基于低秩稀疏分解算法的铣床齿轮箱故障诊断

铣床齿轮箱的安全运行对保证机械设备的效率具有重要的作用,其故障诊断复杂难控。传统形式算法只是从原始振动信号中进行字典原子学习,并未从本质层面分析特征信息物理结构特性。采用低秩稀疏分解算法,并进行BCD求解对齿轮箱故障诊断开展分析。研究结果表明:特征信号已淹没到了噪声中,能够对等间隔冲击特征进行准确识别,并使特征信号信噪比由-9.152增大为4.716。表明采用稀疏低秩算法能够滤除噪声干扰,从而高效识别瞬态冲击成分。经过3次迭代后特征信号发生了奇异值快速衰减现象,具有明显稀疏特性。低秩稀疏分解信号形成的包络谱,已经实现了所有干扰频率成分以及噪声成分的滤除效果,采用低秩稀疏分解算法能够实现齿轮箱局部故障的准确诊断。

基于AP-FBSOMP组合算法的轴承微弱故障智能诊断分析

为增强轴承微弱故障信号分块压缩感知(CS)重构性能,综合运用信号分块自适应(AP)以及K奇异值分解(KSVD)优化正交匹配追踪(OMP)算法,设计一种AP-FBSOMP组合算法,并开展故障智能诊断实测分析。研究结果表明:随着重构支撑集的有效支撑集原子数增加后,获得了跟初始信号误差更低的重构信号,重构信号达到了更低误差,显著优化了信号重构效果。相对OMP、SP、SOMP的重构时间明显缩短,FBSOMP算法都具备更优的重构结果。利用不同算法处理相对误差及其重构时间测试结果得到,以FBSOMP算法重构相对误差最小,能够更加快速达到重构的效果。信号重构可以达到准确重现初始信号故障特征的状态,有效实现了理想的匹配效果。FBSOMP算法则可以实现高效运行的性能,由此大幅提高重构信号精度。

基于改进FOA和GRNN组合模型的滚动轴承寿命预测

选择小波包能量谱提取与建立滚动轴承的退化特性,为保证GRNN达到更高预测精度,开发了一种经过优化的FOA-GRNN模型,并构建了一种多种群自适应果蝇优化算法(FOA)来实现对GRNN扩展速度Spread的优化,通过对比测试发现,采用小波包能量谱退化特性可以获得更高的滚动轴承剩余寿命预测精度。研究结果表明:以小波包能量谱方法滚动轴承退化特性提取,改进FOA-GRNN方法的均方误差为0.0036、平均绝对误差为0.0532、均方根误差为0.06041,表明采用本文滚动轴承退化特性可以实现对滚动轴承剩余寿命的准确预测。改进FOA-GRNN各项指标参数在所有方法中达到了最小,获得了较优结果,实现了寻优效率与精度的提升。该研究对提高滚动轴承故障诊断和寿命预测具有一定的理论支撑作用。