齿轮点蚀的多通道数据融合识别方法
多源信息融合及其在齿轮泵故障诊断中的应用
式 为
“
（） １
式 中， ｎ为 受 磨 损 齿 面 的 个 数 ， 为 齿 轮 泵 的 转 动
Ｐ（ ， ２ … ， ＝ Ｈ Ｐ（ ｌ ＿’ ， ） ＝ ＸｌＸ ， Ｘ ） Ｘ ｌ… Ｘ１
树 分析 法 、 人工神 经 网络方 法 、 原理 推 测 推 理法 、 糊 模 数 学方 法相 结合 ， 实现 诊断 已有故 障 ， 同时将 可 以实现 在线监 测 、 预报未 知故 障 。
６ 结束语
验， 以便 在 以后 的工作 过 程 中更加 得 心 应 手 。现 场修 理装 备 的现代 化对我 国建 筑施 工水平 的提 高具有 重要 的意义 ， 同时 具有非 常可 观 的经 济效 益 。
频率。
１ ２ 侧 板磨 损 ．
示特征属性间的依赖关系， 没有有 向边连接表示特征 条件 独立 。
（ ）条件 概率 Ｐ。Ｐ表示任 意 结 点 同其 父结 点 的 ２ 条件 依赖 关系 ， 对于 离散 变量 ， 则它 表现 为给定 其父 结
点状态时该结点取不 同值的条件概率表。没有任何父 结 点 的节点 为其 先验 概率 】 。
齿 轮 泵轮齿 的啮合 面长 时间 承受 啮合 时的摩 擦 和 碰撞 ， 易产生 疲劳 点蚀 、 容 剥落 现象 。由磨损 或疲 劳破 坏造成 的齿 向误 差 与齿 形 误 差 ， 影 响 载荷 分 布 不 均 会 匀 和 传动 时产 生 冲击 ， 还会 产 生 由于 啮 合 不严 而 造 成 的 内泄漏 ， 重 时会使 高低 压 区产生 瞬 时贯通 ， 严 引起 较 大 的 流量波 动 。齿轮 泵 轴 承 转 动一 周 ， 磨 损 的齿 面 受 就 会 发生一 次碰撞 ， 生 的振动 频率 ｆ为 产 ｆ ｃ＝ｎ， ｆ
基于主成分分析的齿轮箱故障特征融合分析
基于主成分分析的齿轮箱故障特征融合分析古莹奎 杨子茜 朱繁泷江西理工大学,赣州,341000摘要:为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和B P 神经网络对诊断的准确率进行了分析㊂以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域㊁频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用B P 神经网络分类器进行结果的比较分析㊂结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短㊂关键词:齿轮箱;主成分分析;支持向量机;B P 神经网络;特征融合中图分类号:T H 132.41;T H 165.3 D O I :10.3969/j .i s s n .1004132X.2015.11.018G e a r b o xF a u l t F e a t u r eF u s i o nB a s e do nP r i n c i p a l C o m p o n e n tA n a l ys i s G uY i n g k u i Y a n g Z i x i Z h uF a n l o n gJ i a n g x iU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y ,G a n z h o u ,J i a n gx i ,341000A b s t r a c t :T o e f f e c t i v e l y r e d u c e t h e d i m e n s i o n o f g e a r b o x f a u l t f e a t u r e a n d i m p r o v e t h e a c c u r a c y o f d i a g n o s i s ,a f a u l t s i g n a l f e a t u r e f u s i o nm e t h o do f g e a r b o xw a s p r o p o s e db a s e do n p r i n c i p a l c o m p o n e n t a n a l y s i s ,a n d t h e s u p p o r tv e c t o rm a c h i n ea n dB Pn e u r a l n e t w o r kw e r eu s e dt oa n a l y z e t h ed i a gn o s i s a c c u r a c y.T h e 36f e a t u r e sw i t hd i f f e r e n t c r a c k g e a r s i n g e a r b o xw e r e s e l e c t e db a s e do n t i m e ‐d o m a i n ,f r e q u e n c y ‐d o m a i na n dH i l b e r t t r a n s f o r m ,w h i c hc o u l db e u s e d t o c h a r a c t e r i z e t h e f a u l t s t a t e s o f g e a r -b o x .T h e p r i nc i p a l c o m p o n e n t sw h i c hh a dm o r e t h a n 95%c u m u l a t i v e c o n t r i b u t i o n r a t ew e r e e x t r a c t ed a n d i n p u t i n t os u p p o r tve c t o r m a c h i n ec l a s s if i e r f o r i d e n t i f i c a t i o n .B Pn e u r a ln e t w o r kc l a s s i f i e rw a s u s e d f o r c o m p a r a t i v e a n a l y s i s o f t h e r e s u l t s .R e s u l t s s h o wt h a t a c o m b i n a t i o no f p r i n c i p a l c o m p o n e n t a n a l y s i s a n d s u p p o r t v e c t o rm a c h i n em e t h o d c a n r e d u c e t h e f e a t u r e d i m e n s i o n a n d c o m p u t a t i o n a l c o m -p l e x i t y ,c h a r a c t e r i z e t h e g e a r b o xr u n n i n g s t a t u se f f e c t i v e l y ,a n d i d e n t i f y th ed i f f e r e n t l e v e l so f g e a r c r a c k .T h e d i a g n o s i s a c c u r a c y i s h i g h e r a n d t h e t r a i n i n g t i m e i s s h o r t e r t h a n t h a t o f i n d i v i d u a l s u p p o r t v e c t o rm a c h i n e c l a s s i f i e r s .K e y wo r d s :g e a r b o x ;p r i n c i p a l c o m p o n e n t a n a l y s i s ;s u p p o r t v e c t o rm a c h i n e ;B Pn e u r a l n e t w o r k ;f e a t u r e f u s i o n收稿日期:20140711基金项目:国家自然科学基金资助项目(61164009,61463021);江西省教育厅科学技术研究资助项目(G J J 14420);江西省自然科学基金资助项目(20132B A B 206026)0 引言实现设备运行状态分析与故障诊断的必要前提是从振动信号中提取能够有效表征设备运行状态的特征,并在一定框架下对其进行选择,删除冗余,对所选特征进行深入分析,从而提高状态识别与故障诊断的准确率[1]㊂因而,如何尽可能多且准确地从信号中获取与设备状况相关的信息是基于振动信号进行故障诊断的关键㊂在故障诊断中,对任何一类诊断对象,单用一方面的信息来反映其状态行为都是不完整的㊂为对设备做出更准确㊁更全面的状态评估,需要从不同角度获取更多能够表征其运行状态的信息㊂但是,随着信息量的增加,如何充分地融合筛选信息并加以高效利用也成为急需解决的问题之一㊂当前,神经网络[2]㊁证据理论[3‐4]㊁互信息[5‐6]㊁支持向量机[7‐8]㊁遗传算法[9]和粗糙集[10]等已被应用到故障诊断中㊂本文以齿轮箱为研究对象,将基于主成分分析(p r i n c i p a l c o m p o n e n t a n a l y s i s ,P C A )的特征级融合引入旋转机械的故障诊断㊂利用主成分分析法可以有效融合去除冗余信息的优点,实现故障特征的降维,并结合支持向量机(s u p po r tv e c t o r m a c h i n e ,S VM )分类器良好的分类性能,准确地识别不同裂纹齿轮,有效地克服由于复杂工况对故障诊断工作带来的干扰㊂1 主成分分析法主成分分析法是一种分析㊁简化数据的方法,㊃2351㊃中国机械工程第26卷第11期2015年6月上半月Copyright ©博看网. All Rights Reserved.