基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断

为了准确提取轴承的故障特征,提出了一种遗传算法(GA)参数优化的变分模态分解(VMD)结合1.5维谱的轴承故障诊断方法。首先以VMD方法中模态分量的包络熵值最小为优化目标,利用遗传算法对模态分量个数和二次惩罚因子进行优化,确定这两个能使VMD实现最优分解的输入参数。然后利用参数优化的VMD方法对仿真信号和轴承内环故障信号进行分解,并做各模态分量的1.5维谱图。参数优化的VMD分解得到了与仿真信号原始分量相符的4个模态分量,1.5维谱剔除了未参与二次相位耦合的10Hz频率分量。同时在1k Hz频率以下,运用本文方法提取了轴承内环故障特征频率的1至6倍频频率成分以及电机转频对它们的调制频率。由此表明,遗传算法参数优化的VMD可实现复杂信号的正确分解,1.5维谱可有效检测信号的二次相位耦合。同时,遗传算法参数优化的VMD结合1.5维谱能有效提取轴承内环故障特征,从而验证了本文方法的有效性和实用性。     

基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断

针对时变滤波经验模态分解（TVF-EMD）方法的不足之处,将样本熵作为适应度函数,采用灰狼优化（GWO）算法对带宽阈值和B样条阶数核心参数进行寻优,得到最优组合解,对不同的故障冲击试验振动信号进行分解。对本征模态函数（IMF）分量选取过程进行优化,采用多个加权指标对所有IMF分量进行计算,最终选取最优IMF分量,再通过包络谱分析提取出行星轮齿面剥落故障特征。在行星齿轮箱故障试验中,利用方均根法对剥落故障进行初步识别,根据GWO-TVF-EMD法分解得到各剥落故障信号最优IMF分量,使用包络谱分析明显判断出行星齿轮的故障频率。该方法能够提取3种不同程度齿面剥落故障的细节特征,理论值与实际值的相对误差为1.68%。      

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

小型航空活塞发动机喷油异常的故障诊断

针对小型航空活塞发动机出现的喷油异常故障,基于发动机的缸内压力和缸盖振动信号,采用一种变分模态分解和布谷鸟搜索优化支持向量机相结合的故障诊断方法对发动机喷油异常故障进行诊断。该方法使用变分模态分解对发动机的缸内压力信号和缸盖振动信号进行处理得到本征模态函数,对本征模态函数进行奇异值分解和能量特征提取,将缸内压力和缸盖振动的数据集输入布谷鸟搜索算法优化的支持向量机模型中进行训练和测试。结果表明:该方法较好地识别出发动机喷油异常的故障,其中缸内压力和缸盖振动信号的故障识别分类准确率分别为95.32%和92.47%,验证了该方法的有效性。      

含行星架裂纹故障的行星齿轮箱振动仿真

为深入了解行星架裂纹故障振动频谱结构，提出一种考虑时变传递路径和行星轮系载荷非均匀分配的振动仿真模型。根据裂纹导致的行星轮角位移函数，分析了行星轮角位移对行星轮系载荷分配特性的影响，仿真分析了行星架裂纹导致的行星轮角位移和行星轮系载荷非均匀分配下的频谱边带结构。仿真结果表明：行星轮个数为3时，边频带仅受行星轮角位移影响，随行星轮个数增加到4、5时，频谱边带受行星轮角位移和载荷分配共同影响，阶比谱出现以行星架旋转阶次为间隔的调制边带成分。通过对比行星轮个数为3的齿轮箱仿真与实测信号的阶比谱边带结构，验证了模型的有效性。     

基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法

针对变转速下齿轮箱复合故障的故障特征提取,提出了基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法.该方法根据齿轮箱复合故障振动信号中齿轮和滚动轴承故障成分的形态差异性,先用形态分量分析将其分解为包含齿轮局部故障信息的谐振分量、包含滚动轴承局部故障信息的冲击分量和随机噪声分量,再根据实测转速信号分别对谐振分量和冲击分量进行包络阶次分析,根据各包络阶次谱诊断齿轮箱复合故障.算法仿真和应用实例表明:该方法能有效分离变转速下齿轮和滚动轴承的故障特征,且其故障特征提取效果要优于传统的包络阶次谱方法.      

