿真的行星变速箱故障机理研究

针对某型行星变速箱故障机理研究欠缺和故障诊断困难的问题,在刚柔耦合动力学理论和齿轮故障信号模型基础上,建立了行星变速箱齿轮-箱体刚柔耦合动力学模型,分别计算行星变速箱正常状态和齿轮故障下的齿轮啮合力和箱体表面振动信号,进而研究齿轮故障机理,最后通过对故障模拟试验采集的实测信号与仿真信号的频谱成分对比,验证了所建模型的正确性。结果表明:齿轮发生故障时,振动信号频谱会出现相应的特征边频带。     

EMD降噪与小波变换在轴承故障诊断中的应用

在轴承故障诊断中,为降低噪声对小波变换的干扰,提出了先用经验模态分解、再用小波变换对信号进行分析的综合处理法.在用经验模态分解方法的自适应性对信号进行分解的基础上,选用峭度值优选贡献率高的固有模态函数重构信号,计算其自相关函数,然后进行小波变换,得到分解后细节信号的级联谱,对效果最好的分量进行Hilbert解调.该方法解决了噪声对弱故障信号干扰导致诊断效果不明显的问题,提高了小波变换的故障识别率和效率.轴承滚动体点蚀故障试验结果表明:该方法能有效提取轴承滚动体故障特征,与传统包络解调相比具有更好的效果.     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于固有时间尺度分解的能量算子解调法及故障诊断应用

针对Teager能量算子包络解调方法主要用于对单分量的调幅调频信号进行解调,而真实机械故障信号多为多分量的调幅调频信号的问题,提出了能量算子与固有时间尺度分解相结合的解调方法.首先,利用固有时间尺度分解法将原始振动信号分解为若干个固有旋转分量和一个单调趋势项,并基于波形匹配算法实现原始数据的自适应端点延拓以解决分解过程中的端点效应;然后再选取合适的固有旋转分量,利用能量算子方法实现调制信号的包络解调;最后,将该方法应用于仿真信号和故障模拟信号.结果表明:该方法能有效地提取机械振动信号的故障特征.     

基于EMD、遗传算法及神经网络的柴油机故障诊断

研究了将经验模式分解(Empirical Mode Decom position,EMD)、遗传算法及BP神经网络相结合对柴油机振动信号进行故障诊断的方法。首先运用经验模式分解方法对柴油机缸盖表面振动信号进行分解并提取特征参数;然后利用遗传算法对得到的特征参数进行选择,找到对于故障诊断最为敏感的参数;最后建立了BP神经网络模型对柴油机典型故障进行诊断。通过对某型柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

基于阶次小波包与粗糙集的轴承故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入轴承的故障诊断中,提出了一种新的故障诊断方法。首先利用阶次跟踪算法对瞬态振动信号进行重采样,得到等角度分布振动信号,其次采用小波包对该信号分解—重构,并对每个频段的能量进行归一化,构成特征向量,通过粗糙集理论得到清晰、简明的决策规则,最后通过故障实例验证该方法的有效性。     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

基于时域平均的齿轮故障诊断

提出了信号时域平均处理的新算法,解决了周期截断误差对平均结果的影响,并对测取的齿轮箱齿轮故障振动信号进行了处理。实验结果表明:该方法在齿轮故障信号的处理中能够消除背景噪声的影响,取得比较理想的效果。     

侵彻靶板过程中刚体过载特征提取方法

针对引信动态环境非常复杂各种振动非常丰富,侵彻加速度信号含有许多瞬变成分,是非平稳时变信号,采用局部均值分解算法自适应的对侵彻加速度信号进行分解,从而提取加速度信号刚体过载特征和加速度信号频率分布特性,有效准确地对信号机理进行分析.为了使得侵彻特征更加明显,利用半正弦波形作为匹配波形,采用匹配相关算法得到侵彻过程层穿越的特征信号,更有效实时地进行层识别或者空穴识别.     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

基于小波分解的柴油机振动信号特征提取方法

柴油机振动是一种多振源的复杂振动形式,其机体表面振动是内部各种激振力共同作用的综合反映。在柴油机使用过程中技术状态的改变将导致激振力发生不同的变化,因此测量机体激振信号有利于对柴油机技术状态进行监测。通过测量不同技术状态的柴油机机体振动信号,利用小波包分析的方法,将柴油机振动信号按其特征频率进行了小波分解和重构,提取了振动信号特征。分析结果表明,此方法能够提高信噪比,提取的振动信号特征能够反映柴油机技术状态的变化。     

基于优化小波阈值的轴承振动信号降噪算法北大核心

滚动轴承振动信号能够及时准确地提供机电设备状态特征信息,且可实现在线或离线监测,广泛用于滚动轴承故障诊断。由于滚动轴承工作环境复杂多变,往往掺杂较多噪声,噪声会淹没机电设备状态的有用特征信息。针对传统小波阈值函数对轴承信号降噪不明显的问题,提出了一种用于轴承振动信号降噪的差分进化优化小波软阈值算法,对含噪信号进行小波分解,利用广义交叉验证GCV函数作为新的阈值函数对分解后的小波系数进行处理,结合差分进化算法进行寻优获取最优阈值。实验采用美国凯斯西储大学的轴承数据进行仿真分析,通过与常用降噪方法相比,该方法在较好地保留特征信号的前提下,较大程度地去除了噪声,有效地提高了降噪效果。