基于EEMD-BP的自动倾斜器轴承故障诊断研究

针对自动倾斜器轴承运行工况复杂,难以实现故障自动识别的问题,本文提出了一种基于集合经验模态分解和BP神经网络相结合的自动倾斜器轴承故障诊断方法。该方法首先对信号进行集合经验模态分解,计算归一化能量特征并完成特征构造,最后将构造好的特征输入BP神经网络完成模型训练与测试,从而实现时频处理算法和神经网络模型的有效结合。本文主要分析了隐含层神经元个数、训练数据组数等因素对故障诊断成功率的影响。此外,本文还研究了训练数据存在偏差、不同测点下该算法的适用性。实验结果表明,该方法可以有效地进行自动倾斜器轴承故障类型的识别。

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪,提高了信号的信噪比,突出了轴承早期微弱故障特征;通过Hilbert变换和经验模态分解(Empirical Mode Decomposition,EMD)获取去噪包络信号的本征模态函数(Intrinsic Mode Functions,IMF)集,并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱,有效地提取了故障特征频率,能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。

基于BP神经网络的自动倾斜器轴承故障诊断

针对直升机故障诊断的需求,开展全尺寸某型直升机自动倾斜器轴承故障诊断研究。基于电火花刻蚀技术,进行自动倾斜器轴承植入外圈、内圈及滚珠故障试验。在小波包去噪的基础上,提取故障信号的小波域能量和功率谱谱熵特征参数,将其输入反向传播(BP)神经网络中,对自动倾斜器轴承进行故障诊断。研究结果表明,该方法降低了背景噪声的干扰,平均故障诊断率达80%,能够实现自动倾斜器轴承故障诊断,但滚珠故障诊断还有待进一步研究。

基于贝叶斯推理的直升机自动倾斜器轴承动态阈值计算方法

针对加权平均方法计算得到动态阈值准确度不高的问题,利用正常数据概率密度和不同故障类型数据概率密度的特点,提出一种基于贝叶斯推理的直升机自动倾斜器轴承动态阈值计算方法。首先,采用奇异值分解对振动信号进行预处理,滤除噪声对动态阈值计算结果的影响;其次,采用故障频率能量特征提取方法,分别提取正常数据和内圈、外圈、滚珠故障数据的特征;最后,采用贝叶斯推理方法分别计算正常数据与内圈、外圈、滚珠故障数据的动态阈值。利用故障植入的方法获取数据,开展动态阈值计算试验,结果表明,方法能够正确找到正常数据和不同故障类型数据概率密度曲线的分界点,具有较高的正确率,较低的漏报率,方法提高了动态阈值的计算准确度。

基于局部Hilbert边际谱的自动倾斜器轴承故障诊断

针对直升机操纵系统重要承力部件自动倾斜器轴承健康监测与故障诊断的需求,研究相应健康监测技术及其故障诊断方法,从而为直升机结构健康监测状态评估与使用管理提供依据。经验模态分解方法作为一种自适应时频分析方法,非常适用于处理复杂非平稳信号,提出了一种基于局部Hilbert边际谱的直升机自动倾斜器轴承故障诊断方法。该方法首先将振动信号进行小波包分解;然后对重构降噪信号采用Hilbert变换进行包络分析得到包络信号;最后对包络信号进行EMD分解,选取有效IMF集计算局部Hilbert边际谱,提取故障特征。在此基础上,构建了某型直升机自动倾斜器故障诊断试验系统。研究表明,该诊断方法合理、可行。

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。