摘要：实际工程中难以获取充足可用且同分布的齿轮箱故障样本,此外,获取的无标签样本难免会混入一些分布外的未知干扰样本,这些将给现有的齿轮箱智能故障诊断研究带来难题。提出一种改进半监督原型网络,面向分布外样本干扰,实现少样本下不同工况间的齿轮箱跨域故障诊断。首先,设计一种标签分配准则,既可以充分挖掘利用无标签样本信息,为无标签样本赋予伪标签,同时也可以有效抑制分布外未知样本的干扰。然后,定义一种基于标签平滑和度量缩放的修正代价函数,可以灵活有效地评估故障样本之间的相似性,挖掘元学习任务的通用特性,进一步提高模型泛化性。将所提方法用于分析不同健康状态的齿轮箱试验数据,并设置不同的少样本跨域诊断场景和分布外干扰样本进行对比验证。试验结果表明,相比现有方法,所提方法可以更有效地实现少样本下不同工况间的齿轮箱跨域故障诊断。

摘要：针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明:EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。

摘要：为提取齿轮箱早期微弱故障特征,提出一种自适应提升小波构造方法。首先,采用对设备早期故障非常敏感的峭度指标为评价标准,设计最佳匹配信号特征的预测器;然后,以重构误差最小为目标函数设计更新器,构造出自适应信号特征的提升小波。煤矿提升机齿轮箱振动信号分析表明,构造的自适应提升小波有效提取出齿轮箱早期裂纹故障引起的周期性冲击脉冲和装配不当引起的幅值调制故障特征。

摘要：机械齿轮箱应用范围不断扩大,其运行状态成为影响机械传动系统功能的重要因素。考虑到当前机械齿轮箱复合识别方法由于信号数据诊断能力较差,导致其在噪声较大的环境中所得识别结果准确性较低的问题,设计一种基于大数据诊断模型的机械齿轮箱复合识别方法。采集机械齿轮箱运行数据并对其处理,为后续的齿轮箱运行状态诊断提供数据基础。使用成分分析法,提取机械齿轮箱运行状态特征。使用Softmax分类器构建机械齿轮箱大数据复合诊断模型,实现机械齿轮箱的复合识别。构建仿真实验环节,对此方法的识别能力进行分析。经实验结果证实,此方法在多种信噪比环境下,可得到可靠性较高的识别结果,对于机械齿轮箱普及应用具有推广作用。

摘要：故障齿轮箱的振动信号通常耦合着稳态调制和冲击调制成分。信号稀疏表示的成功应用表明了它对特征提取的有效性,但主要集中在冲击成分的提取,而忽略了稳态调制成分,且设计的字典没有明确的物理意义,通用性较差。提出一种新的基于匹配追踪的齿轮箱耦合调制信号分离方法。设计的基于幅值调制谐波原子的稳态调制字典和基于单自由度冲击响应原子的冲击调制字典,融合了齿轮箱运行工况参数和结构特征,物理意义明确,通用性广。仿真和试验验证了该方法在强噪声背景下和混合调制成分完全耦合情况下的有效性。通过幅值系数恢复,可有效改进匹配追踪算法的过匹配问题。

摘要：以圆柱齿轮为对象,提出了基于双谱图像的机械故障嵌入式诊断方法。首先,通过小波包阈值去噪、小波包重构、双谱分析生成故障信号的双谱图,并通第一类灰度矩来表征双谱图特征。这些特征统计量,作为BP神经网络模式识别算法的输入特征向量,从而对这些特征集合进行分类,识别出相应的齿轮故障类型。实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性。以OpenCV库编写的代码移植到嵌入式系统简单易行,开发效率高,程序运行可靠。

摘要：研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。

摘要：以圆柱齿轮为对象,提出了基于双谱分析和图像识别的齿轮箱故障诊断方法。通过小波包双谱分析生成故障信号的双谱图,并通灰度共生矩阵的2阶特征统计量来表征双谱图特征。对于这些特征统计量,通过相关度的大小进行分类从而得到故障模式识别的输入特征向量。通过支持向量机(SVM)模式识别算法对这些特征集合进行分类,从而识别出相应的齿轮故障类型。实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性。