下载文档原格式
基于改进的多元离群检测方法的风机齿轮箱早期故障诊断顾煜炯;贾子文;王瑞;任玉亭
【期刊名称】《中国机械工程》
【年(卷),期】2016(027)014
【摘要】针对风电机组运行工况波动性以及机组早期故障特征不易提取的特点，提出一种基于改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断。
运用阶比重采样方法对原始振动信号进行预处理，并对处理结果进行量纲一因子分析；通过马氏距离建立风电齿轮箱的早期故障识别模型；利用多元线性回归改进多元离群检测算法进行实际数据的分析计算。
结果表明，该方法较原始方法能够更早地察觉出风电齿轮箱早期故障。
【总页数】7页(P1905-1910,1916)
【作者】顾煜炯;贾子文;王瑞;任玉亭
【作者单位】华北电力大学新能源电力系统国家重点实验室，北京，102206;华北电力大学新能源电力系统国家重点实验室，北京，102206;华北电力大学新能源电力系统国家重点实验室，北京，102206;国华能源投资有限公司，北京，100007【正文语种】中文
【中图分类】TK83
【相关文献】
1.基于多元角域指标离群检测的风电齿轮箱故障预警方法 [J], 顾煜炯;宋磊;苏璐玮;吴冠宇;周振宇
2.基于改进DEMD和ICA的海上风机传动系统早期故障诊断 [J], 郑小霞;叶聪杰;周荣成
3.基于决策树与多元支持向量机的齿轮箱早期故障诊断方法 [J], 张亮;陈志刚;杨建伟;汪耀林
4.基于改进离群算法的多元时间序列异常检测 [J], 苑津莎;甘斌斌;李中;万利;李灿
5.基于半监督模糊核聚类的齿轮箱离群检测方法 [J], 毕锦烟;李巍华
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法王栋璀;丁云飞;朱晨烜;孙佳林【摘要】齿轮箱作为风力机组的核心部件,故障频发,研究风机齿轮箱的故障诊断方法意义重大.针对最近邻(KNN)诊断方法对离群噪声不敏感和诊断精度较低的缺陷,提出了基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法.该方法应用小波包分析技术对故障特征进行提取,利用互近邻准则将故障数据集中的离群噪声点剔除,构建出基于核空间的改进型最近邻分类决策规则来识别齿轮箱的故障类型.试验表明:该方法可以有效地提升故障诊断精度和鲁棒性,为智能诊断技术的研究提供新思路.【期刊名称】《电机与控制应用》【年(卷),期】2019(046)001【总页数】6页(P108-113)【关键词】风机齿轮箱;故障诊断;小波包分析;最近邻;互近邻【作者】王栋璀;丁云飞;朱晨烜;孙佳林【作者单位】上海电机学院电气学院,上海200240;上海电机学院电气学院,上海200240;上海电机学院电气学院,上海200240;上海电气风电公司,上海200241【正文语种】中文【中图分类】TM315;TP290 引言随着风能在清洁能源中的广泛使用，大型风力发电机组的装机容量日趋增长[1-2]，运行故障风险与维护成本也随之增加。
据统计，齿轮箱作为双馈型风力发电机的核心部件，由于长期工作在恶劣的工况条件下，最易发生机械故障，占总故障率的65%[3]，故风机齿轮箱的故障诊断成为热点课题，国内外学者对此做了大量研究。
以傅里叶变换为基础的时频分析[4]早期在实际工程中得到了应用，但其无法满足非平稳、非线性信号的精确分析要求，而小波分析[5]以独有的多尺度特性和局部化特性突破了这一局限，在故障特征提取方面取得了丰硕的研究成果。
卢锦玲等[6]利用小波包分解方法提取风机齿轮箱故障的能量向量，并结合相关向量机成功地实现了风机齿轮箱的多分类故障诊断。
杨明莉等[7]针对风力机齿轮箱故障类型，提出基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法，通过分析能量包络谱相应的波形参数值来判定预测故障的类型。
2023年第47卷第3期Journal of Mechanical Transmission基于稀疏注意力机制的齿轮早期磨损故障诊断研究高云端1田野1朱永波1李贺2张进杰2（1 中国航空工业集团公司北京长城航空测控技术研究所，北京100176）（2 北京化工大学高端机械装备健康监控与自愈化北京市重点实验室，北京100029）摘要在齿轮故障诊断领域中，对齿轮早期磨损故障实现有效诊断具有重要意义。
然而，早期磨损故障特征弱，诊断难度大。
针对该问题，提出了一种基于稀疏注意力机制的齿轮早期磨损故障诊断模型，采用一种新的稀疏注意力机制结合卷积神经网络，改进传统分段序列注意力机制，实现了具体故障频率定位。
