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。      

基于神经网络的直升机自动倾斜器轴承故障诊断方法

为了进一步提高直升机的安全性，利用BP神经网络和RBF神经网络对直升机自动倾斜器轴承进行故障诊断。完成了直升机自动倾斜器轴承故障植入试验，获取了自动倾斜器轴承的故障振动数据，并进行了振动数据的特征信号提取。采用振动数据特征信号的多参数融合作为神经网络的输入，对自动倾斜器轴承故障进行诊断，获得了较高的故障诊断率。采用基于神经网络的故障诊断方法，自动倾斜器轴承各类故障的最高故障诊断率均大于89%。