该方法通过线性变换将问题从高维转化到低维,保留低阶主成分,删除高阶成分达到降低数据集维数的目的;通过降维将原本复杂的多维数据转换成简单㊁直观且不相关的低维数据,有效降低数据分析的难度和复杂程度[11]㊂将机械振动信号用模式向量矩阵表示为X =[x 1 x 2 x n ],其中第k 列为x k =[x 1k x 2k x n k ]T,x k 表示设备的某一状态,其协方差矩阵为R x =∑nk =1(x k-x )(x k -x )T式中,n 为训练样本的数量;x =1n ∑nk =1x k 为样本模式向量的均值㊂求矩阵R x 的特征值以及特征向量,将特征值λi (i =1,2, ,n )进行排序:λ1>λ2> >λn ㊂各特征值对应的特征向量为v i (i =1,2, ,n )㊂将样本x j 投影到特征向量vi ,得到该方法所对应的主成分量:y i j =v Ti(x j -x )所求特征向量构成n 维正交空间,将X 投影到该空间即可得到对应的n 维主成分量㊂重构时特征向量的贡献率与其所对应的特征值大小成正比㊂设正交空间中前k 个主成分量为y 1,y2, ,yk ,其累计贡献率为θ=∑ki =1λi∑n j =1λj θ的取值通常在95%以上,即k (k <n )个主元包含原始数据95%以上的信息,可用k 个主元表征原始信息,从而实现了对n 维原始数据降至k维的目的㊂2 齿轮箱特征定义及其分类选取以下齿轮箱的36种特征参数进行分析㊂(1)时域特征参数㊂共有16个,即平均值㊁均方根标准差㊁方根幅值㊁绝对平均值㊁偏斜度㊁峭度㊁方差㊁最大值㊁最小值㊁峰峰值㊁波形指标㊁峰值指标㊁脉冲指标㊁裕度指标㊁偏斜度指标㊁峭度指标,依次编为1~16㊂(2)频域特征参数㊂共有13个,见表1,依次编为17~29㊂表1中,X (n )为离散信号序列,数据长度为N ,f (n )为n 时刻功率频对应的频率值[12‐13]㊂表1 齿轮箱频域故障特征名称及定义编号特征名称特征定义17均值频率X m f =1N ∑Nn =1X (n )18特征2X s t =∑Nn =1(X (n )-X m f )2∑Nn =1X (n )19特征3X 3=∑Nn =1(X (n )-X m f )3∑Nn =1X (n )X 3s t20特征4X 4=∑Nn =1(X (n )-X m f )4∑Nn =1X (n )X 2s t 21中值频率X f c =∑Nn =1(f (n )X (n ))∑Nn =1X (n )22标准偏差X s t d f =∑Nn =1((f (n )-X f c )2X (n ))∑Nn =1X (n )23均方根频率X r m s f =∑Nn =1(f (n )2X (n ))∑Nn =1X (n )24特征8X 8=∑Nn =1(f (n )4X (n ))∑Nn =1(f (n )2X (n ))25特征9X 9=∑Nn =1(f (n )2X (n ))∑Nn =1f (n )∑Nn =1(f (n )4X (n ))26特征10X 10=∑Nn =1((f (n )-X f c )2X (n ))∑Nn =1(f (n )X (n ))27特征11X 11=∑Nn =1((f (n )-X f c )3X (n ))X 3s t d f ∑Nn =1X (n)28特征12X 12=∑Nn =1((f (n )-X f c )4X (n ))X 4s t d f∑Nn =1X (n )29特征13X 13=∑Nn =1((|f (n )-X f c |)X (n ))X s t d f ∑Nn =1X (n ) (3)基于希尔伯特变换的特殊特征参数㊂将齿轮箱振动信号通过希尔伯特变换和傅里叶变换㊃3351㊃基于主成分分析的齿轮箱故障特征融合分析古莹奎 杨子茜 朱繁泷Copyright ©博看网. All Rights Reserved.并进行预处理,得到残余和差异信号以及频谱,按表2中公式求得30~36号特征㊂表2中,d(k)为样本离散信号序列,数据长度为N,r(k)为残差信号,e(k)=|b(t)+i H(b(t))|,b(t)为齿轮啮合频率的带通滤波,H[b(t)]表示对b(t)进行希尔伯特变换[14],其他参数符号意义见文献[14]㊂表2 齿轮箱特殊故障特征名称及定义编号特征名称特征定义30F M0F M0=m a x(d(k))-m i n(d(k))∑N i=1R MC i31F M4F M4=N∑N k=1(d(k)-d(k))4 [∑N k=1(d(k)-d(k))2]232F M6F M6=1N∑N k=1(d(k)-d(k))6 [1N∑N k=1(d(k)-d(k))2]333N A4N A4=1N∑N k=1(r(k)-r(k))4 [1M∑M j=11N∑N k=1(r j(k)-r j(k))2]234N B4N B4=1N∑N k=1(e(k)-e(k))4 [1M∑M j=11N∑N k=1(e j(k)-e j(k))2]235E R E R=1N∑N k=1d(k)2 1N∑N k=1d'(k)236E O P E O P=N∑N k=1(r(k)e(k)-r(k)e(k))4 [∑N k=1(r(k)e(k)-r(k)e(k))2]23 齿轮箱振动试验分析如图1所示,实验设备包括一台2.2k W的驱动电机,与之连接的速度调节器控制其转速㊂电磁制动器与齿轮箱输出端相连,通过制动调节器模拟不同的负载㊂齿轮箱内部结构如图2所示,齿轮3为测试齿轮,通过更换齿轮3可以测得不同裂纹的齿轮箱振动信号㊂实验参数见表3,f1为轴1和齿轮1的旋转频率,f2为轴2和齿轮2及齿轮3的旋转频率,f3为轴3和齿轮4的旋转频率,f12为齿轮1和齿轮2的啮合频率,f34为齿轮3和齿轮4的啮合频率㊂齿轮箱中各个齿轮的齿数㊁数量和故障齿轮状态见表4㊂图1 实验设备结构图图2 齿轮箱内部结构图表3 齿轮箱旋转频率和齿轮啮合频率H z 驱动电机f1f12f2f34f3307.14114.292.3857.141.43409.52152.383.1776.191.90表4 实验齿轮箱中齿轮描述齿轮齿轮齿数实验状态数量148正常1216正常1测试齿轮324正常125%裂痕150%裂痕175%裂痕1100%裂痕1断齿1 440正常1通过改变驱动电机转速和齿轮箱负载来模拟齿轮箱运行的不同工况,记录各工况下的振动信号㊂本次实验包括以下12种实验条件:①两种不同转速,即驱动电机旋转频率为30H z和40H z;②两种不同程度负载,0表示无负载,h表示50%满负载;③三种齿轮裂痕故障,分别为正常㊁25%裂纹㊁50%裂纹,分别用0Q㊁1Q㊁2Q表示㊂由于垂直方向上的振动信号对齿轮裂纹较为敏感,故只对垂直方向的信号进行研究㊂采样频率为2560H z,数据长度N=8192,每种实验工况条件下取10组数据,共120组数据㊂对每组信号分别提取以上36种特征,求得120×36的特征全集矩阵㊂将120组样本进行整理编号,见表5㊂㊃4351㊃中国机械工程第26卷第11期2015年6月上半月Copyright©博看网. All Rights Reserved.