连续小波变换在齿轮磨损估计中应用研究

通过对连续小波变换的分析研究,提出了一种提取信号在小波尺度上的能量谱的信号分析方法。该方法能有效地对不同磨损状况下的齿轮振动信号进行分析,分析结果说明信号在小波尺度上的能量谱与齿轮的磨损程度有密切的关系。求出不同磨损状况下齿轮振动信号的能量谱对尺度的积分值,并根据这些值拟合得到的曲线与齿轮磨损过程曲线非常相似,这说明可以用连续小波变换的能量谱估计齿轮磨损状况。最后提出了一种连续小波变换的齿轮磨损特征量提取方法,用于提取齿轮磨损程度的特征向量,特征量间的欧氏距离说明这些特征向量能很好地表征齿轮的磨损状况     

基于小波和径向基函数神经网络的滚动轴承故障模式识别

利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一，传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号，有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征，因而非常适于对瞬态或时变信号进行分类, 而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征，首先采用小波包分析对其建立频域能量特征向量，然后利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明，系统不仅能够检测到轴承故障的存在，而且能够比较准确地识别轴承的内外环故障模式，可以满足工程中的需要。     

基于自身振动信号的液压泵状态监测及故障诊断

为了获得液压泵状态监测及故障诊断的特征信息来进行液压泵的状态监测和故障诊断,通过使用短时傅立叶变换来处理非平稳信号以获得液压泵泵壳振动功率谱,并建立了具体故障诊断监测系统。以ZB轴向柱塞泵的故障诊断为例,验证了利用振动功率谱分析法进行液压泵现场状态监测及故障诊断是一种行之有效的方法。     

齿轮箱振动与输入能量信号的频域相干分析与关系识别

为了提高旋转设备诊断效率、发展基于设备输入能量信号分析的故障诊断技术,该文提出并论述了输入能量信号分析方法在设备故障诊断技术研究中的有效性。首先从齿轮箱振动机理角度分析了传动能量与振动信号之间的关系,指出轴系扭矩及输入功率是齿轮静态传递误差的激励,进而导致振动信号的产生;其次通过建立齿轮传动能量与振动关系模型,利用相干函数以概率统计的形式揭示了输入能量与振动信号响应之间的关系;最后通过正常与断齿齿轮的对比试验,验证了功率信号的频谱特征与传统的齿轮故障振动频谱相一致,亦具有表征齿轮箱工况的明显作用,同时分析了振动和功率信号的自功率谱和互功率谱,利用相干分析方法,从经典控制理论角度验证了二者所呈现出的强相关性。该文为以能量信号分析为核心的旋转设备故障诊断技术的研究提供参考。     

基于改进移频变尺度随机共振的齿轮故障诊断

为了解决传统的移频变尺度随机共振只对单一参数进行优化,忽略各个参数之间交互作用的不足,提出了一种改进移频变尺度随机共振的算法。首先利用移频变尺度对大参数信号进行预处理;其次以最大信噪比为优化目标,采用改进鱼群算法对系统参数进行同步优化;最终实现齿轮故障微弱特征信号的最优提取。研究结果表明,该算法可以将噪声能量转移到微弱特征信号上,提高信噪比,并对齿轮进行故障诊断,且相对于传统的移频变尺度随机共振以及小波阈值降噪而言更加优越。该文提出的算法可用于强噪声环境下的齿轮故障诊断,为农业机械中齿轮故障诊断研究提供了参考。     

变分模态分解结合深度迁移学习诊断机械故障

针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解（Variational Mode Decomposition,VMD）的优化算法与深度迁移学习（Deep Transfer Learning,DTL）模型相结合的故障诊断方法。首先,通过多种群差分进化（Multiple Population Differential Evolution,MPDE）算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络（Deep Residual Network,ResNet）的基础上,将ResNet网络与迁移学习（Transfer Learning,TL）模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD +DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。     

