基于复调制细化包络谱和SVM的变速器齿轮故障诊断研究EI北大核心CSCD

针对变速器故障齿轮振动信号特征和在现实条件下难以获得大量故障样本的实际情况,提出一种复调制细化包络谱和支持向量机相结合的故障诊断方法。通过变速器齿轮故障模拟试验模拟齿轮磨损故障,采用Hilbert变换对齿轮振动信号进行解调得到振动信号的包络,对包络信号进行复调制细化谱分析,提取齿轮轴转频基波及其谐波幅值。分析发现基波及其谐波幅值随着齿轮磨损程度的增加明显增大,故将其作为支持向量机的输入特征向量,以判断齿轮故障。试验结果表明:该方法在小样本的情况下能有效地诊断齿轮故障。     

汽车变速器故障振动特征提取的试验研究

本文结合疲劳寿命试验的过程对东风ＥＱ－１４０汽车变速器故障进行了振动试验研究，利用时域波形分析，频谱分析，细化谱，解调，谐波幅值分析等信号处理方法提取了断齿，轴向窜动，轮齿磨损，滚动轴承疲劳剥落和点蚀等典型故障特征，并进行了分析。     

支持向量机和基于IMF的特征能量法在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了一种基于内禀模态函数(IMF)的特征能量法和支持向量机的变速器轴承故障诊断方法。对变速器轴承内圈、外圈故障振动信号的分析结果表明,该方法在小样本情况下仍可有效提取变速器轴承的故障特征,并能成功地对其工作状态和故障类型进行分类。     

基于对称极坐标法的变速器齿轮磨损故障诊断的研究

本文中引入对称极坐标表示法,对变速器齿轮磨损故障进行研究.首先将测得的变速器振动信号的时域波形转换为极坐标图形,通过图形变化来辨识变速器齿轮磨损故障.然后利用二进小波变换法来提取磨损故障特征,研究特征提取对极坐标图形变化的影响.最后,根据图像与标准磨损图像的相关系数对变速器齿轮的磨损状态进行分类.结果表明,该方法能揭示变速器齿轮磨损状态与极坐标图形的映射关系,实现变速器齿轮磨损故障可视化监测与诊断.     

多特性参数相结合的柴油机故障振动信号特征提取与诊断

本文基于缸盖振动信号的非平稳的特点,将经验模式分解和AR模型参数相结合,并兼顾了信号频谱的特点,提出了综合选取AR模型参数、信号频带能量和信号的质心频率与质心幅值等作为柴油机故障振动信号特征参量的方法;采用该方法对实测的S195柴油机的5种工况下缸盖振动信号样本提取了故障特征向量,基于支持向量机对柴油机故障进行诊断,故障诊断的正确率达到83%以上,验证了该方法的可行性。     

基于振动信号分析的变速器滚动轴承损伤过程监测研究

对三轴式5挡变速器进行等幅疲劳试验,采用均方幅值和全频带包络法对变速器疲劳寿命周期内的振动信号进行了分析,对变速器及轴承的损伤过程进行了监测,并对轴承的失效原因进行了分析。结果表明,在高速挡工况下,均方幅值可以作为轴承损伤过程监测的宏观指标;全频带包络分析方法可以有效监测轴承损伤过程;两者结合可以更好实现变速器滚动轴承损伤过程的在线监测。     

小波分析在变速器齿轮故障诊断中的应用

从小波变换的理论背景出发，介绍了利用小波变换对信号进行分解的原理。针对变速器齿轮振动信号的非平稳性特点，通过对变速器齿轮振动信号用db4小波进行了多分辨分析，说明这种方法可以有效地对变速器齿轮故障进行诊断。     

The Application of Support Vector Machine to the Fault Identification of Vehicle Automatic Transmission

本文中提出基于支持向量机的汽车自动变速器故障识别方法.首先利用设计的虚拟测试系统采集自动变速器3种状态下的运行数据,再对数据进行整理和筛选,提取合适的数据作为训练样本,然后设计基于支持向量机的多值分类器进行故障识别,最后与基于BP人工神经网络的诊断方法进行对比.结果表明,基于支持向量机的故障识别方法具有更快的收敛速度和更强的分类能力,适用于汽车自动变速器实时故障识别和诊断.     