表5 120个样本的故障类型及工况描述故障类别样本序号工况(负载/转速)故障类别样本序号工况(负载/转速)故障类别样本序号工况(负载/转速)无裂痕(0Q )1~1(0㊁30H z)11~20(0㊁40H z)21~30(h ㊁30H z)31~40(h ㊁40H z )25%裂痕(1Q )41~50(0㊁30H z)51~60(0㊁40H z)61~70(h ㊁30H z)71~80(h ㊁40H z )50%裂痕(2Q )81~90(0㊁30H z)91~100(0㊁40H z)101~110(h ㊁30H z)111~120(h ㊁40H z ) 由于每个特征参数表征的物理意义各不相同,参数间尺度大小不一,不同参数对不同齿轮裂痕状态的表征各不相同㊁规律不一,为了使参数在评价时更具参考意义,对每个参数进行归一化处理,如图3所示㊂图3 齿轮箱实验提取的36种特征数据描述(已归一化)4 基于P C A 的齿轮箱故障特征融合分析将齿轮箱36种特征直接进行P C A 融合,提取累积贡献率在95%以上的7个主成分,如图4所示㊂将融合结果输入到支持向量机中进行分类,为避免结果的偶然性,同时用B P 神经网络分类器进行结果比较㊂图4 累积贡献率达95%的7个主成分从图4中可以看出,前7个主成分累积贡献率为95.3148%,其中主成分1在贡献率中所占比列明显高于其他主成分,其值为52.3229%㊂经过P C A 的特征融合,原36维特征降至7维,特征维数降低80%,在压缩信息量和降低特征维数上取得的效果非常显著㊂图5为利用P C A 方法融合后的前7个主成分特征波形图㊂每40个样本为一种裂纹状态下的齿轮,不同程度的裂纹齿轮有4种不同的工况,每种工况有10个样本㊂图5 前7个主成分随样本变化趋势图图6为P C A 融合后齿轮箱主成分1的特征波形图,图中样本数量从80到120区间为50%裂纹的齿轮箱振动信号样本,该区间内主成分的变化趋势呈明显的阶梯形,且没有明显的波峰波谷,这与50%裂纹齿轮箱的4种工况完全吻合㊂图6 齿轮箱主成分1特征波形图基于融合后前3个主成分绘制的样本分布三维图见图7㊂通过这前3个主成分特征表征3种不同状态的齿轮,每种状态对应4种不同的工况㊂主成分1在其他程度裂纹样本中(样本1到80)变化也基本与工况的变化相吻合,但有几处较为明显的波峰波谷,如图6中圆圈所示㊂圆圈1所示为正常状态齿轮在旋转频率30H z㊁负载为0的样本,开始出现了一个明显的波峰,但马上回落㊃5351㊃基于主成分分析的齿轮箱故障特征融合分析古莹奎 杨子茜 朱繁泷Copyright ©博看网. All Rights Reserved.图7 齿轮箱P C A+S V M方案前3个主成分的样本分布图并保持稳定,初步认为出现这一现象的原因是实验设备在开始收集信号时,设备运行初期没有进入正常的工作状态,导致振动信号出现异常,该异常对最终故障分类工作的影响较小㊂圆圈2在样本10到20区间内,波谷持续时间较长,该状况在图7中表现为:正常状态下部分样本分布较为凌乱,与其他裂纹样本出现了重叠的情况,这对故障识别的准确率存在一定的影响㊂圆圈3处出现了一个异常波峰,这一现象对故障识别的准确率的影响较小,此处波峰在图7中表现为:极少数25%裂纹的样本脱离了密集集中区域㊂从图7中可以看出:(1)通过前3个主成分特征基本可以表征3种不同状态的齿轮㊂不同状态的齿轮样本区分度较为明显且集中度高,只有正常齿轮在负载为0㊁旋转频率为40H z工况下样本和25%裂纹齿轮在负载为0㊁旋转频率为40H z工况下的样本较难区分,如图7圆圈所示㊂ (2)每种状态下的齿轮箱有4种不同的工况,分别对应两种不同的负载和两种不同的转速㊂25%和50%裂痕的样本在4种不同工况下的样本分布不但区分度高而且非常集中㊂图7中的问题在于正常齿轮在不同工况下的样本分布较为零散㊂针对以上问题,经分析,原因有以下几点:(1)正常状态下振动信号随工况的变化而变化的程度不明显,且对转速30H z变化到40H z 时不敏感,导致旋转频率为30H z和40H z样本在三维图中的分布较为模糊,如图7圆圈所示㊂同时也看到,齿轮箱在不同负载下的正常样本还是能保持较高的区分度㊂(2)正常状态下工况1(负载0㊁旋转频率30H z)与工况4(负载h㊁旋转频率40H z)区分度很高且分布密集,但是工况2(负载0㊁旋转频率40H z)与工况3(负载h㊁旋转频率30H z)的样本区分度不高㊂可能原因是同一状态下且工况变化幅度不大的情况下,提取的部分特征变化趋势有一定的相似性,导致高速低载和低速高载两种工况下齿轮箱振动信号表征出现了一定的相似性㊂(3)正常状态与25%状态的振动信号相似度较高,这也是早期故障检测的难点,且图7的绘制仅参考贡献率前3的主成分,其累计贡献率为81.1271%,含有原特征集合的故障信息量不高,也是导致上图中出现部分样本难以区分的原因㊂P C A融合前后的故障诊断准确率见表6㊂表6 P C A融合前后的故障诊断准确率S VM P C A+S VM B P神经网络P C A+B P神经网络准确率(%)时间(s)准确率(%)时间(s)准确率(%)时间(s)准确率(%)时间(s)正常84.56480.150689.56480.061780.60130.711985.49020.4202 25%裂纹89.23760.142995.16540.062482.52030.723089.21480.4211 50%裂纹89.09180.145194.94520.061281.91780.728188.12710.4192平均/合计87.63140.438693.22510.185381.67982.163087.61071.2605由表6可知,特征全集经过P C A融合后特征维数大幅降低,但并没有影响分类器的准确率,相反地,融合之后冗余特征减少使得准确率有小幅的增长㊂在分类器运行时间上,融合后的运行时间缩短幅度非常大,这说明简单有效的特征集显著减小了分类器的计算量㊂5 结束语针对机械振动信号的复杂性,采用主成分分析实现旋转机械振动信号的特征降维,提取旋转机械运行状态特征参数的主成分,通过S VM和B P神经网络两种分类器实现故障诊断㊂齿轮箱实验的结果显示,采用P C A+S VM的方法,既能降低特征维数减少计算的复杂性,又能有效地表征旋转机械的运行状态,比单独使用S VM分类器的方法诊断准确率更高,训练时间更短㊂通过删除冗余特征和融合的方法极大地压缩了信息量,提高了故障诊断准确率㊂㊃6351㊃中国机械工程第26卷第11期2015年6月上半月Copyright©博看网. All Rights Reserved.参考文献:[1] 徐晓滨,王玉成,文成林.评估诊断证据可靠性的信息融合故障诊断方法[J].控制理论与应用, 2011,28(4):504‐510.X uX i a o b i n,W a n g Y u c h e n g,W e nC h e n g l i n.I n f o r-m a t i o n‐f u s i o n M e t h o d f o rF a u l tD i a g n o s i sB a s e do nR e l i a b i l i t y E v a l u a t i o no fE v i d e n c e[J].C o n t r o lT h e-o r y&A p p l i c a t i o n s,2011,28(4):504‐510. [2] 周洪煜,张振华,陈晓锋.中速直吹磨组径向基函数神经网络信息融合模糊启动控制[J].中国电机工程学报,2011,31(11):119‐127.Z h o uH o n g y u,Z h a n g Z h e n h u a,C h e nX i a o f e n g.R a-d i a l B a s i sF u n c t i o nNe u r a lN e t w o r k‐d a t aF u s i o n a n dF u z z y C o n t r o ld u r i n g D i r e c t‐f i r i n g M e d i u m‐s p e e dM i l l’s S t a r t‐u p[J].P r o c e e d i n g so ft h e C S E E, 2011,31(11):119‐127.[3] O t m a nB,Y u a nX H.E n g i n e F a u l t D i a g n o s i s B a s e do n M u l t i‐s e n s o rI n f o r m a t i o n F u s i o n U s i n g D e m p-s t e r‐s h a f e rE v i d e n c e T h e o r y[J].I n f o r m a t i o n F u-s i o n,2007,8(4):379‐386.[4] 王奉涛,马孝江,朱泓,等.基于D e m p s t e r‐S h a f e r证据理论的信息融合在设备故障诊断中应用[J].大连理工大学学报,2003,43(4):470‐474.W a n g F e n g t a o,M a X i a o j i a n g,Z h u H o n g,e ta l.R e s e a r c h o n F a u l t D i a g n o s i s M e t h o d B a s e d o nD e m p s t e r‐S h a f e rE v i d e n t i a lT h e o r y[J].J o u r n a lo fD a l i a n U n i v e r s i t y o f T e c h n o l o g y,2003,43(4):470‐474.[5] 李冰,张培林,任国全,等.基于互信息的滚动轴承故障特征选择方法[J].