Study on Rolling Mill Gear Box and Design of Multichannel Fault Diagnosis

Gear box places an important role rolling mill.Its reliability decides the machine operation.Due to the important role,if the key machine is broken because of gear box′s malfunction,the whole production devices will be influeued.Therefore,it′s very important to monitor the gear box online.Good monitoring system can help companies to better process fault diagnosis.The design sets up a monitoring system with Enwatch polled mode on-line acquisition module and Odyssey software.By calculating the data,the problem of the monitoring system is find,the plans to collect signal is made,the problems of monitoring gear box′s multichannel vibration are solved and the malfunctions initially are estimated according to the signal,which has theoretical basis and practical meanings.

基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图,按比例划分训练集与测试集,将训练集样本与随机向量输入到深度卷积生成对抗网络模型中,交替训练生成器与判别器,达到纳什平衡,生成与原始样本类似的生成样本,从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型,完成行星齿轮箱的故障识别。实验结果表明,所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度,使之达到99.15%,且能使收敛速度更快。

基于MTF-Swin Transformer的风机齿轮箱故障诊断

针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-Swin Transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号转化为具有关联时间信息的二维特征图谱;然后,将特征图谱作为Swin Transformer模型的输入,基于自注意力机制进行自动特征提取;最后,实现对不同故障类型的分类。仿真结果表明,该方法对齿轮箱故障诊断准确率达到了99.48%,证明了该方法的有效性和优越性。

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

IMIBSE与ISOMAP在旋转机械故障诊断中的应用

针对基本熵的区域划分标准不理想,导致无法有效测量振动信号的复杂度,使故障诊断的准确率不佳这一问题,提出了一种基于改进多尺度改进基本熵(IMIBSE)、等距特征映射(ISOMAP)和随机森林(RF)的旋转机械故障诊断方法。首先,采用基于方差的区域划分准则对基本熵进行了改进,结合改进的粗粒化处理,提出了IMIBSE,并将其用于提取故障特征;随后,利用ISOMAP对原始故障特征进行了特征降维,选择了对分类贡献最大的一组特征作为故障敏感特征;最后,基于RF建立了多故障分类器,将故障敏感特征输入至RF模型进行了训练和测试,实现了旋转机械的故障识别,利用齿轮箱和离心泵两种故障数据集将IMIBSE方法与复合多尺度基本熵、多尺度改进基本熵、多尺度基本熵进行了比较和分析。研究结果表明:IMIBSE不仅具有最佳的可视化效果,而且取得的识别准确率最高,二者均达到了100%,而二者的平均分类准确率分别为100%和99.8%;相较于其他故障诊断方法,IMIBSE方法的准确率更高,而且适用于小样本的故障识别问题。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

基于EMD分解和Levy-SSA-BP神经网络的齿轮故障诊断

为解决齿轮磨损早期故障诊断问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和算法优化反向传播(Back Propagation,BP)神经网络的故障诊断方法。首先,将声发射信号进行经验模态分解,得到本征模函数(Intrinsic Mode Function,IMF);其次,计算各IMF分量与原始信号的相关系数,并对各个分量进行特征提取,构成特征矩阵;最后,将特征矩阵放入经过Levy飞行和麻雀搜索算法优化后的BP神经网络中进行识别。对比BP神经网络和麻雀搜索算法优化后的神经网络,本文提出的算法准确率更高,且对轻微磨损故障的识别能力更好,可以用于早期齿轮故障诊断。

高速线材精轧锥辊箱故障诊断分析

针对某钢厂高速线材产线精轧区域锥辊箱振动问题,通过在线监测系统及时定位锥辊箱缺陷位置,准确判断劣化程度。对锥辊箱振动全过程进行了分析总结,并对在以后的振动分析时遇到类似的振动信号应考虑的问题提出一定见解。

基于自注意机制胶囊网络的行星齿轮箱故障诊断

针对实际工程中行星齿轮箱故障数据有限、诊断准确率不高的问题,提出一种基于自注意机制胶囊网络的故障诊断方法。直接将采集到的行星齿轮箱振动信号作为输入,用首层宽卷积层提取浅层特征,过滤输入中的高频噪声;引入自注意机制关注信号关键特征;再次将所提特征输入胶囊层,进一步提取特征并实现故障分类;采用行星齿轮箱实验平台数据对所提方法进行实验验证。实验结果表明:在样本数量有限的情况下,所提方法仍能取得不错的诊断准确率。

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解(variationalmodedecomposition,简称VMD)与多尺度卷积神经网络(multi-scaleconvolutionalneural netwo,简称MCNN)的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态(intrinsic mode functions,简称IMF),依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。

基于PCA-ELM算法的工业机器人RV齿轮箱故障诊断

以RV齿轮箱为对象,设计了一种基于主成分分析(PCA)和极限学习机(ELM)组合的故障诊断方法:利用PCA良好稳定性的优势来实现对ELM鲁棒性的优化,并开展故障诊断测试。研究结果表明,PCA-ELM能够检测故障种类,可以达到较高准确率,同样处理时可以大幅缩短时间。该研究在RV齿轮箱早期故障排出方面具有很好的价值,高效率地节约工业机器人成本。

