并联双重Q因子在齿轮箱复合故障净化提取与盲分离中的应用

基于Q因子的稀疏分解是信号的一种自适应稀疏化表达方法。针对强噪声环境下齿轮箱非平稳复合故障信号难于提取与分离的问题,提出基于并联双重Q因子的快速独立分析方法。首先通过基于并联双重Q因子的小波变换分析方法对单通道故障信号进行降噪和升维处理,根据不同的低Q因子值得到多组低共振的冲击成分,组成多维信号,实现信号升维,然后应用快速独立分析方法进行盲分离。仿真信号数据分析结果及滚动轴承复合故障的实验数据分析结果均表明了该方法的可行性和有效性,为强噪声环境下的复合机械故障信号分离与提取提供了一种新的思路。

提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。

基于改进小波包的风电机组齿轮箱复合故障特征提取研究

针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明:运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。

基于EEMD和单通道盲源分离的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。

基于CNN-LSTM的齿轮箱复合故障状态监测研究

基于卷积神经网络(CNN)内嵌长短期记忆神经网络(LSTM)的优势,将其应用在齿轮箱状态监测中,提出了CNN内嵌LSTM网络的齿轮箱复合故障状态监测方法。该方法结合了2种神经网络的优点,既有CNN强大的自主提取抽象信息的功能,联系到数据的深层特征并加以保留,又结合了LSTM神经网络的长期记忆功能。经过CNN将数据输入到LSTM网络中确定阈值,从而达成识别齿轮箱工作状态的目的。通过齿轮箱故障试验台复合故障的试验数据验证了该模型的有效性。通过对比单独采用CNN和LSTM构建监测模型的准确率,证明了基于CNN-LSTM的齿轮箱复合故障状态监测方法的有效性。