测试技术学报,2009,23(2):183‐188.L i B i n g,Z h a n g P e i l i n,R e n G u o q u a n,e ta l.F e a-t u r e sS e l e c t i o nf o rR o l l i n g B e a r i n g F a u l tD i a g n o s i sB a s e do n M u t u a l I n f o r m a t i o n[J].J o u r n a lo fT e s ta n d M e a s u r e m e n tT e c h n o l o g y,2009,23(2):183‐188.[6] P e n g H,L o n g F,D i n g C.F e a t u r eS e l e c t i o nB a s e do n M u t u a l I n f o r m a t i o n:C r i t e r i ao fM a x‐d e p e n d e n-c y,M a x‐r e l e v a n c ea nd M i n‐re d u n d a n c y[J].I E E ET r a n s a c t i o n so nP a t t e r n A n a l y s i sa n d M a c h i n eI n-t e l l i g e n c e,2005,27(8):1226‐1238.[7] N i uG,Y a n g BS.I n t e l l i g e n tC o n d i t i o n M o n i t o r i n ga n dP r o g n o s t i c sS y s t e mB a s e do nD a t a‐f u s i o nS t r a t-e g y[J].E x p e r tS y s t e m sw i t h A p p l i c a t i o n s,2010,37(12):8831‐8840.[8] 蒋玲莉,刘义伦,李学军,等.基于S VM与多振动信息融合的齿轮故障诊断[J].中南大学学报(自然科学版),2010,41(6):2184‐2188.J i a n g L i n g l i,L i u Y i l u n,L i X u e j u n,e ta l.G e a rF a u l tD i a g n o s i sB a s e d o nS VMa n dM u l t i‐s e n s o r I n-f o r m a t i o nF u s i o n[J].J o u r n a l o f C e n t r a l S o u t hU n i-v e r s i t y(S c i e n c ea n d T e c h n o l o g y),2010,41(6): 2184‐2188.[9] 刘晓平,郑海起,祝天宇.基于进化蒙特卡洛方法的特征选择在机械故障诊断中的应用[J].振动与冲击,2011,30(10):98‐101.L i uX i a o p i n g,Z h e n g H a i q i,Z h u T i a n y u.F e a t u r eS e l e c t i o n i n M a c h i n eF a u l tD i a g n o s i sB a s e do nE v o-l u t i o n a r y M o n t eC a r l o M e t h o d[J].J o u r n a lo fV i-b r a t i o na n dS h oc k,2011,30(10):98‐101.[10] Z h a o X i a o m i n.D a t a‐d r i v e nF a u l tD e t e c t i o n,I s o l a-t i o n a n d I d e n t i f i c a t i o n o f R o t a t i n g M a c h i n e r y:w i t hA p p l i c a t i o n s t oP u m p sa n dG e a r b o x e s[D].E d m-o n t o n:U n i v e r s i t y o fA l b e r t a,2012. [11] J o l l i f f eIT.P r i n c i p a lC o m p o n e n tA n a l y s i s[M].N e w Y o r k:S p r i n g e r‐V e r l a g,2002.[12] A b u‐M a h f o u z IA.A C o m p a r a t i v eS t u d y o fT h r e eA r t i f i c i a lN e u r a lN e t w o r k sf o rt h e D e t e c t i o na n dC l a s s i f i c a t i o n o f G e a r F a u l t s[J].I n t e r n a t i o n a lJ o u r n a l o fG e n e r a lS y s t e m s,2005,34(3):261‐277.[13] L e iY G,H eZJ,Z iY Y.F a u l tD i a g n o s i so fR o-t a t i n g M a c h i n e r y B a s e do n M u l t i p l eA N F I SC o m-b i n a t i o n w i t h G A s[J].M ec h a n i c a lS y s t e m sa n dS i g n a l P r o c e s s i n g,2007,21(5):2280‐2294.[14] L e iYG,Z u oMJ.G e a r C r a c kL e v e l I d e n t i f i c a t i o nB a s e do n W e i g h t e dK N e a r e s tN e i g h b o rC l a s s i f i c a-t i o nA l g o r i t h m[J].M e c h a n i c a lS y s t e m sa n dS i g-n a l P r o c e s s i n g,2009,23(5):1535‐1547.(编辑 袁兴玲)作者简介:古莹奎,男,1976年生㊂江西理工大学机电工程学院教授㊁博士㊂主要研究方向为机械装备可靠性与健康管理㊂发表论文40余篇㊂杨子茜,女,1991年生㊂江西理工大学机电工程学院硕士研究生㊂朱繁泷,男,1989年生㊂江西理工大学机电工程学院硕士研究生㊂㊃7351㊃基于主成分分析的齿轮箱故障特征融合分析 古莹奎 杨子茜 朱繁泷Copyright©博看网. All Rights Reserved.。
基于Hilbert解调及倒谱的齿轮箱点蚀故障诊断研究
王 聪
（ 北 电 力 大学 能 源 动 力 与 机 械 工程 学 院 ，河 北 保 定 ０ １０ ） 华 ７ ０ ３ 摘 要 ：将 Ｈｌｅｔ 调 和 倒谱 分 析 方 法 结合 起 来 对齿 轮 箱 点 蚀 故 障 进 行 了诊 断研 究 。首 先 介 绍 了 Ｈ ｌｅ 解 ｉ ｒ解 ｂ ｉ ｒ ｂｔ
１ ｃｓ２ｒｔ 分 ｆ） 磨 损 、点蚀 剥 落 、断 齿 等 齿 轮箱 典 型 故 障 ，然 后 Ａ ［ ＋ｍ ｏ（１ｒ ］ 离 出 来 。 变换 为 以齿 轮点蚀故 障 为例进行 了实 例验证 。
冕ｔ＝ １ （ ） Ａ ［ ＋ｍｃｓ ２ ｆｔ ］Ｏ （ ￣ ｍ ＋ ｏ （ ￣ ， ＣＳ２ｒ ｔ ） （ ） ） ｆ ４
第 ３期
王
聪 基于 Ｈｉ ｅ 解 调及 倒谱的齿轮箱点蚀故 障诊 断研究 ｌｒ ｂｔ
３ ７
幅值
当对多 段平 均 的功 率 谱 取 对 数 后 ，功 率谱 中 与 调 权 系数 而放 大 ，所 以 当调 制 边 频 的 幅值 不 大 或 者
ｂ 倒 谱分 析 等 。但 这 些 方 法 都 具 有 一 定 的局 限性 ， １ １ Ｈ ｌｅｔ ． ｉ ｒ 解调 原理 假设齿 轮 啮合振 动的载 波信 号为 如单独 用 同周 期 相 加平 均 方 法 在 分析 一 根 轴 上 有
齿轮故障诊断方法综述
齿轮故障诊断方法综述摘要齿轮是机械设备中常用的部件，而齿轮传动也是机械传动中最常见的方式之一。
在许多情况下,齿轮故障又是导致设备失效的主要原因.因此对齿轮进行故障诊断具有非常重要的意义。
介绍了故障的特点和几种诊断方法,并比较了基于粒子群优化的小波神经网络,基于相关分析与小波变换,基于小波包和BP神经网络和基于小波分析等故障诊断方法的优缺点，并提出了齿轮故障诊断的难点和发展方向。
关键字齿轮故障诊断诊断方法分析比较发展目录第一章齿轮故障诊断发展及故障特点 (1)1.1 齿轮故障诊断的发展 (1)1. 2齿轮故障形式与震动特征 (1)第二章齿轮传动故障诊断的方法 (2)2. 1高阶谱分析 (2)2。