应用齿轮箱故障模拟实验数据进行测试验证，相比其他诊断方法，所提方法能够在同等样本条件与计算代价下，实现更为准确全面的诊断，降低分析成本，获得敏感故障特征频率，为齿轮维护提供数据支撑。
关键词齿轮磨损故障诊断卷积神经网络注意力机制Research on Gear Early Wear Fault Diagnosis Based on theSparse Attention MechanismGao Yunduan1Tian Ye1Zhu Yongbo1Li He2Zhang Jinjie2(1 Beijing Great Wall Aviation Measurement and Control Technology Research Institute,Aviation Industry Corporation of China, Beijing 100176, China)(2 Beijing Key Laboratory of Health Monitoring and Self-Recovery for High-End Mechanical Equipment,Beijing University of Chemical Technology, Beijing 100029, China)Abstract In the field of gear fault diagnosis, it is of great significance to effectively diagnose early wear faults of gears. However, early wear fault has weak characteristics and is difficult to diagnose. Thus, a gear early wear fault diagnosis model based on the sparse attention mechanism is proposed to solve this problem. This model uses a new sparse attention mechanism combined with a convolution neural network to improve the traditional sectional attention mechanism and locate the specific fault frequency. The gearbox fault simulation test data is used for test verification. Compared with other diagnosis methods, this new method can achieve a more accurate and comprehensive diagnosis, reduce analysis cost and obtain sensitive fault characteristic frequency under the same sample condition and calculation cost. The conclusion of this method can provide data support for gear maintenance.Key words Gear wear Fault diagnosis Convolution neural network Attention mechanism0 引言齿轮磨损故障诊断是设备故障监测诊断领域的重要工作之一。
收稿日期：２０２２－１１－２１基金项目：安徽省高校协同创新项目（ＧＸＸＴ ２０１９ ００３）引用格式：陈立爱，汪佳奇，陈松，等．基于ＲＦ ＰＣＡ 改进ＳＶＭ模型的齿轮故障诊断方法［Ｊ］．测控技术，２０２３，４２（８）：１５－２１．ＣＨＥＮＬＡ，ＷＡＮＧＪＱ，ＣＨＥＮＳ，ｅｔａｌ．ＧｅａｒＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄＢａｓｅｄｏｎＲＦ ＰＣＡａｎｄＩｍｐｒｏｖｅｄＳＶＭＭｏｄｅｌ［Ｊ］．Ｍｅａｓｕｒｅ ｍｅｎｔ＆ＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙ，２０２３，４２（８）：１５－２１．