基于SVM的变速器敲击声品质研究

文章以变速器敲击为研究对象,在文献~([1])基础上提出了基于支持向量机回归的变速器敲击声品质非线性评价方法。文章首先研究了支持向量机回归原理,对文献~([1])中的试验结果进行归一化处理,以归一化后的客观评价结果作为模型输入,归一化后的主观评价结果为输出,引入支持向量机回归方法建立了变速器齿轮敲击声品质非线性评价模型,并对模型进行优化与检验。     

汽车变速器齿轮故障的定量诊断研究

基于振动监测技术，以不解体汽车变速器为前提，探讨了倒谱分析机理。根据理论分析，倒谱值大小可以作为定量诊断汽车变速器齿轮故障的参量。通过汽车变速器台架模拟故障试验分析，得出用倒谱诊断汽车变速器齿轮故障的阈值。理论分析与试验结果一致。     

基于时序-神经网络的车辆变速器齿轮故障诊断

采用时序分析和BP神经网络，建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过对车辆变速器齿轮运行状念特征信号进行时序分析和特征向量提取，并以此作为BP神经网络的输入向量进行网络训练，从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中，能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有效、可行。     

SVM在缸套—活塞磨损状态监测中的应用研究

以发动机振动信号的5个时域及幅域特征(二次矩、四次矩、最大绝对值、时间二次矩和最大幅值点)为特征参数,以4类间隙值作为预测结果,建立了基于RBF核函数支持向量机(SVM)的缸套—活塞磨损间隙预测模型。通过仿真试验研究了核宽度σ和惩罚系数C对分类器性能的影响,结果表明,选择合适的σ和C值可以使分类器的性能达到最佳,为缸套—活塞磨损状态监测提供了一条新思路。     

支持向量机方法在桥墩冲击试验中的应用研究

以干湿循环和腐蚀环境下混凝土桥墩抗侧向冲击试验为基础,获得了在不同的通电时间下钢筋的锈蚀率及在不同冲击工况下钢筋的应变值。以这些试验数据为样本,供支持向量机学习。预测过程中核函数采用径向基核函数,径向基的宽度和惩罚因子根据实际情况选择不同的值。使用支持向量机的黑箱建模方法对受腐蚀试件的钢筋锈蚀率进行预测,验证了所提出的基于支持向量机钢筋腐蚀率预测方法的有效性。同时对钢筋的应变进行预测,预测结果与试验实际结果吻合较好。     

EEMD和SVM在发动机故障诊断中的应用

针对发动机缸盖振动信号的非线性非平稳特征,提出一种总体平均经验模态分解(EEMD)和支持向量机相结合的信号分析及故障诊断方法,该方法利用EEMD算法以及IMF序列和原始振动信号之间的相关系数,有效放大故障诊断特征向量的差异。对原始振动信号进行EEMD分解,得到各阶特征模态函数(IMF),求各阶IMF分量对应于原始信号的相关系数并组成故障分类特征向量。分别将IMF相关系数法和IMF能量分布法得到的特征向量作为输入,建立BP神经网络和支持向量机,判断发动机工作状态和故障类型。分析表明,对IMF求相关系数的方法简便易行,能有效放大不同工况下特征向量的差异,结合支持向量机能够对既定机型的配气机构和点火系常见故障进行准确识别。     

定量诊断汽车变速器齿轮故障方法的研究

以不解体汽车变速器为前提,利用振动监测技术,探讨了通过对振动谱分析来定量诊断汽车变速器故障。在对汽车变速器齿轮故障定性研究基础上,提出了通过频谱的谐波分析、幂函数回归分析和倒谱分析,可以定量诊断汽车变速器齿轮的故障程度,给出了诊断方法的思路与计算公式。     

柴油机振动信号自适应分解方法的比较EI北大核心CSCD

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

柴油机振动信号自适应分解方法的比较

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

汽油机失火诊断GA-SVM方法研究

提出了一种基于主成分分析、遗传算法和支持向量机的失火故障诊断方法,以用于建立发动机失火故障诊断模型。采集不同失火故障模式下瞬时转速信号,通过归一化和主成分分析对数据集进行降维预处理,提取样本特征;随机选取1/3的样本训练支持向量机失火诊断模型,并结合网格搜索和遗传算法优化模型参数;剩余样本作为测试数据,对12种失火模式进行辨别,准确率为98.33%。因此,该方法有效。     

小波包分解与共振解调分析在发动机配气机构磨损故障特征提取中的应用

以常见的机械磨损故障——气门间隙过大故障为例进行了试验研究,提取缸盖振动加速度信号进行分析,发现故障状态的时域信号有明显低频周期性冲击,但在频谱的低频区间未现冲击频率;同时,在故障状态频谱中,3 000~4 500Hz范围的高频段振动能量有显著增加。通过小波包分解方法对信号分解至该故障特征频段,再进行希尔伯特解调分析,解调谱现显著的对应低频冲击的频率成分,可作为故障识别特征。分析结果表明,气门间隙过大故障造成的冲击引起缸盖或其部件共振调制现象,综合运用上述时域、频谱和共振解调分析,可对配气机构磨损故障进行故障特征提取,从而为准确诊断故障提供依据。     

基于振动信号的柴油机进排气系统故障诊断研究

提出了一种根据柴油机气缸盖振动信号诊断进排气系统故障的方法 ,介绍了对柴油机的振动信号进行小波降噪和小波分解 ,提取相应特征向量 ,然后将振动样本的特征向量作为径向基函数神经网络的输入参数 ,以故障类别作为输出参数训练该网络 ,训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况。仿真和试验证明该方法有效可行