1。
1参数化双谱估计的原理 (3)2.1.2试验装置与信号获取 (3)2。
1.3 故障诊断 (4)2.1.4应用双谱分析识别齿轮故障 (5)2.2基于边频分析的齿轮故障诊断 (6)2.2.1分析原理 (6)2。
2.2铣床振动测试 (6)2。
2。
3边频带分析 (8)2。
2.4故障诊断 (9)2. 3时域分析 (10)2.3。
1时域指标 (10)2。
3。
2非线性时间分析 (11)第一章齿轮故障诊断发展及故障特点1。
1 齿轮故障诊断的发展齿轮故障诊断始于七十年代初，早期的齿轮故障诊断仅限于在旋转式机械上测量一些简单的振动参数,用一些简单的方法进行诊断.这些简单的参数和诊断方法对齿轮故障诊断反应灵敏度较低，根本无法准确判断发生故障的部位。
七十年代末到八十年代中期，旋转式机械中齿轮故障诊断的频域法发展很快，其中R.B。
Randall和James1.Taylor等人做好了许多有益的工作，积累了不少故障诊断的成功实例，出现了一些较好的频域分析方法,对齿轮磨损和齿根断裂等故障诊断较为成功。
进入九十年代以后，神经网络、模糊推理和网络技术的发展和融合使得齿轮系统故障诊断进入了蓬勃发展的时期。
我国学者在齿轮故障诊断研究方面也做了大量工作。
基于MUDW的多测点齿轮故障信号融合处理
第21卷第4期空军工程大学学报(自然科学版)Vol21No.4 2020年8月JOURNAL OF AIR FORCE ENGINEERING UNIVERSITY(NATURAL SCIENCE EDITION)Aug.2020基于MUDW的多测点齿轮故障信号融合处理仝蕊12,康建设2,李宝晨2,陈疆萍3(1.93507部队，石家庄，050027；2.陆军工程大学石家庄校区，石家庄，050003； 3.93601部队，山西大同，037006)摘要针对传统齿轮故障信号处理中，对单一信号进行处理造成的敏感特征信息遗失问题，提出形态非抽样小波(MUDW)的多测点齿轮故障振动信号融合预处理方法，以充分利用各信号所蕴含的特征信息，减少噪声及干扰成分的影响。
该方法首先应用时域同步平均(TSA)对各通道信号进行预处理；然后，根据形态非抽样小波的基础框架将信号分解，并采用相关峭度(CK)和加权运算的方式，表征各分解层近似信号对故障特征的贡献量，提高有用近似信号的比重；在此基础上，建立融合准则将各分解层信号进行融合，改善重构信号的特征信息；最后，齿轮裂纹故障实验证明：该方法能够较好地抑制噪声，明显突出故障齿轮啮合频率及其倍频，融合效果理想。
关键词信号预处理；多测点信息融合；形态非抽样小波分解；相关峭度；加权融合DOI10.3969/j.issn.1009-3516.2020.04.002中图分类号TH212；TH213.3文献标志码A文章编号10093516(2020)04000708Fusion of Gear Fault Signal Processing Based on MUDW Multi-Points InformationTONG Rui1'2，KANG Jianshe2，LI Baochen2，CHEN Jiangping3(1.Unit93507，Shijiazhuang050027，China； 2.Shijiazhuang Campus of PLA Army EngineeringUniversity，Shijiazhuang050003，China； 3.Unit93601，Datong037006，Shanxi，China)Abstract Aimed at the problems that in the traditional gear fault signal p rocessing，the sensitive characteristic information is easily lost in the process of the single signal processing，a formal sampling wavelet (MUDW)fusionpretreatmentmethodofmultipointgearfaultvibrationsignalisproposedtomakefu l use ofthecharacteristicinformationofeachsignalcontainedtoreducetheinfluenceofnoiseandinterference elements'Firstofa l$eachchannelsignalispreprocessedbyusingthetimesynchronousaverage(TSA)$ andthenthemorphologicalun-decimatedwaveletframeworksignalsaredecomposed$andeachdecomposi-tion level approximate signals contribution to the fault is characterized to raise the proportion of useful ap-proximaKionsignalsbyadopingKhecorrelaKedkurKosis(CK)andKheweighKedoperaKionform.OnKheba-sisofKhis$eachdecomposiKionlevelsignalisfusedbyKheesKablishedfusionrule$improvingKherecon-sKrucKedsignalcharacKerisicinformaion.Fina l y$KheexperimenKofgearcrackfaul showsKhaKKhemeKhodcan restrain noise well，and the meshing frequency and its double frequency are prominent.The fusion effect is ideal. Keyw)rds sDgnalpreprocessDng；mult-poDntDnformatDonfusDon；morphologDcalun-decDmatedwaveletde-composDtDon；correlatedkurtosDs；weDghtedfusDon收稿日期：2018-12-17作者简介：仝蕊(1985-)，女，河北行唐人，工程师，博士，主要从事装备故障诊断与预测研究％E-mail:*************通信作者：康建设(1964-)，男，河北正定人，教授，博士生导师，主要从事可靠性分析、装备维修保障研究。
齿轮点蚀的多通道数据融合识别方法
齿轮点蚀的多通道数据融合识别方法
渐进式齿轮点蚀是一种重要的多通道数据融合识别方法，能够有效地结合多视角和多
信息源数据，是许多多通道数据融合应用的重要基础。
本文首先详细介绍了渐进齿轮点蚀
的概念，然后结合多通道数据融合识别的需求，建立了一个多通道数据融合识别的模型。
接着，根据模型的结构，采用渐进蚀变换方法，以实现多通道信号融合，采用改进的模糊
C均值聚类，对所有多源数据进行聚类，获得结果向量集。
最后，为了更好地应用多通道
数据融合识别方法，利用算法建立数据流模型，实现数据的可视化和分类，实现多通道数
据的有效融合和识别。
渐进式齿轮点蚀实现多通道数据融合的优势在于，它是一种相对稳定的数据融合方法，可以有效地解决共模和噪声污染问题，同时，可以很好地融合多源信号，减少按实际情况
尽可能融合各个信号源。
此外，多模态数据融合和识别算法采用算法流程可视化实现，可
以很好地结合数据模型，提高算法的运行效率。
总之，渐进式齿轮点蚀的多通道数据融合
识别方法，是一种综合性很强的工具，可以有效解决许多重要多通道数据融合应用中的问题，它可以有效地提高识别效率和准确率。
考虑截齿损耗的多传感信息融合煤岩界面感知识别
如何实现煤岩界面的预先、精准识别是阻碍综采 工作面快速、高效开采的瓶颈问题。近年来，随着我 国煤炭开采环境、工况趋于复杂,采煤工作面经常出 现随机走向的岩石断层,传统的轨迹跟踪记忆截割方 法已无法满足煤岩走向突变工况的智能化开采。鉴 于目前现有的矿山机械装备及开采技术水平,对煤岩 界面的精准识别及智能化、无人化开采的迫切需求日 益突出:①采煤机截割硬岩，势必造成滚筒负载和截 割能耗增大、截齿磨损损耗加剧,降低采煤机的截割 效率和开采进度，同时，截割硬岩过程中产生的剧烈 振动和冲击严重影响采煤机整机的稳定性“切；②采 煤机截割岩层会导致原煤中大量夹杂肝石，造成后续 煤、肝分选工作量加剧以及原煤热值的降低⑷；③截 齿截割硬岩过程中产生的火花和瞬时高温易引发煤 尘或瓦斯爆炸，严重威胁工作人员的生命安全和财产 安全H。
第46卷第6期 2021年 6月
媒矿机电昌槽俺化
煤炭学报 JOURNAL OF CHINA COAL SOCIETY
Vol. 46 No. 6 Jun. 2021
考虑截齿损耗的多传感信息融合煤岩界面感知识别
■駅,黄梦虬高兴字，卢士柑,张强2
