针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题,这里提出了一种基于小波包变换(Wavelet Packet Transform,WPT)、主成分分析(Principal Component Analysis,PCA)与支持向量机(Support Vector Machine,SVM)相结合的滚动轴承故障程度诊断方法。该方法首先对原始信号进行小波包分解,然后对分解后的信号进行重构,计算重构信号能量作为特征值;随后,运用主成分分析对特征向量进行降维,将降维后的特征输入支持向量机,完成故障模型的训练与测试。这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响。实验结果表明此方法可以有效地识别不同故障位置的故障程度。

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。

针对YJ900运架一体机行走液压系统容易发生的内泄漏故障问题,运用AMESim软件建立其液压仿真模型。模型中引入泵泄漏、马达泄漏以及泵和马达同时存在泄漏3种典型故障模式,并采集液压马达进出口数据作为样本。将数据样本分为训练样本和测试样本,将训练样本输入MATLAB搭建BP神经网络故障诊断模型,并用测试样本完成故障模型的测试。主要研究神经元个数以及训练样本数对故障诊断成功率的影响。利用粒子群优化算法(PSO)对BP神经网络进行初始权重和偏置的优化,从而显著提高了少训练样本下的故障诊断成功率。