针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD...针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。展开更多
在噪声干扰较强的环境下,为了克服傅里叶分解方法(Fourier Decomposition Method,FDM)在分析调制信号及单独使用调制信号双谱(Modulated Signal Bispectrum,MSB)在分析非平稳信号方面的不足,提出了一种FDM和MSB相结合的滚动轴承故障诊...在噪声干扰较强的环境下,为了克服傅里叶分解方法(Fourier Decomposition Method,FDM)在分析调制信号及单独使用调制信号双谱(Modulated Signal Bispectrum,MSB)在分析非平稳信号方面的不足,提出了一种FDM和MSB相结合的滚动轴承故障诊断方法。首先,使用FDM按照高频到低频的方式搜寻傅里叶固有模态函数分量(Fourier Intrinsic band Functions,FIBFs);以加权峭度指标作为评判标准,对信号进行重构,确保得到最佳的信号;然后对新的信号利用MSB分析方法进行解调处理,最终通过复合切片谱实现故障特征频率的提取。最后,通过上述方法对模拟信号和滚动轴承外圈故障信号进行分析,其研究结果表明:该方法能够有效地提取故障特征频率,并且与常规双谱进行对比,验证所提方法的优越性。展开更多
文摘针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。
文摘在噪声干扰较强的环境下,为了克服傅里叶分解方法(Fourier Decomposition Method,FDM)在分析调制信号及单独使用调制信号双谱(Modulated Signal Bispectrum,MSB)在分析非平稳信号方面的不足,提出了一种FDM和MSB相结合的滚动轴承故障诊断方法。首先,使用FDM按照高频到低频的方式搜寻傅里叶固有模态函数分量(Fourier Intrinsic band Functions,FIBFs);以加权峭度指标作为评判标准,对信号进行重构,确保得到最佳的信号;然后对新的信号利用MSB分析方法进行解调处理,最终通过复合切片谱实现故障特征频率的提取。最后,通过上述方法对模拟信号和滚动轴承外圈故障信号进行分析,其研究结果表明:该方法能够有效地提取故障特征频率,并且与常规双谱进行对比,验证所提方法的优越性。
