电机滚动轴承故障诊断的多信息源数据融合方法

在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故障诊断的准确率较低。分析了传统故障诊断系统的弊端,并介绍了多信息源数据融合诊断系统的结构及其在故障诊断应用中的优势,并通过实例分析,采用3个独立传感器对轴承故障信号采集,并通过经验模态方法对信号处理得到故障特征向量,最后应用BP神经网络和D-S证据理论进行故障识别。每使用一次D-S证据理论的合成,均会提高故障诊断的准确率,进一步说明多信息源数据融合故障诊断系统的的可行性及有效性。     

多信息融合技术在发动机故障诊断中的应用

本文为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点,应用神经网络原理,提出了一种基于气缸压和,缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法,通过提取发动机工作过程故障三种信号的八个特征值,按正常和五种故障状态的构造学习样本文集和检验样本文集,对输入进行归一化处理,该方法能有效地提高其故障诊断精度。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks, CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders, SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明：利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

基于电机定子电流的齿轮故障诊断方法

齿轮故障诊断一般采用振动信号进行故障特征提取,但振动诊断法不便于安装传感器,易受环境和噪声影响.电机本身具有传感器的特性,定子相电流等信号能够反映负载转矩的变化.因此,针对由电机驱动的齿轮传动系统,提出了一种基于电机定子相电流分析的齿轮无损故障诊断方法.推导了电机定子电流如何反应负载转矩的特性,并分析了齿轮正常与故障状态下定子电流的频谱特征,发现可通过观察边频带的出现来判断齿轮发生局部式故障.通过Matlab对故障诊断原理进行了仿真验证,在实验平台上结合频谱分析成功检测出了齿轮断齿故障.     

EMD与ICA相结合的复杂转子系统早期故障诊断

为了提取复杂转子系统微弱故障信息,对其早期故障进行预知诊断,针对某型涡桨发动机的减速器传动机构接连发生的齿轮毂裂纹故障问题,通过布置多组加速度传感器对多组正常齿轮毂和预制早期裂纹故障的齿轮毂进行正常试车下的振动信号采集。采用EMD(empirical mode decomposition)方法把测试信号分解成多个IMF分量,选取合适IMF分量利用基于非高斯性极大的ICA(independent component analysis)固定点算法进行混合再分离,得到了信息较为独立的特征分量。通过对特征分量进行解调分析得到能清晰反应故障状态的调制信号信息。结果表明基于EMD与ICA相结合的特征信号分离提取技术加包络解调法能有效地识别复杂转子系统早期故障信息。     

基于仿生感知的机床刀具故障诊断系统

现有刀具故障诊断系统具有系统庞大、成本高,精度低等问题,亟需开发一种高精度、低成本的刀具故障诊断系统.为此,提出一种基于仿生应变传感器的数控机床刀具故障诊断系统,该系统首先将精度高、价格便宜的仿生柔性裂纹阵列振动敏感元件封装成刚性的仿生应变传感器,使其适用于采集机床刀具振动信号;然后从采集的刀具振动信号中提取时域和频域特征,并使用支持向量机算法建立刀具故障诊断模型.通过实验对离线故障和实时机床加工环境中的在线故障进行诊断,结果表明,设计的基于仿生应变传感器的刀具故障诊断系统对机加故障诊断的准确率大于88％,在保证故障诊断性能的同时降低了检测成本.这是将灵敏度高、成本低的仿生柔性敏感元件应用于工业故障诊断的一次全新尝试.     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

通过监测电机的定子电流实现齿轮的故障诊断

研究了损伤齿轮的振动信号特征,齿轮的扭转振动信息中包含丰富的齿轮故障信息,由于直接测量扭转振动信号比较困难,文中提出通过监测电机的定子电流对齿轮的扭振进行测量,通过对信号的分析提取故障特征最终实现齿轮的故障诊断。     

一种机械故障诊断多传感器数据融合特征提取的方法

为提高机械故障诊断的准确率,将多个振动传感器采集机械系统不同位置的信息进行融合,提出一种基于同源数据融合的特征提取方法。以柴油机缸盖和机身的振动信号为例,分析振动信号频谱与激励源到测量点的传输特性,构造基于频谱的高维特征向量。使用PCA方法和子带平均法降维,支持向量机进行分类验证其分类效果。结果表明,相比传统单通道传感器,此方法提取的特征不仅具有更高的可压缩性,而且其分类准确性有所提高。