多模态时域振动衰减信号各模态分离与阻尼参数辨识方法

针对多模态信号中各模态难以准确分离和模态阻尼参数难以准确识别的问题,提出了布谷鸟搜索(CS)算法参数优化的变分模态分解方法 (CS-VMD)和模态阻尼参数辨识的包络线积分法(EIM)。使用CS-VMD方法将多模态时域振动衰减信号中的多模态分量准确分离开来,利用EIM辨识各模态的模态频率和阻尼比,并与理论值(或测量值)以及半功率带宽法(HPB)辨识值进行对比。位移仿真信号与压气机导向叶片测频信号模态分解及模态参数辨识表明,CS-VMD方法可实现对多模态信号的正确分解,EIM辨识的模态频率误差均小于1.0%;对于位移仿真信号,EIM辨识的模态阻尼比最大误差小于2.5%;对于压气机导向叶片测频信号,使用EIM和HPB方法辨识的模态阻尼比最大差别为9.098%,EIM的模态阻尼辨识精度比HPB方法高。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于CPP与S变换的自适应时频滤波及其在滚动轴承故障诊断中的应用

针对变转速下滚动轴承故障调制信息的提取与分离,提出了基于线调频小波路径追踪(CPP)与S变换的自适应时频滤波方法。该方法先采用Hilbert解调对齿轮箱振动信号进行分析获取其包络信号,并对包络信号进行S变换,以获取其时频分布,同时,采用CPP算法从齿轮箱振动信号中估计出啮合频率曲线,进而获取转轴转速;然后,根据估计的转速信号分别设计各阶时频滤波器;再采用时频滤波器对包络信号的时频分布进行时频滤波,并将滤波结果进行S逆变换,以获取各阶故障调制信号;最后对各阶故障调制信号进行阶次谱分析,并根据阶次谱中的调制信息诊断滚动轴承故障。算法仿真和应用实例表明,自适应时频滤波方法可根据轴承故障调制信号的频率变化特点自适应地改变滤波器的中心频率与带宽,能有效提取并分离轴承的各阶调制信息,且分离效果优于基于集合经验模态分解（EEMD）的阶次谱方法。      

基于自适应分段混合系统的轴承故障诊断

针对强噪声背景下轴承早期故障的诊断问题,提出一种基于自适应分段混合随机共振（adaptive piecewise hybrid stochastic resonance,APHSR）系统的检测方法。采用经验模态分解法（EMD）进行信号预处理,分别采用能量密度法和相关系数法去除高、低频噪声,自动筛选最优固有模态函数,经尺度变换后输入分段混合随机共振系统模型,提取故障信号。工程实验显示:经过APHSR系统,轴承故障特征频率的频谱幅值、频谱幅值与周围最大噪声之差和最大信噪比（SNR）均高于经验模态分解和经典随机共振方法,其中齿轮箱故障轴承信噪比分别提高了9.579 dB和7.473 dB,转子故障轴承信噪比分别提升了8.597 dB和5.695 dB,对凯斯西储大学故障轴承数据处理后的信噪比分别提升了3.369 dB和17.043 dB。数据表明APHSR方法具有高效性,提高了轴承故障信号诊断能力。      

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

改进Hilbert-Huang变换在齿轮故障诊断中的应用

针对Hilbert-Huang变换中齿轮故障信号经验模式分解的第一阶固有模态函数通常为非单一信号分量以及经验模式分解产生虚假低频分量的问题, 提出一种改进Hilbert-Huang变换方法.首先在频谱中确定故障信息频率范围, 并依据该频率范围和二进小波分解的特点确定需提取的相应频带的二进小波系数, 然后采用相关系数筛选法剔除小波系数经验模式分解所产生的虚假分量, 最后通过局部瞬时能量提取故障特征, 实例表明改进的Hilbert-Huang变换可以有效的提取齿轮故障特征.      