(1.桂林电子科技大学机电工程学院，广西桂林541004 ； 2.山东科技大学机械电子工程学院，山东青岛266590)
1996
煤炭学掖ห้องสมุดไป่ตู้
2021年第46卷
cording to the fuzzy characteristics of each feature signal between adjacent coal cutting proportions, the membership function of each feature signal is optimized by adaptive weight particle swarm optimization to obtain a minimum fuzzy entropy. Moreover,an "AND" decision criteria based on Dempster-Shafer (D-S) theory is constructed to realize the accurate recognition of coal-rock interface. Finally, the matching relation between the reliability values of the recog nized coal cutting proportions and the actual coal-rock proportion is determined by analyzing the distribution and trend of the reliability values,which is capable to further optimize the coal-rock trajectory based on the reliability values of the recognition results. According to the experimental results, the following conclusions are obtained:① The wear de gree of picks has a significant effect on the cutting feature signals of coal and rock, and the optimal membership func tions change dynamically with different pick wear degrees.② The recognition results of coal-rock interface approach the coal cutting proportion with a maximum reliability, and have a certain tendency to the coal cutting proportion with second largest reliability.③ While the membership calculation and fiision recognition are carried out based on single optimization membership function ,the recognition accuracy of coal-rock interface decreases gready with the increase of pick wear degree, and the maximum decline reaches 43. 04%.④ The multi-sensor information fusion recognition mod el ,considering the pick wear, overcomes the influence of pick wear on signals * error. Higher recognition accuracy is achieved by the pro-posed method for coal-rock interface, and the error is within 1. 54%. Key words:coal-rock recognition ；pick loss；fuzzy entropy ；particle swarm optimization ； D-S theory
一种基于视觉Transformer的齿轮点蚀测量方法[发明专利]
![一种基于视觉Transformer的齿轮点蚀测量方法[发明专利]](https://img.taocdn.com/s3/m/e295fe7e3a3567ec102de2bd960590c69fc3d850.png)
专利名称：一种基于视觉Transformer的齿轮点蚀测量方法专利类型：发明专利
发明人：秦毅,王四军,奚德君
申请号：CN202111397416.8
申请日：20211123
公开号：CN114066870A
公开日：
20220218
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于视觉Transformer的齿轮点蚀测量方法，包括以下步骤：S1：改进齿轮接触疲劳试验台，获取齿轮点蚀图像；S2：图像分辨率统一并进行预处理；S3：制作图像分割标签并划分数据集；S4：将Transformer与CNN结合，利用残差连接和扩张卷积等方法构建UsViT网络；S5：将训练集输入到UsViT网络中，利用多分类交叉熵损失函数对UsViT网络进行迭代更新训练；S6：构建点蚀面积率相对误差评价指标；S7：将测试集输入到训练好的UsViT网络中，分割齿轮有效齿面和点蚀区域，得到点蚀面积率，对齿轮健康状态做出评估。
本发明能够有效提高齿轮点蚀图像的分割精度，并较好地应用于齿轮点蚀面积率的计算，从而解决了齿轮接触疲劳试验中高效准确检测齿轮失效的难题。
申请人：重庆大学
地址：400044 重庆市沙坪坝区沙正街174号
国籍：CN
更多信息请下载全文后查看。
融合工艺信息的复杂零件加工状态识别方法
融合工艺信息的复杂零件加工状态识别方法本文将介绍一种用于融合工艺信息的复杂零件加工状态识别方法。
在现有的研究基础上，该方法将提供一个新颖的视角来解决加工状态识别问题，包括数据融合、工艺信息深度学习等。
关键技术包括改进的数据融合算法，以及一个基于多视角的深度学习模型。
通过将多源数据进行高度融合，可以实现对复杂零件加工状态的准确识别。
本文还介绍了该方法的实验室测试和实际工厂应用。
复杂零件加工状态识别是在机器人自动加工中一个重要的研究内容。
工件加工过程中，需要准确地识别刀具状态及待加工件的信息，以建立一个有效的监测体系，保证加工质量。
近年来，许多研究者提出了各种复杂零件加工状态识别方法，如基于传感器的刀具状态监测方法、基于深度学习的加工质量检测方法、基于机器视觉的复杂零件状态监测方法等。
这些方法均取得了较为理想的效果，但同时也存在一些不足。
因此，本文提出了一种新型的复杂零件加工状态识别方法，该方法将改进的数据融合算法与一个基于多视角的深度学习模型融合在一起，实现高度融合的数据。
首先，使用改进的数据融合算法，融合不同传感器收集的多源数据，获取更加准确的加工状态信息，如刀具状态、待加工件的状态等。
然后，将多视角的深度学习模型应用于融合的数据上，进行加工状态的准确识别。
为了评价该方法的有效性，我们在实验室中对其进行了测试。
首先，在实验中，我们采用不同的数据源，如刀具状态传感器、待加工件状态传感器等，以及不同的数据融合算法，融合多源数据，获得更加准确的信息。
接着，我们使用多视角的深度学习模型来进行加工状态的识别，通过对比实验未融合和融合后的加工状态识别率，可以看出本文提出的方法的优越性。
此外，我们还在实际工厂中进行了应用，取得了良好的效果。
我们在实际工厂中使用该方法，可以准确地识别工件加工过程中的复杂零件加工状态，以实现对机器人加工质量的实时监控，实现有效的加工质量控制。
经过实验室和实际工厂测试，本文提出的复杂零件加工状态识别方法具有较高的识别率，可以准确地识别加工状态，并实现有效的监测。
基于多传感器信息融合方法的刀具破损识别
ｏ ｆ ｉ ｎ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｓ ．Ａｎ ａ ｌ ｙ ｓ ｉ ｓ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗｓ ｈａ ｔ ｔ① ｔ ｈｅ ｍａ ｉ ｎ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ｏ ｆ ｔ ｈ ｅ ｓ ｏ ｕ ｎ ｄ ｓ ｉ ｇ ｎ ａ ｌ ａ ｎ ｄ ｔ ｈ ｅ （ Ｙ ）ａ ｘ ｉ ｓ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｏ ｆ ｈｅ ｔ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｅ ｌ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ ａ ｒ ｅ ａ ｔ ｔ ｈ ｅ ｓ ａ ｍｅ ｒｅ ｆ ｑ ｕ ｅ ｎ ｃ ｙ ｂ ａ ｎ ｄ② ｔ ｈｉ ｓ
