改进奇异值分解技术在齿轮故障信号降噪中的应用

改进了奇异值分解技术,利用仿真信号验证了改进的奇异值分解技术对齿轮故障信号提取的有效性,并从实测齿轮裂纹信号和齿轮断齿信号中提取出了故障特征信号.研究表明该方法能在强噪声背景下提取出齿轮故障信号,但强噪声对提取效果有一定影响.     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

基于随机共振的齿轮箱早期故障诊断研究

随机共振在微弱故障诊断中相对线性系统具有明显优势，能显著增强信号的信噪比。将随机共振与共振解调相结合来检测齿轮箱的早期裂纹故障，首先通过带通滤波选取共振频带，然后通过Hilbert进行解调，最后采用归一化方法调节随机共振的系统参数得到故障特征输出。对仿真信号和QPZZ Ⅱ齿轮故障系统实测数据的处理结果表明，该方法与传统共振解调相比具有明显优势，为齿轮箱故障诊断提供了一种更为有效的途径。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

基于小波包变换相关性的信号降噪方法及齿轮故障诊断

介绍了小波包变换的基本思想，将新型小波包变换滤波器与信号重采样结合，提出了一种新的小波包降噪方法，研究了该方法的降噪效果，同时比较小波包直接降噪和小波包重构滤波器的降噪效果。将该方法用于齿轮箱的故障诊断，结果表明，该方法能够有效识别齿轮箱中的齿轮典型故障。     

基于变速工况稀疏调频字典的齿轮复合故障诊断

针对变转速工况下齿轮箱故障信号成分复杂、难以有效分离提取的问题,提出了一种基于时域稀疏调频字典的齿轮复合故障诊断方法。构造的调频字典考虑了时变转速信息和分布型故障机理,有利于从复杂信号中准确提取出分布型故障分量,同时大幅度提升剩余信号中冲击成分的信噪比,保证了后续局部型故障分量的重构精度。对剩余信号采用基于单位脉冲响应函数构建的冲击型字典提取局部型故障,即可完成复合故障信号的分离诊断。仿真验证了所提方法的有效性并与基于角域准平稳调制字典的重构方法进行了对比,结果表明:所提方法具有更高的幅值重构精度,并进一步验证了该方法对于复合故障诊断的有效性。     

基于EEMD和单通道盲源分离的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于自适应增强形态滤波的滚动轴承复合故障分离法

针对滚动轴承复合故障难以分离的问题，课题组提出了一种自适应多尺度形态滤波分离方法。首先，利用具有提取周期性特征的多尺度形态滤波器和峭度特征能量积(kurtosis feature energy product，KF)提取出一种主要的故障特征分量；然后，利用奇异值分解(singular value decomposition，SVD)降噪方法对提取的故障特征进行降噪处理，增强故障特征；最后，对去噪信号进行迭代筛选分离，得到多个故障特征模式分量。通过仿真信号与异步牵引电机实际故障信号对比实验，结果表明：该方法能够分离复合故障特征，并有效提取噪声干扰下的故障特征信息。该方法滤波效果强于传统方法，具有较好的工程应用价值。     

齿轮故障振动信号精确幅值解调方法

齿轮故障振动信号中通常包含幅值调制成分,当信号过调制时,常用的包络解调无法准确表示真实的调幅信号。因此,基于希尔伯特变换、平方解调与最小二乘优化算法,提出了一种精确的幅值解调方法。该方法利用希尔伯特变换构造优化目标函数,加入基于平方解调构造的约束方程,通过最小二乘优化算法求解调幅参数,实现了精确的幅值解调。仿真表明:该方法在信号欠调制和过调制时均可以精确重构出真实的调幅信号,具有通用性,抗噪性好。实验分析表明:严重的平稳型故障会导致振动信号出现过调制,断齿故障导致全频带内产生的离散谐波成分影响啮合频率附近振动信号的调制强度。解调结果验证了该方法处理两类齿轮故障的有效性。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