基于LF-GWO优化FKCA模型的齿轮箱故障诊断研究

采用莱维飞行策略对灰狼优化算法进行了优化,显著提升了算法的初期搜索性能。建立了LF-GWO算法求解FKCA模型,并给出了故障诊断步骤。通过实验验证结果表明:经过800次迭代计算处理时,LF-GWO寻优形成的最小错误率2%,以LF-GWO/FKCA诊断测试集时获得了98%的正确率,只对点蚀与磨损的故障类型存在错误判断各一处情况。相比较FKCA和BP方法,采用LF-GWO/FKCA方法则可以将无标签缺齿数据归为第4类,从而实现与已知故障类型的区分,达到了更高的正确率,实际测试正确率为98%,显著提升故障诊断正确率。对齿轮箱的故障进行诊断仿真显示本文设计的诊断方法可以达到很低的错误率,表现出了优异的故障诊断性能。

基于MSSA+IESN+MFFN组合算法的齿轮箱早期故障智能诊断

齿轮箱故障诊断存在变速工况、样本数量偏少以及会形成强噪声情况,提出了一种通过多尺度特征融合网络(MFFN)实现故障诊断技术。对初始时域信号拓展形成多特征域,建立造多维堆栈稀疏自编码器(MSSA)对不同特征域进行故障采集,通过粒子群算法优化回声状态网络(IESN)进行信号处理。研究结果表明:样本充足条件下,MFFN模型诊断时,定速工况为99.15%,变速工况为98.46%,达到了更高准确率并降低了标准差。在样本不足条件下,深度特征融合网络(DEFN)和MFFN对于样本数量减少表现出了优异鲁棒性,MFFN达到了更优的性能。在噪声干扰场景下,采用MFFN依然能够达到85%的准确率。该算法具备更优抗干扰性能,采用多维特征提取能够更好地适应处于强噪声干扰环境。该研究为实现传动系统的稳定运行提供了理论参考。

采煤机作业时摇臂齿轮箱故障分析及诊断技术研究

以7LS06型采煤机摇臂齿轮箱为对象,在对齿轮箱主要结构进行介绍的基础上,分析了齿轮箱常见的故障问题,其中齿轮和轴承的故障问题最为显著。对齿轮和轴承工作时的振动机理及其常见故障类型进行了详细的介绍。引起齿轮和轴承振动的原因包含2方面:(1)结构件的工作原理决定;(2)结构件表面存在故障缺陷,从而改变结构原有的振动状态。可以对齿轮和轴承的振动信号进行分析,从而判断其是否存在缺陷故障。利用振动测试平台对摇臂齿轮箱的振动状态进行实际测验,并将测验结果与实际结果对比,验证了故障诊断技术的科学性与合理性。

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足,故障诊断率低问题,提出了一种基于RF特征优选,结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先,提取风电齿轮箱时域、频域、时频域特征,构建多域高维特征集;其次,利用RF进行特征重要度排序并提取10维优选特征;最后,利用WOA优化调整ELM模型的输入权值和隐含层阈值,实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断,实验结果表明,本文方法平均诊断率能达到99.81%,诊断准确率均高于对比方法且诊断用时最少,能够有效地进行风电齿轮箱故障诊断。

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。

转向架齿轮箱动力学建模与故障量化分类方法研究

精确的故障诊断技术是运营安全性和维护高效性的重要支撑,基于动力学建模和频域特征分析,提出齿轮故障的波峰计数量化分类方法,以定量的方式实现故障类型的精确区分。首先,建立可以精确区分正常及擦伤、缺角和齿根裂纹等类型故障的齿轮动力学模型,获得齿轮故障的动力学响应特征,然后基于模型仿真信号的频域特征,提出精确区分不同类型故障的波峰计数诊断方法,最后,以转向架高保真故障模拟试验台开展齿轮故障模拟试验,验证动力学模型特征分析的准确性和量化诊断方法的有效性。研究结果表明:在一定的故障严重程度下,裂纹、擦伤、缺角、正常这4种状态的波峰计数依次减小,利用波峰计数方法可准确划分故障类型。本文研究为转向架齿轮故障动力学特性分析和故障诊断提供了重要方法。

基于小波分析的PSO-MBCNN的风电齿轮箱故障诊断

对于风机齿轮箱故障较难发现、传统算法计算负担大的问题,提出一种基于小波时频分析的粒子群优化多分支卷积神经网络(PSO-MBCNN)的预测方法。首先,将正常、点蚀、断齿、磨损状态的齿轮在故障模拟实验平台进行模拟实验,获得这四种运行状态的振动数据;然后,利用小波时频转换,将一维数据转化为图像数据。提出一种多分支模块,以降低卷积神经网络对参数的敏感性,减小CNN的运算负担,再用改进的粒子群优化算法(PSO)优化多分支卷积神经网络内部的权值和偏差,通过实验结果表明该故障诊断方法的平均准确率超过99%。

基于多模态时频图融合的风电机组齿轮箱故障诊断方法

特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks,CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。