基于RSIFICA的行星齿轮箱故障诊断方法

为了对行星齿轮箱进行故障检测和诊断,提出了一种基于共振稀疏快速独立分量的分析方法(RSIFICA).该方法首先采用共振稀疏分解对信号进行降维预处理,进行二次共振稀疏分解,构造虚拟通道增加传感器通道数目,同时引入牛顿-辛普森公式对快速独立分量分析方法进行改进.该方法减少包含瞬态冲击的宽带信号的影响,实现信号中振源信号数目的降维.同时,二次分解增加输入FastICA的通道数,解决了独立分量分析方法在提取行星齿轮箱故障特征频率过程中出现欠定盲源和收敛速度缓慢问题,同时提高了FastICA的运算效率.将该方法应用到行星齿轮箱的故障诊断中,包络谱分析结果表明,RSIFICA能准确地提取行星齿轮箱断齿故障特征频率,有效地解决了FastICA的问题,计算效率提高了21.49%.对比实验表明,相比于EMD-FastICA联合方法,RSIFICA能够对齿轮微弱故障特征进行更为有效的提取.     

迭代广义短时Fourier变换在行星齿轮箱故障诊断中的应用

短时Fourier变换(STFT)在分析非平稳信号的过程中,受调制系数的影响,时频分布图中的能量扩散至主导频率的周围,降低了时频分布的可读性.运用STFT分析瞬时频率缓变或恒定的信号时,调制系数的影响较小甚至可以忽略不计,而得到能量聚集程度很高的时频分布.根据这一特点,提出了迭代广义短时Fourier变换(IG-STFT),该方法有效改善了时频图的可读性.首先运用迭代广义解调分离出频率恒定的单分量成分,然后运用STFT分析信号的时频分布,最后依据STFT的分析结果和相位函数得到原信号的时频分布.通过行星齿轮箱仿真信号和实验信号分析,验证了该方法在分析非平稳信号中的有效性,准确诊断了齿轮故障.     

基于MED和自适应VMD的行星齿轮箱故障诊断方法

为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.     

一种GAF-CNN行星齿轮箱故障诊断方法

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场-卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。     

齿轮箱远程故障诊断分析及实验

本文以齿轮箱为研究对象,对齿轮箱的常见故障类型进行分类,分析在齿轮故障诊断过程中常见的特征,最后就齿轮故障诊断进行实验．给出不同故障类型下的频谱分析。     

基于DHNN的风电机组齿轮箱故障诊断

运用具有联想记忆功能的离散Hopfield神经网络(DHNN)对风电机组齿轮箱的故障进行诊断,选用时域和频域的5个故障特征指标作为评价因子,利用MATLAB工具箱建立一个可以对风电机组齿轮箱的3种故障进行诊断的DHNN模型,并将该模型用于北方某风电场的实测数据的故障诊断,验证模型的泛化能力.仿真结果表明,DHNN的诊断结果准确率高、收敛速度快,具有很好的实用性.     

基于双树复小波分解的风机齿轮箱故障诊断

风机齿轮箱振动信号具有非平稳、非高斯特性,多种模式混叠和复杂的传递路径使得故障信息微弱完全淹没在噪声之中.针对故障特征提取的难题,将双树复小波变换引入振动信号分析,提出了一种新的工业风力发电机齿轮箱故障诊断方法.首先对风机齿轮箱振动信号进行双树复小波分解,然后计算各频带分量的峭度值,利用峭度筛选故障敏感分量.最后对故障敏感分量进行频谱分析提取故障特征频率.实验结果表明:双树复小波变换可将复杂信号分解为不同频带分量,抑制平移敏感性和频率混叠.与传统离散小波变换相比,能有效抑制虚假频率出现并准确提取故障特征.本文提出的方法已成功用于风力发电机工业运行监测并准确诊断多种类型的齿轮箱故障.     

基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

基于动态惯性权重粒子群算法的齿轮箱故障诊断研究

针对工程上齿轮箱实时监测和故障诊断的需要,对JZQ250型齿轮箱展开研究,提出了基于动态惯性权重PSO算法训练BP神经网络的齿轮箱故障诊断方法。通过时域参数分析提取监测特征值作为齿轮箱的状态监测值,将故障特征向量作为神经网络的输入向量进行故障诊断,并与BP算法的诊断结果进行了比较。实验结果表明,动态惯性权重PSO算法具有收敛速度快,经过神经网络学习训练后能较好地收敛于最优解;该算法用于齿轮箱故障诊断效果理想,能够准确进行齿轮箱故障定位,在故障诊断领域里具有广泛的应用前景。     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

基于BFD和MSCNN的风电滚动轴承智能故障诊断

针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(B MF);然后,通过希尔伯特阶次变换(HOT)计算各BMF的包络阶次谱,并根据特征阶次比筛选出分解结果中包含故障信息最多的...     

应用倒频谱分析法对风力发电机组齿轮箱故障诊断

针对风力发电机组齿轮箱运行环境恶劣,故障信号中调制边频带复杂这一特点,采用基于倒频谱方法对故障特征进行了分析,提高了故障诊断的准确性,并给出了应用实例,为风力发电机组设备管理与诊断提供了一种有效的途径。     

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition, VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function, IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明：采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

基于改进的BP神经网络齿轮箱故障诊断方法的研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种RPROP的改进的BP神经网络.RPROP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.本文利用MATLAB结合齿轮箱故障建立了标准BP神经网络和本文提出的改进BP神经网络的两个故障诊断模型,并时其性能做了分析和对比.实验表明,基于改进的BP神经网络的齿轮箱故障诊断方法可以大大提高故障诊断的精确性,缩短了诊断时间.     

基于神经网络的齿轮箱故障诊断专家系统设计

针对神经网络和传统故障诊断专家系统的不足,提出了一个把神经网络与专家系统相结合,发挥各自优点的基于神经网络的齿轮箱故障诊断专家系统设计方案。介绍了该系统的结构功能和主要特点,并阐述了该系统重要模块的实现方法。     

基于时序分析的齿轮箱故障诊断

文章介绍使用了时序分析法,与传统故障诊断分析法相比,时序分析法是通过建立时间-序值-幅值的三维谱阵,提取齿轮箱的故障特征,找出故障部位、故障类型和故障演变过程的详细信息,从而指导生产厂家进行产品的优化设计;通过实例证明,时序分析法能够有效地识别齿轮箱的故障和故障演变过程.     

基于细菌觅食优化决策的齿轮箱故障诊断

在利用SVM对齿轮箱进行故障诊断决策时,SVM模型参数(核参数及惩罚因子)对齿轮箱故障的诊断结果影响很大,而最优参数难以获取,针对这一问题,提出一种基于自适应细菌觅食算法(BFA)的SVM参数快速选取方法。以齿轮箱故障诊断过程为实验对象,对比分析网格搜索法、遗传算法、粒子群算法与细菌觅食算法对SVM径向基核函数参数δ及惩罚因子C的优化性能。研究结果表明:细菌觅食算法能够更加快速地选取到最优参数;采用细菌觅食算法优化SVM参数可以进一步提高齿轮箱故障诊断的精度。