ｔ ｉ ｏ ｎ（ Ｅ ＭＤ）ａ ｎ ｄ ｉ ｎ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ（ Ｉ Ｃ Ａ）ｗａ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｔ ｏ ｄ ｅ ａ ｌ ｗ ｉ ｔ ｈ ｈｅ ｔ ｂ ｌ ｉ ｎ ｄ ｓ ｏ ｕ ｒ ｃ ｅ ｓ ｅ ｐ ａ — ｒ ａ ｔ ｉ ｏ ｎ（ Ｂ Ｓ Ｓ ）ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ ｃ ｕ ｔ ｔ ｉ ｎ ｇ ｓ ｏ ｕ ｎ ｄ ｓ ｉ ｇ ｎ ａ ｌ ｓ ａ ｎ ｄ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ ｓ ｉ ｎ ｔ ｈ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｏ ｆ ｆ ａ ｃ ｅ ｍｉ ｌ ｌ ｉ ｎ ｇ ．Ｅ ＭＤ ｍｅ ｔ ｈ ｏ ｄ ｗ ａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｅ ｘ ｔ ｒ ａ ｃ ｔ ａ ｌ ｌ ｉ ｎ ｔ ｉ ｒ ｎ ｓ ｉ ｃ ｍｏ ｄ ｅ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｓ （ Ｉ ＭＦ ）ｉ ｎ ｔ ｈ ｅ ｓ ｏ ｕ ｎ ｄ ａ ｎ ｄ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ ｓ ｗ ｈ ｉ ｃ ｈ ｈ ａ ｄ
【CN109726772A】基于多流融合模型的行星齿轮箱智能诊断方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910193298.5(22)申请日 2019.03.14(71)申请人 西安交通大学地址 710049 陕西省西安市碑林区咸宁西路28号(72)发明人 赵明 赵健 陈帅 马志鹏 (74)专利代理机构 西安智大知识产权代理事务所 61215代理人 贺建斌(51)Int.Cl.G06K 9/62(2006.01)G06N 3/04(2006.01)G01M 13/02(2019.01)(54)发明名称基于多流融合模型的行星齿轮箱智能诊断方法(57)摘要一种基于多流融合模型的行星齿轮箱智能诊断方法，先采集编码器信号，对其进行平滑处理得到平滑信号，对平滑信号进行一阶、二阶差分得到角速度信号与角加速度信号；然后将平滑信号、角速度信号与角加速度信号分别划分为训练集、验证集和测试集，得到平滑信号数据集、谐波信号数据集和冲击信号数据集；针对平滑信号、角速度信号与角加速度信号，分别构建对应的卷积神经网络模型，差异化训练，对三个卷积神经网络模型学到的独立频域中的高层抽象特征进行融合，最终得到多流融合模型；对多流融合模型的高层参数进行优化得到最终模型，然后进行故障分类，并利用t -SNE技术将测试的分类结果可视化；本发明能够区分不同类型的故障，实现了高精度故障诊断。
权利要求书1页 说明书5页 附图3页CN 109726772 A 2019.05.07C N 109726772A1.一种基于多流融合模型的行星齿轮箱智能诊断方法，其特征在于，包括以下步骤：步骤一，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同健康状态的行星齿轮箱，基于数据采集卡与工控机硬件平台，通过Labview开发平台分别采集编码器信号步骤二，利用最小二乘拟合法对编码器信号进行平滑处理，得到平滑信号对平滑信号分别进行一阶差分与二阶差分得到角速度信号w(t)与角加速度信号a (t)；其中，角速度信号w(t)反映编码器信号中的谐波成分，角加速度信号a(t)反映编码器信号中的冲击成分；步骤三，建立齿轮健康状态数据集，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同齿轮健康状态分别标注为状态1、2，，，10，并将平滑信号以及步骤二得到的角速度信号w(t)与角加速度信号a(t)分别划分为训练集、验证集和测试集，得到平滑信号数据集D1、谐波信号数据集D2和冲击信号数据集D3；步骤四，针对平滑信号角速度信号w(t)与角加速度信号a(t)，分别构建对应的卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3，其网络均包含卷积-池化块、dropout层、全连接层和分类层，卷积-池化块用于特提取与选择，dropout层用于防止训练时过拟合，全连接与分类层用于故障分类；步骤五，对步骤三中的训练集数据进行标准化预处理，使得其均值0，方差为1，分别利用平滑信号角速度信号w(t)与角加速度信号a(t)差异化训练卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3；步骤六，去掉卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3的全连接层与分类层，对卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3学到的独立频域中的高层抽象特征进行融合，最终得到多流融合模型CNN4；步骤七，将平滑信号数据集D1，谐波信号数据集D2和冲击信号数据集D3作为一个总体数据集D4，采用fine-tuning策略，利用验证集数据对多流融合模型CNN4的高层参数进行优化，得到最终模型CNN5；步骤八，利用训练集数据的均值对测试集数据进行标准化预处理，并将其输入到步骤七得到的最终模型CNN5中进行故障分类，并利用t-SNE技术将测试的分类结果可视化。
齿轮点蚀的多通道数据融合识别方法
） ） ） ； 定义为尺度函数 Ф（ 为小波基 函 其中 ： ｔ ｔ ｔ ０（ １（ μ μ ） ） ； （ …） 为正 数 φ（ ｔ ｔ ｎ＝２ ｂ 或ｎ＝２ ｂ＋１， ｂ＝０， １， ｎ（ μ ） 的小波包 。 交尺度函数 Ф（ ｔ 观测信号和相应的源信 经 ｎ 层小波包 分 解 后 ， 号可分别表示为
不动点 迭 代 的 独 立 分 量 分 析 （ ｎ ｄ ｅ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍ ｏ ｉ － ｐ ｐ ，简称 Ｉ 方法应用于旋转机械故障 ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｓ ｉ ｓ Ｃ Ａ） ｙ ［ ３］ 特征提取 。 毕锦烟等 利用半监督学习的模糊核聚 类方法将 齿 轮 轻 微 点 蚀 样 本 与 正 常 运 行 样 本 分 离
ＥＭＤ 被广 泛 应 用 于 旋 转 机 械 振 动 信 号 的 特 征 提
］ ２， ８ １ ０ － 。 取［ Ｉ Ｃ Ａ 要求 源 信 号 必 须 满 足 统 计 独 立 性 假 ５］ ， 因此对于相互之间不独立的机械振源只能进 设［ ［ １ １］ 提出了窄带分解Ｉ 行 近 似 估 计 。Ｚ ｈ ａ ｎ Ｃ Ａ ｇ等
第３ ４ 卷第 １ 期 ０ １ ４年２月 ２
测试与诊断 振动 、
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ， Ｍ ｅ ａ ｓ ｕ ｒ ｅ ｍ ｅ ｎ ｔ ＆Ｄ ｉ ａ ｎ ｏ ｓ ｉ ｓ ｇ
Ｖ ｏ ｌ ． ３ ４Ｎ ｏ ． １ Ｆ ｅ ｂ ． ２ ０ １ ４
齿轮点蚀的多通道数据融合识别方法
１ ６］ 进 行 机 组 的 振 源 识 别。 机 组 由 电 机组振动 数 据 ［
０ ０ Ｈ燅 ｘ燅 燀 ｓ燅 燀 燀 ｉ ｉ ｉ ｉ Ｔ ｉ ｉ ｉ ［ … ［ ］ ： 其中 ｘ ＝ ｘ 和ｓ ＝ ｓ ｘ ＋ｘ ｓ １＋ ２＋ １＋ ２＋ … ＋ ｐ
基于多特征融合的刀具磨损识别方法
基于多特征融合的刀具磨损识别方法关山;石志标;刘炎【摘要】针对刀具磨损监测中多传感器融合监测方法的缺点，提出了基于声发射信号多特征融合与最小二乘支持向量机（lease square support vector machine ，简称LS-SVM ）相结合的刀具磨损状态监测方法。
首先，分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征，构造联合多特征向量；然后，利用核主元分析法（kernel principal component analysis ，简称KPCA）对联合多特征向量进行融合降维处理，通过提取累积贡献率大于85％的主元，剔除了联合多特征中与刀具磨损相关性较小的冗余特征，生成融合特征；最后，将融合特征送入最小二乘支持向量机，有效地实现了（尤其在小样本下）刀具磨损状态的识别，与神经网络识别方法相比具有更高的识别率。