基于ＲＦ ＰＣＡ 改进ＳＶＭ模型的齿轮故障诊断方法陈立爱，汪佳奇，陈 松，王大桂（安徽建筑大学机械与电气工程学院，安徽合肥 ２３０６０１）摘要：为提升齿轮故障诊断的正确率，提出了基于随机森林（ＲａｎｄｏｍＦｏｒｅｓｔ，ＲＦ）和主成分分析法（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔｓＡｎａｌｙｓｉｓ，ＰＣＡ）对齿轮振动信号进行特征降维处理，并采用粒子群算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）求解支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）特征参数最佳取值的齿轮故障诊断模型（ＲＦ ＰＣＡ 改进ＳＶＭ模型）。
对齿轮箱实例中正常、断齿、齿根开裂、剥落、削尖等９种不同状态进行了验证，证明了ＲＦ ＰＣＡ 改进ＳＶＭ模型对齿轮故障诊断的有效性。
试验结果表明：通过对比不同诊断模型识别率，证明ＲＦ ＰＣＡ 改进ＳＶＭ模型具有更优的齿轮故障识别率，平均达到了９９ ６６％，且计算效率较高；样本数量改变虽然会影响模型正确识别率，但不同的改变方式对识别率影响的程度不同，对于ＲＦ ＰＣＡ 改进ＳＶＭ模型，当齿轮状态数据大于４０个时即可达到８８％以上的正确识别率。
关键词：齿轮箱；故障诊断；ＲＦ；ＰＣＡ；改进ＳＶＭ中图分类号：ＴＰ３９１ ４；ＴＨ１３２ 文献标志码：Ａ 文章编号：１０００－８８２９（２０２３）０８－００１５－０７ｄｏｉ：１０．１９７０８／ｊ．ｃｋｊｓ．２０２３．０８．００３ＧｅａｒＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄＢａｓｅｄｏｎＲＦ ＰＣＡａｎｄＩｍｐｒｏｖｅｄＳＶＭＭｏｄｅｌＣＨＥＮＬｉａｉ牞ＷＡＮＧＪｉａｑｉ牞ＣＨＥＮＳｏｎｇ牞ＷＡＮＧＤａｇｕｉ牗ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ牞ＡｎｈｕｉＪｉａｎｚｈｕＵｎｉｖｅｒｓｉｔｙ牞Ｈｅｆｅｉ２３０６０１牞Ｃｈｉｎａ牘Ａｂｓｔｒａｃｔ牶Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｇｅａｒｆａｕｌｔｄｉａｇｎｏｓｉｓ牞ａｇｅａｒｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌ牗ＲＦ ＰＣＡ ｉｍｐｒｏｖｅｄＳＶＭｍｏｄｅｌ牘ｉｓｐｒｏｐｏｓｅｄ牞ｗｈｉｃｈｉｓｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔ牗ＲＦ牘ａｎｄｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ牗ＰＣＡ牘ｔｏｒｅｄｕｃｅｔｈｅｄｉｍｅｎｓｉｏｎｏｆｇｅａｒｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓ牞ａｎｄｕｓｅｓｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ牗ＰＳＯ牘ａｌｇｏｒｉｔｈｍｔｏｓｏｌｖｅｆｏｒｔｈｅｏｐｔｉｍａｌｖａｌｕｅｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ牗ＳＶＭ牘ｆｅａｔｕｒｅｐａｒａｍｅｔｅｒｓ．Ｎｉｎｅｄｉｆｆｅｒｅｎｔｓｔａｔｅｓ牞ｉｎｃｌｕｄｉｎｇｎｏｒｍａｌｇｅａｒｂｏｘ牞ｂｒｏｋｅｎｇｅａｒ牞ｃｒａｃｋｅｄｇｅａｒｒｏｏｔ牞ｐｅｅｌｉｎｇａｎｄｓｈａｒｐｅｎｉｎｇ牞ａｒｅｖｅｒｉｆｉｅｄｉｎｔｈｅｇｅａｒｂｏｘｅｘａｍｐｌｅ牞ｗｈｉｃｈｐｒｏｖｅｓｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅＲＦ ＰＣＡ ｉｍｐｒｏｖｅｄＳＶＭｍｏｄｅｌｆｏｒｇｅａｒｆａｕｌｔｄｉａｇｎｏｓｉｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｂｙｃｏｍｐａｒｉｎｇｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｓｏｆｄｉｆｆｅｒｅｎｔｄｉａｇｎｏｓｔｉｃｍｏｄｅｌｓ牞ｉｔｉｓｐｒｏｖ ｅｎｔｈａｔｔｈｅＲＦ ＰＣＡ ｉｍｐｒｏｖｅｄＳＶＭｍｏｄｅｌｈａｓａｂｅｔｔｅｒｇｅａｒｆａｕｌｔｒｅｃｏｇｎｉｔｉｏｎｒａｔｅ牞ｗｉｔｈａｎａｖｅｒａｇｅｏｆ９９．