基于特征迁移学习的变工况下轴向柱塞泵故障诊断

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应（Subspace Embedded Distribution Adaptation with Coupled Classifiers, SEDACC）方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐（Subspace Alignment, SA）方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异（Weighted Conditional Maximum Mean Discrepancy, WCMMD）作为度量进行特征分布的适配。同时,基于结构风险最小化（Structural Risk Minimization, SRM）准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器。通过交替和迭代策略不断优化分类器参数,最后对二者进行加权融合得到最终的诊断模型。通过轴向柱塞泵变工况故障诊断试验进行验证,结果表明,当以垂直于端盖的z方向振动信号为主要数据并使用声音信号（或以平行于端盖的x方向的振动信号）作为辅助数据时,SEDACC方法在6种迁移任务中的平均准确率为99.88%（99.46%）,高于其他方法。此外,所提方法在目标工况样本稀少的情况下仍具有较高的诊断精度,当目标域和源域样本数比值为0.2时,6种迁移任务的平均准确率达到92.66%。研究结果可为更完备与准确的机械故障诊断提供参考。     

自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障

为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2～4倍频,识别轴承故障频率及其2～6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2～5倍频,突出轴承故障频率及其2～8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。     

拖拉机行星齿轮箱故障响应特性动力学仿真及验证

针对目前农业机械设备少有从振动机理方面研究行星减速轮系的故障特性,且缺乏对不同故障程度下系统故障特性的研究等问题,该文以拖拉机传动系统中的行星齿轮减速箱为研究对象,建立了行星轮系动力学模型,考虑了其在运行时振动传递路径时变效应对振动信号的影响;推导了行星轮故障下的啮合刚度变化表达式,并引入故障因子,得到了不同故障程度下的啮合刚度;采用变步长的Runge-Kutta方法求解行星轮系动力学模型,分析得到了行星轮分别出现裂纹及断齿故障时系统响应的频谱特性。模型分析结果表明,由于振动传递路径时变效应对响应信号的调制作用,行星轮系频谱中的啮合频率及其倍频附近出现了以行星架转频为调制频率的边频带;当行星轮出现裂纹或断齿故障时,啮合频率及其倍频附近不仅出现了以行星架转频为调制频率的边频带,同时还会出现以行星轮故障频率为调制频率的边频,且断齿故障状态下的边带幅值较裂纹故障下更加明显。最后将试验信号与模型信号进行对比分析,分析发现,试验与模型响应信号对应频率的最大相对误差分别为4.65%和2.32%,决定系数R2分别为0.999 6和0.999 8,所得试验结果与模型结果基本一致,验证了所建立模型的准确性。该文可为农机设备中行星轮系的故障机理及系统健康监测研究提供参考。     

基于信息熵的时频参数优化及内燃机轴承磨损监测

时频分析是单分量调频信号的最优分析工具,但是对于多分量线性调频信号存在比较严重干扰项的影响。为了抑制时频分布交叉项干扰,同时保持一定的时频聚集性,采用时频信息熵优化的方法,对时频分布中的参数进行了优化,给出了参数选择范围,仿真试验表明,该方法提高了时频分布中分辨率。研究结果应用于内燃机轴承磨损状态监测中,提取了故障特征,揭示了内燃机状态变化。     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

基于小波分析的车辆变速箱故障检测的研究

利用离散正交小波变换，把车辆变速箱的振动信号进行多层小波分解，使其突变信号和非平稳信号与平稳周期性信号分开，并进行图形显示，为车辆变速箱故障检测提供理论依据。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

网络化水轮机组状态监测与故障诊断系统设计

大中型水轮机组的安全运行对于水电站以及电网的运行有重要影响.在分析水轮机组状态监测与故障诊断原理的基础上,设计了一种新颖的网络化水轮机组状态实时监测与故障诊断系统.该系统有过程层、监测层和站控层3个层次,通过RS-485总线和以太网相互联接;现场节点以AVR单片机ATmega8515为核心;监测站是一台高性能的工业计算...     

基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断

为有效利用双树复小波包变换提取齿轮故障特征信息,提出基于双树复小波包能量泄漏特性分析的故障诊断方法。首先根据高斯白噪声频率充满整个频带的特性,通过双树复小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了双树复小波包变换具有较低的频带能量泄漏特性;其次利用双树复小波包变换逐层分解信号,对每层分解所得分量求其FFT谱的峭度,得到基于双树复小波包变换的谱峭度图,根据图中峭度最大的原则,可以自动准确的选择信号分解最佳层数和最佳分量;最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中,对齿轮故障振动信号进行分析,选择最佳分解层数和分量后利用希尔伯特包络解调,有效准确地提取了故障特征信息,验证了方法的可行性和有效性。该研究可为旋转机械设备中齿轮箱故障诊断的故障特征提取提供参考。