旋转设备在线健康监控指数研究

利用小波包分解方法对在线监控中收集到的齿轮箱振动信号进行频域划分,并在其划分后的频段上有选择地进行了信号重构。在其基础上提出齿轮在线健康监控指数,可以用来反映齿轮箱整个寿命期间的健康状态。同时,为了实现对齿轮早期故障的预警,提出了一个用来在线检测的动态阈值。通过3套不同的齿轮箱全寿命振动信号数据进行了健康指数和早期预警的验证。实验结果证明,该健康监控指数及其动态阈值可以准确地检测出齿轮早期故障发生的时刻。     

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究

基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

基于刚-柔耦合模型的高速机车齿轮传动系统断齿故障仿真分析

用三维建模软件SOLIDWORKS对DF4B型机车走行部传动系统进行建模,并利用有限元软件ANSYS对故障齿轮进行柔性建模,再将三维模型导入动力学仿真软件ADAMS中,建立刚-柔耦合模型并进行仿真,最后分析了不同测点处的振动仿真结果。结果表明:通过对不同故障齿轮的振动信号进行频谱分析可准确的判断出故障的发生频率及故障的严重程度。通过对同一故障的不同测点进行分析可知振动信号的传递性,从而为状态监测中传感器的布置提供了理论依据。 更多还原     

基于深度学习的DPF故障诊断及应用

针对传统柴油颗粒过滤器(diesel particulate filters, DPF)故障诊断中人工提取特征过程繁杂且特征参数难以表征DPF故障状态的问题,提出基于深度学习的DPF故障诊断方法。通过车载传感器采集发动机转速、DPF压差等5种信号数据,经数据融合后建立压差类、温差类和压差+温差类三类样本数据;利用深度学习特征自提取的优势,提取车辆在不同行驶工况下样本数据中压差或温差表征的DPF故障特征;结合深度学习网络中Softmax多分类器实现端到端的DPF故障诊断。利用GT-Power仿真数据,验证了所提方法的可行性,开发了相应的应用软件。     

形态小波变换在轴承故障信号处理中的应用

基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解，选取合适的信号分解算子既能够抑制噪声，又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算，与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明：形态小波变换能够准确有效地提取轴承故障的特征频率成分，适用于轴承故障的在线诊断。     

一种多层经验小波变换与多指标交叉融合的列车轮对轴承故障诊断研究

列车轮对轴承在长期使用过程中极易产生各类故障,但恶劣的工况导致其故障诊断较为困难,针对这一问题,提出了一种基于多层经验小波变换(multi-layer empirical wavelet transform, MLEWT)与多指标交叉融合的列车轮对轴承故障诊断方法。所提MLEWT方法在划分信号频谱边界过程中,不再以局部极值点作为频谱区间划分依据,而是通过设定频谱区间个数来对整个信号频谱进行多层分解,得到多个模态分量信号。提出了一种基于交叉融合峭度、平滑因子、稀疏值和峰值系数4个统计量指标的故障稀疏度大小评价方法,该方法将多个统计量指标综合考虑,有效克服了单一指标存在的不足,自适应搜寻信号MLEWT后最优的模态分量信号。通过对最优模态分量信号进行包络解调分析诊断出轴承故障。仿真信号和实际轮对轴承故障信号的分析结果表明：所提方法可以有效提取轴承故障特征信息,诊断效果优于传统的谱峭度和EWT方法。     

基于字典学习形态分量分析的轴承故障诊断

在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法。分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态差异性,利用MCA对滚动轴承故障信号中的内、外圈故障特征和噪声成分进行分离;对包络后的故障特征分量做频谱分析诊断轴承的故障及部位。应用实例结果表明:该方法能在强噪声环境下有效地提取滚动轴承内、外圈的故障特征,性能优于固定字典的MCA方法,为MCA方法在选取字典时提供了新思路。     

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。     

基于虚拟样机的机车齿轮传动系统建模与故障仿真分析

以DF4B型机车齿轮传动系统断齿故障为研究对象,利用三维实体建模软件SolidWorks精确建立正常齿轮传动系统及3种不同程度轮齿断裂模型。将模型导入ADAMS中添加约束和驱动,建立多体动力学模型,进而对断齿故障模型的振动影响进行仿真分析,测量齿轮箱振动信号。利用Matlab进行时域、频域分析,将不同故障程度齿轮分析结果与正常模型结果进行对比,得到了齿轮箱断齿故障发生与否及不同程度下的故障特点。