【期刊名称】《振动、测试与诊断》【年(卷),期】2014(000)003【总页数】9页(P576-584)【关键词】刀具状态监测;多特征融合;核主元分析;最小二乘支持向量机【作者】关山;石志标;刘炎【作者单位】东北电力大学机械工程学院吉林，132012;东北电力大学机械工程学院吉林，132012;东北电力大学机械工程学院吉林，132012【正文语种】中文【中图分类】TH165.3;TP206引言刀具状态监测技术作为保障工件表面质量和尺寸精度，防止工件报废和机床损坏，优化加工过程，降低成本，提高生产效率的有效手段，越来越引起人们的重视。
许多学者提出了多种监测方法［1-4］，其中，多传感器融合法［5-8］在一定程度上克服了单一传感器获取信息量有限、抗干扰能力差的局限性，大大提高了监测结果的准确率，是最为有效的监测方法。
但是，基于多传感器融合的监测系统势必带来成本的增加，干涉机床操作的灵活性，甚至影响机床的性能，从而影响实际监测系统的推广使用。
点蚀坑三维形貌对齿轮齿面应力集中影响的研究
点蚀坑三维形貌对齿轮齿面应力集中影响的研究
李优华;陈超;杨世豪;张志宏;汪军;刘忠明
【期刊名称】《机械强度》
【年(卷),期】2022(44)2
【摘要】为了研究齿轮点蚀坑三维形貌对齿面应力集中的影响,利用有限元方法,分析了不同形貌的点蚀坑对轮齿应力集中系数的影响。
然后以椭球点蚀坑为研究对象,通过改变椭球点蚀坑长、宽、深尺寸,分析了不同长宽比、深宽比变化对应力集中
系数的影响,并建立了椭球点蚀坑应力集中系数随三维尺寸变化时的近似计算模型。
根据某齿轮接触疲劳试验数据,对所建计算模型进行了分析与验证,分析讨论了点蚀
坑尺寸变化对齿轮应力集中系数的影响规律。
结果表明:点蚀坑基本尺寸相同的情
况下,齿面上椭球坑应力集中最明显,其次是圆锥坑、五角锥坑、三角锥坑;应力集中系数随椭球坑深宽比和长宽比的增大而增大。
【总页数】7页(P376-382)
【作者】李优华;陈超;杨世豪;张志宏;汪军;刘忠明
【作者单位】郑州机械研究所有限公司
【正文语种】中文
【中图分类】TH132.4
【相关文献】
1.初、次级蚀坑三维变化对钢板应力集中系数的影响
2.航空铝合金点蚀形貌对应力集中系数影响量化分析
3.点蚀缺陷对直齿圆柱齿轮齿面接触应力的影响研究
4.多
轴载荷下点蚀坑应力集中的数值研究5.单个边缘微观损伤对铝合金材料蚀坑应力集中效应的影响研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
行 近 似 估 计 。Ｚ ｈ ａ ｎ ｇ等 口 提 出 了 窄 带 分 解 Ｉ Ｃ Ａ
（ ｓ ｕ ｂ — ｂ ａ ｎ ｄ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ Ｉ Ｃ Ａ，简称 Ｓ Ｄ Ｉ Ｃ Ａ） 方法 。
特 征提 取 。毕 锦烟 等ｌ ＿ ３ 利 用半 监督 学 习 的模 糊核 聚
析， 对 于故 障诊 断工作 意 义重 大 。
动 的频率 成分 。近年来 ， Ｉ Ｃ Ａ 和 经 验模 式 分解 （ ｅ ｍ—
ｐ ｉ ｒ ｉ ｃ ａ ｌ ｍｏ ｄ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ， 简称 Ｅ ＭＤ） 信 号 分 析
方法 ＿ ５ 刮的 出现 、 发 展及 其 在多 维数 据分 析等 领域 的 应 用 。 ］ ， 为 上述 问题 的解 决开 辟 了新 途 径 。Ｉ Ｃ Ａ 和
该 方 法在 源信 号 间存 在 频 率 交 叠 的情 况 下 ， 不 要 求
源 信 号间严 格独 立 ， 放宽 了对 源信 号 的假 设条 件 ， 适 用 于机 械振 源 的分 离 。Ｅ ＭＤ 作 为一 种 自适 应 的 非 线性、 非平稳 数 据分 析方 法 ， 特 别适 用于 提取 复杂 机 械 振 动信 号 的 频 率 成 分 。 以往 的研 究口 ０ ］ 通 常 只 利
第３ ４卷 第 １期 ２ ０ １ ４年 ２月
振动、 测 试 与 诊 断
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｖｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ． Ｍｅ ａ ｓ ｕ ｒ ｅ ｍｅ ｎ ｔ＆ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ
Ｖｏ１ ． ３ ４ Ｎｏ．１
Ｆｅ ｂ ．２ ０ １ ４
轮 箱 的冲击 振 动特征 。刘 婷婷 等 ［ ２ 将一 种基 于快 速 不 动点 迭 代 的独 立 分 量 分 析 （ ｉ ｎ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍｐ ｏ — ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ，简称 Ｉ Ｃ Ａ） 方 法应 用 于旋转 机 械故 障
Ｅ ＭＤ被 广 泛 应 用 于 旋 转 机 械 振 动 信 号 的 特 征 提 取＿ ｚ 。Ｉ Ｃ Ａ要 求 源 信 号 必须 满 足 统 计 独 立 性 假
设 ］ ， 因此对 于相互 之 间不 独 立 的 机 械 振 源只 能 进
Ｗａ ｎ ｇ等 ｌ ＿ 】 利 用 小 波变 换 成功 提 取 了直 升机 齿
类 方法将 齿 轮 轻 微 点 蚀 样 本 与 正 常 运 行 样 本 分 离 开 。雷 亚 国等［ ４ ３ 在 国内 外研 究 的基 础 上 ， 对 行 星 齿 轮 箱故 障诊 断 的特 点 与 难 点进 行 了综 述 ， 指 出 了研 究 中存 在 的问题 ， 并讨 论 了解 决 问题 的途 径 。 以上 工作 是将 齿 轮箱从 整 个机 械设 备 中剥离 开单 独进 行
究方 法的有效性 。
ቤተ መጻሕፍቲ ባይዱ
关键 词 齿 轮 箱 ；齿轮 点蚀 ； 小 波 包 分 解 独 立 分 量分 析 ； 多 维 经 验 模 式 分 解
中图分类号 Ｔ Ｎ９ １ １ ． ７ ； ＴＨ１ ６ ５ ． ３
常， 必须从 多 路传 感 观测 中 提取 包 含 齿 轮 箱相 关 振
引 言
齿 轮箱 是 机械设 备 中连 接和 传递 动力 的通 用部 件， 其结 构 复杂 ， 工作环境恶劣， 极 易 产 生损 伤 而 发 生 故 障 。研 究 其振 动机 理并 开展 振动 信号 的特 征分
齿 轮 点 蚀 的 多通 道 数 据融 合 识 别 方 法
熊 ， 杨 世 锡 ， 甘 春 标 ， 叶红 仙 。
（ １ ． 浙 江 大 学 液 压 传 动 及 控 制 国 家 重 点 实 验 室 杭 州 ，３ １ ０ ０ ２ ７ ）
（ ２ ． 上 海 大 学 机 电 工 程 与 自动 化 学 院 上 海 ， ２ ０ ０ ０ ７ ２ ） （ ３ ． 杭 州 电 子 科 技 大 学 机 械 工 程 学 院 杭 州 ， ３ １ ０ ０ １ ８ ）
摘 要 针 对 齿 轮 箱 振 动信 号 中 混 杂其 他 零 部 件 振 动 频 率 的 问 题 ， 提出一种 基于小 波包分 解独立 分量分 析 （ ｗ ａ ｖ ｅ ｌ ｅ ｔ
ｐ ａ ｃ ｋ ａ ｇ ｅ ｉ ｎ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ， 简称 ＷＰ Ｉ Ｃ Ａ） 和多维经验模式分解 （ ｍｕ ｌ ｔ ｉ ｖ ａ ｒ ｉ ａ ｔ ｅ ｅ ｍｐ ｉ ｒ ｉ ｃ ａ ｌ ｍｏ ｄ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ —
ｓ ｉ ｔ ｉ ｏ ｎ ， 简称 ＭＥ ＭＤ） 的齿 轮 箱 齿 面点 蚀 故 障 信 号 的 多 通 道 数 据 融 合 识 别 方 法 。 首先 ， 利 用 一 种 窄 带 独 立 分 量 分 析 （ ｓ ｕ ｂ — ｂ ａ ｎ ｄ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ， 简称 Ｓ Ｄ Ｉ Ｃ Ａ） 方 法一 ｗ Ｐ Ｉ ｃ Ａ， 从 水 泵 机 组 多 通 道 信 号 中 提取齿轮箱振源 ， 确 定齿 轮 箱 振 动 包 含 的特 征 频 率 成 分 ； 其次 ， 借 助 ＭＥ ＭＤ分 解 多 通 道 机组 振 动 信 号 ， 将 所 获 得 的 多维 固 有 模 式 函数 （ ｉ ｎ ｔ ｒ ｉ ｎ ｓ ｉ ｃ ｍｏ ｄ ｅ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ， 简称 Ｉ ＭＦ ） 进行矩阵互信息运算 ， 完 成 多 通 道 数 据 的融 合 ； 最后 ， 通 过 定 义Ｉ ＭＦ故 障 敏 感 因子 ， 确定故障敏感 Ｉ ＭＦ的 阶数 并 获 得 了 齿 轮 点 蚀 故 障 的 特 征 频 率 。数 据 分 析 结 果 证 明 了本 研