６６％牞ａｎｄｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌｅｆｆｉｃｉｅｎｃｙ．Ａｌｔｈｏｕｇｈｔｈｅｎｕｍｂｅｒｏｆｓａｍｐｌｅｓｍａｙａｆｆｅｃｔｔｈｅｃｏｒｒｅｃｔｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｔｈｅｍｏｄｅｌ牞ｔｈｅｄｅｇｒｅｅｏｆｉｍｐａｃｔｖａｒｉｅｓｄｅｐｅｎｄｉｎｇｏｎｔｈｅｍｅｔｈｏｄｏｆｃｈａｎｇｅ．ＦｏｒｔｈｅＲＦ ＰＣＡ ｉｍｐｒｏｖｅｄＳＶＭｍｏｄｅｌ牞ｗｈｅｎｔｈｅｇｅａｒｓｔａｔｕｓｄａｔａｉｓｇｒｅａｔｅｒｔｈａｎ４０ｇｒｏｕｐｓ牞ｔｈｅｃｏｒｒｅｃｔｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｃａｎｒｅａｃｈｏｖｅｒ８８％．Ｋｅｙｗｏｒｄｓ牶ｇｅａｒｂｏｘ牷ｆａｕｌｔｄｉａｇｎｏｓｉｓ牷ＲＦ牷ＰＣＡ牷ｉｍｐｒｏｖｅｄＳＶＭ机械设备在现代社会发挥着重要作用，随着工业和生活方式的快速发展，对机械设备的可靠性、安全性、经济性和智能性要求越来越高［１－２］。
基于导轨面图像特征雷达图的磨损状况识别周友行;喻思亮;张俏;周健【摘要】为解决精密机床导轨面磨损缺陷及缺陷程度的识别问题，提出一种基于导轨面图像数据雷达图重心特征的表面磨损识别方法。
首先提取导轨面图像数据的灰度均值、歪度、峭度、扁度和投影方差作为磨损状况识别的原始特征；然后采用雷达图技术将特征数据可视化，并提取雷达图的重心特征；最后采用支持向量机技术设计分类器，同时采用雷达图重心特征和磨损缺陷原始特征进行分类，并与实验检测的导轨面磨损数据进行对比分析。
计算和实验结果表明：基于雷达图的图像数据重心特征可有效地识别导轨面是否磨损，并能在一定程度上判别导轨面的磨损程度。
%To solve the wear recognition problem of machine tool guide surfaces,a new machine tool guide surface recognition method was presented herein based on the radar-graph barycentre fea-ture.Firstly,the gray mean value,skewness,kurtosis,flat degrees and proj ection variance features of the guide surface image data were defined as primary characteristics.Secondly,data visualization technology based on radar graph was used.The visual barycentre graphical feature was demonstrated based on the radar plot of multi-dimensional data.Thirdly,a classifier based on the support vector machine technology was used,the radar-graph barycentre feature and wear original feature were put into the classifier separately for classification and comparative analysis of classification and experimen-tal results.The calculation and experimental outcomes show that the method based on the radar-graph barycentre feature can detect the guide surface effectively.【期刊名称】《中国机械工程》【年(卷),期】2015(000)005【总页数】6页(P647-651,652)【关键词】导轨面;磨损缺陷;特征提取;数据可视化;图表示【作者】周友行;喻思亮;张俏;周健【作者单位】湘潭大学，湘潭，411105;湘潭大学，湘潭，411105;湘潭大学，湘潭，411105;湘潭大学，湘潭，411105【正文语种】中文【中图分类】TH117.1工作过程中，精密机床导轨面磨损是造成加工精度下降的主要原因[1-4]。
