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.     

基于优化EFD算法的风电行星齿轮箱故障诊断研究

行星齿轮箱作为风力发电机的关键核心部件,对其故障进行准确诊断能有效提升风力发电效能．行星轮系作为一种复杂的传动机械部件,其频谱表现异常复杂,且故障信息极易被无关成分或干扰成分淹没,而利用信号分解获取故障分量的方法在行星齿轮故障诊断中发挥着重要的作用．因此,针对经验傅里叶分解(empiricalFourierdecomposition,EFD)易陷入局部频谱分割的问题,优化改进了EFD的频谱分割算法,即在原频谱分割算法上引入边界阈值机制,优化频谱分割边界点的选择,有效限制边界频率陷入局部的问题．通过构造多分量仿真信号对比分析原频谱分割算法和优化算法,并逐步增加分量成分对比分析．仿真分析结果表明,原频谱分割算法随着分量成分的增加,其边界频率逐渐陷入局部,而优化算法却能准确获取边界频率,验证了优化EFD算法的有效性,表明优化频谱分割算法是在原频谱分割算法上的有效改进．最后通过对风电行星齿轮箱实验数据的分析表明,与EFD算法相比,优化EFD算法获取的边界频率不易陷入局部,可以更好地获取故障分量．在对风电行星齿轮箱的故障诊断中,能更有效地识别故障频率成分和确定故障位置．     

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.     

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MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题,提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先,利用MVMD将融合后的多通道振动信号进行模态分解,得到一系列表征信号局部特征的IMF分量;其次,引入峭度值(Ku),选取最佳模态进行信号重构,剔除含噪声分量高的IMF;最后,对重构信号进行MOMEDA特征提取以识别故障频率,从而进行故障诊断。结果表明,所提故障诊断方法可以有效剔除噪声分量的干扰,识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题,可为故障诊断和多源信号处理提供参考。     

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.     

齿轮箱在线故障诊断系统设计及应用

为了尽早发现齿轮箱台架寿命试验中的故障发生及其位置,避免对试验设备及人员造成伤害,针对齿轮箱工作过程中的安全问题,开发了一套齿轮箱在线故障诊断系统。该系统利用加速度传感器检测箱体的振动信号,通过时域分析实现齿轮箱试验的实时监测与故障预警;对时域信号进行时频域分析,采用ZFFT（基于复调制的细化频谱算法）细化频谱方法处理频域信号,通过分析典型故障信号特征,建立故障特征向量,实现故障类型判定。试验结果表明,该系统能实现齿轮箱故障预判,并能准确识别出典型故障。     

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。     

小波分析在大型齿轮箱故障诊断中的应用

介绍了小波分析的原理及在大型齿轮箱故障诊断中的应用。通过现场的应用实例，讨论小波分析在大型齿轮箱故障诊断中的应用效果。     

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。     

基于小波分析的齿轮箱故障诊断

对测取的齿轮箱振动信号进行了离散小波变换，提取了齿轮箱螺栓拉断的故障信息。结果表明，小波变换或小波分析为判断、预防同类事故提供了一种有效的分析手段。     

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。     

时间序列方法在齿轮箱故障诊断中的应用

采用时间序列方法对齿轮箱振动信号进行谱分析，与传统功率谱分析相比较，可提高故障信号谱峰的分辨率，将其用于齿轮箱故障诊断，可提高故障诊断的精度，并可对齿轮故障的发展趋势进行有效的预测。     

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性.     

基于频率诱导变分模态分解的齿轮箱故障诊断

针对风电传动系统齿轮箱的故障诊断问题,在脉冲激励响应的基础上提出了一种频率诱导变分模态分解(FIVMD)方法,并将其应用于齿轮箱故障特征提取.首先,根据振动信号傅里叶谱的极大值分布估计齿轮箱系统的自振频率;然后,将固有频率的估计值作为各模态分量中心频率的初始化位置,并通过交替乘子法将原始信号自适应分解为本征模态函数;其次,通过希尔伯特变换对各本征模态函数求包络谱,并计算其故障特征频率比;最后,挑选出故障特征频率比最大的模态分量,并根据其包络谱特征实现齿轮箱故障的有效识别.以维斯塔斯某3 MW风电机组圆柱齿轮断齿故障为例,验证了FIVMD在工程应用中的有效性和优越性.     

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.