变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3000~7000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率...

针对乳化液泵配流阀弹簧故障识别难度大、故障特征提取困难等一系列问题,提出一种基于振动烈度的乳化液泵配流阀弹簧故障特征提取方法。基于AMESim软件搭建乳化液泵仿真模型,通过分别设置不同参数模拟吸、排液阀弹簧故障形式,得到正常和吸、排液阀弹簧故障状态下的出口压力信号;根据振动烈度理论,将泵出口压力信号转换成加速度信号,在频域上对出口压力信号进行烈度特征值的提取和分析。研究结果表明当吸、排液阀分别发生故障时,对出口压力烈度特征值的影响规律不同,随着吸液阀弹簧故障程度的加深,出口压力烈度特征值由正常时的15.82 mm/s2增大到20.58、28.18、34.85 mm/s2,且在断裂时达到最大值;随着排液阀弹簧故障程度的加深,出口压力烈度特征值由正常时的15.82 mm/s2减小到15.77、14.88、9.28 mm/s2,且在断裂时达到最小值。该结果可为后续乳化液...

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

在实际生产中,不同工况下的源域数据与目标域数据分布差异大且含标签的故障样本量少,单源域迁移故障诊断无法同时利用多个源域提供的诊断信息,会出现负迁移与模型泛化能力差的问题。针对此情况,提出一种基于多源域深度域自适应模型的滚动轴承故障诊断方法。将多个源域与目标域的原始一维时域信号输入到模型中的共享特征提取网络中,提取所有域的域不变特征;利用私有特征提取网络分别匹配每个源域与目标域的特征空间分布,结合最大均方差异(MMSD)与局部最大均值差异(LMMD)设计新型损失函数——局部最大均方差异(LMMSD),减小每对源域与目标域之间的数据特征分布差异,同时,使用领域判别器损失进一步增加域混淆;最后,根据LMMSD损失获得不同源域相对于目标域的权重,将多个源分类器与相应的权重相结合,对设备状态进行综合诊断。在2个公开变...

制动器启闭时间是表征提升设备液压制动器性能优劣最直观的特征参数,但在实际工程中不易直接提取。针对此问题,以液压制动系统为研究对象,通过分析制动器启闭压力数据特征,提出一种分段拟合的提取方法。此方法对制动器启闭压力上升或下降阶段的数据进行指数函数拟合,取稳定阶段数据的均值作此段拟合曲线,通过拟合曲线的交点坐标可以解出制动器的启闭时间;利用Simulink建立液压制动系统仿真模型,获取制动器启闭压力仿真数据,并结合实际测量数据对所提方法进行验证分析。研究结果表明基于此特征提取方法,所得启闭时间特征结果与理论特征值对比,误差可控制在3%以内;提取的实际启闭时间特征值在过渡段范围之内,验证了提取方法的有效性与实用性,可满足工程中对液压制动器特征参数提取的要求。

为提高液压缸内泄漏故障的诊断精度,实现智能故障诊断,以EHA液压系统为研究对象,基于距离区分技术对故障特征进行提取,以时域、频域、小波能量以及AR模型等参数为主要敏感特征,并通过机器学习算法以及BP神经网络算法对故障特征进行分类。结果表明,相较于BP神经算法,机器学习算法分类精度更高,能对液压缸内泄故障进行有效诊断。

单一信息呈现出模糊性和不完备性,无法准确评估液压泵的工作状态。为此,提出一种基于振动烈度理论的多传感器信息特征提取方法。通过物理量转换法将滤波后的泵出口流量信号和压力信号分别转换成速度信号和加速度信号;利用振动烈度的频域计算方法提取振动、流量和压力信号的烈度特征因子;以滑靴磨损故障为例分析烈度特征因子的敏感性,找出对故障反映敏感的烈度因子。本研究对于增加信息完备性和提高状态评估准确率具有重要意义。

电机定子电流信号可以反应电机拖动系统中的扭矩波动情况,然而负载波动的特征频率易被工频所湮没。针对这一问题,提出小波阈值去噪、EEMD和互相关分析相结合的方法,该方法首先对电流信号进行小波阈值去噪的预处理以提高信噪比,然后对信号进行EEMD分解,利用互相关系数确定重构信号的IMF层数,以抑制工频及其谐波并突出特征频率。将该方法用于转子系统正弦扭矩激励的特征频率提取上,结果表明该方法能够有效的抑制工频及其谐波的干扰并提取负载扭矩的特征频率。

针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,将量子理论引入到信息熵的计算中,提出一种全新的特征提取方法-非线性量子信息熵。根据量子理论的基本概念,建立了振动信号的多量子位系统;分析了将量子理论引入到信息熵中的可行性,进而提出了非线性量子信息熵基本原理,并对行星齿轮箱三种运行状态振动仿真信号的非线性量子信息熵进行了分析,说明了量子信息熵作为行星齿轮箱特征的可行性;最后以行星变速箱故障试验台采集到的五种状态信号为例,计算其非线性量子信息熵,并与时频熵和样本熵计算结果对比。结果表明,非线性线性量子信息熵能够有效的提取行星变速箱运行状态特征。

为充分利用多个同步采样的振动信号进行机械设备的故障诊断,提出了搭建多振动信号时频相干网络并提取其多分形特征的方法.首先,将每个振动信号作为一个节点,根据所关心的物理问题,按适当的方式将各个节点连接成网;其次,对网络中相邻的每对节点做交叉小波变换,得到时频相干谱,借助小波领袖来估计时频相干谱的多分形谱,用曲线拟合的方法来提取多分形谱的形态特征;最后,利用特征融合与维数约简方法,对已得到的所有特征进行融合和降维,从而得到整个网络的最终特征.该方法给出了一个提取多振动信号时频相干多分形特征的框架,并在某高射机枪自动机的裂纹故障诊断中取得了成功应用,具有广泛的适用范围。