裂纹齿轮动力特性三维有限元模拟

建立了裂纹齿轮结构的三维有限元动力学模型,分析了齿轮轮齿发生裂纹后的齿轮动力特性(固有频率、振型、动态应力等),并对裂纹出现位置和裂纹尺寸等对齿轮动力特性的影响进行了深入探讨和计算机模拟。指出裂纹尺寸和位置对于齿轮的固有频率和振型都有影响,当出现裂纹后固有频率发生下降,振型也发生变化,而裂纹位置对固有频率和振型影响大于裂纹尺寸的影响,当裂纹位于齿根处时齿轮固有频率下降较大,当裂纹位于齿顶处时齿轮固有频率下降较小,当裂纹出现后齿轮体的振型明显不同于无裂纹时的振型,在裂纹附近振动的振幅增大,并且齿轮体的动态应力也发生变化,与无裂纹的齿轮结构动力特性完全不同。      

直升机行星传动轮系故障诊断研究进展

行星传动轮系是直升机传动系统的核心部件,是直升机健康和使用监测系统(HUMS)重要的监测对象。直升机行星传动轮系具有结构复杂紧凑、组件繁多、工况瞬时多变以及使用环境恶劣等特点,导致直升机行星传动轮系振动信号污染严重、成分复杂,具有较强的非平稳性和耦合调制特征。另外复杂的故障模式、较少的故障样本,也都增加了直升机行星传动轮系故障诊断的难度。面对这些难题,研究人员在基于信号降噪与信号分离、时频分析与解耦解调、数学建模与模式识别的故障诊断技术上取得了丰硕的成果。面对仍然存在的一些亟待研究和解决的问题,提出了直升机行星传动轮系故障诊断技术的研究方向以及未来的发展趋势。     

含噪振动信号中早期碰摩的故障检测研究

 研究了在有噪环境下发动机转子系统早期碰摩故障的检测问题。利用最优参数搜索法改进了独立分量分析( ICA) 算法, 用于求解转子系统振动信号与噪声的盲分离问题。在此基础上, 对分离后的振动信号利用小波包分解进行早期碰摩信号的检测。结果显示最优搜索的ICA 算法运行效率高, 信号分离纯度好, 对振动信号有高效的降噪作用, 并利用小波包分解准确地检测出振动信号中的碰摩信息, 其效果优于小波分解法。信噪分离与小波包分解相结合有望用于工程实践中的早期碰摩故障检测和诊断。     

基于CWTHHT结合的永磁同步电机失磁故障诊断方法及其可行性分析

永磁同步电机失磁故障是驱动电机故障中最为严重的故障之一。失磁故障意味着永磁同步电机的优势显著降低。提出了基于CWTHHT结合的永磁同步电机失磁故障诊断方法并对其可行性进行了分析。首先简要分析了永磁同步电机稳态运行特性、搭建电机故障试验平台,实时采集电机正常及失磁时的定子电流信号；然后通过信号分析得出:失磁故障下电流信号的EMD分解分量imf4的周期性较正常情况时变差,而且分量imf3所占比例较正常情况时变大；失磁故障下电流信号的HHT图中基波频带较正常情况能量分散了。因此,基于CWTHHT结合的故障诊断方法是可行的。     

双树复小波域MCA降噪在齿轮故障诊断中的应用

齿轮箱早期故障信号中往往包含强烈的干扰噪声,而基于简单阈值规则的小波系数降噪方法往往不能取得良好的效果.针对该问题,提出了基于形态分量分析(MCA)的双树复小波降噪方法.首先,对强背景噪声故障信号进行双树复小波变换,得到不同层的小波变换系数;然后,选取小波系数周期性较为明显层的小波系数进行MCA降噪;最后,将降噪后的系数进行单支重构后便可获得故障特征信号,对降噪信号进行包络分析便可以确定信号的故障特征频率.利用该方法对仿真分析和某轧机齿轮箱打齿故障早期信号进行了处理,结果表明:该方法能够在有效去除信号中的强背景噪声,比单独MCA降噪及软阈值降噪具有更好的效果,得到了更清晰的故障特征频率,从而为齿轮早期故障诊断提供了一种新方法.