基于声振信号EMD分解的轻微碰摩故障诊断方法研究

针对转子系统局部碰摩故障特征及声音振动信号特点,采用一种基于声振信号经验模式分解(Empirical Mode Decomposition简称EMD)的轻微局部碰摩故障诊断方法对滑动轴承碰摩故障进行特征提取。由于EMD分解不需要固定的基函数,根据信号特征自适应的调整,从而实现碰摩特征及旋转激励背景信号自动分解。通过设计滑动轴承缺油工况轴承碰摩试验,并进行振动全息测试分析,将所得声振信号本征模式函数时域特征和边界谱特征与转子径向位移及轴承座加速度信号对比分析,确定了碰摩部件;从而证明基于声振信号EMD分解的碰摩故障诊断方法的有效性。     

基于小波变换与统计分析的转子碰摩声发射特性研究

为解决转子碰摩损伤声发射信号分类及解释难题,应用PCI-2声发射系统和WS-ZHT1型多功能转子实验台组成转子碰摩声发射检测系统,采集转子局部碰摩声发射信号,通过理论分析声发射信号特征和小波基函数性质,dB8小波适合提取声发射信号特征;碰摩产生大量声发射信号,大量声发射信号的统计特性蕴涵较多碰摩信息。对不同转速条件下不同检测位置碰摩声发射信号的统计分析表明,声发射信号的功率谱密度集中在100～400 kHz。声发射信号平均幅值、平均能量可作为区分转子碰摩程度特征参数;功率谱主频可作为区分声发射相对位置特征参数,结论与碰摩类型无关。     

基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法

提出了基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现碰摩故障时,振动信号往往由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。本文方法先利用信号共振稀疏分解方法从转子碰摩信号中提取冲击成分,再对提取的冲击成分进行重分配小波尺度谱分析,最后根据尺度图中冲击成分的周期诊断转子碰摩故障。算法仿真和应用实例验证了该方法诊断转子碰摩故障的有效性。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

非线性转子的反向全周碰摩响应

本文对一个具有非线性刚度的单盘转子的反向全周碰摩进行研究。通过数值计算和已有实验结果的比较说明在反向全周碰摩研究中考虑转轴的非线性刚度是有必要的;采用平均法求得了系统反向全周碰摩的解析解,判断了解的稳定性,研究表明非线性转子系统既存在摩擦力方向改变引起的反向全周碰摩,同时转轴的非线性刚度和干摩擦共同作用也可以导致转子的反向全周碰摩,且这种反向全周碰摩运动是稳定的周期运动;讨论了系统参数对反向全周碰摩振幅、频率及其存在性的影响。本文的研究结论为转子系统的设计提供了一定的理论支持。     

双盘转子系统轴向－径向碰摩非线性动力学特性分析

动静碰摩是透平机械常见的故障之一,其动力学行为较为复杂,表现为在机器运行的过程中碰摩故障产生的故障征兆丰富多样。建立了双盘转子-轴承系统在轴向碰摩、径向碰摩以及两种碰摩共同冲击下的有限元法连续模型,采用计及了回转效应和剪切效应的梁单元,对转子系统在不同碰摩情况下的非线性动力学行为进行了数值模拟,研究了转子转速、转子系统上的不平衡量的分布以及碰摩刚度对系统的影响。研究结果表明：相对于径向碰摩故障的动力学特征,轴向碰摩产生的非线性特征不明显,与工程中观察的现象基本一致的;但当两种碰摩均考虑时,系统的非线性动力学特征与仅考虑径向碰摩时有显著的不同。所得计算结果可为大型高速旋转机械系统的故障诊断和碰摩故障的振动控制提供理论指导,从而保证系统的安全运行。     

转子系统碰摩故障实验研究进展与展望

针对旋转机械出现的转定子碰摩故障,对实验研究进行全面综述。简单介绍模拟单点、局部及整周碰摩所用实验装置,分析三种碰摩形式出现的典型实验现象;局部碰摩故障在工程实际中为主要碰摩形式,据研究不同对象将其划分为简单转子系统局部碰摩、复杂转子系统局部碰摩、旋转叶片-机匣局部碰摩及实际机组局部碰摩;并对三种碰摩形式典型故障特征进行对比,分析转定子碰摩实验研究发展方向。     

基于关联维数和小波能量谱熵的碰摩故障智能诊断

提取了转静碰摩故障的关联维数和小波能量谱熵特征,构造了基于支持向量机的碰摩故障智能诊断模型。首先,基于转子碰摩动力学仿真模型,进行了关联维数和小波能量谱熵对碰摩故障的灵敏度分析,然后,以碰摩故障仿真样本为学习样本,利用SVM构造了碰摩故障分类器,得出了用于识别碰摩故障的SVM判别函数;最后,利用航空发动机转子故障实验器,通过实验得到碰摩故障实验样本,对其进行降噪处理,计算其关联维数和能量谱熵后,代入SVM判别函数,直接判别是否出现碰摩故障。实验结果验证了本文方法的有效性。     

基于定子振动的转子碰摩故障诊断方法研究

转子碰摩会引发转子和定子的振动,但由于转子系统的很多常见故障(如不对中、不平衡等)与碰摩故障的转子振动特征多有重复之处,在很大程度上限制了故障的有效诊断.于是以定子振动信号为诊断源,研究了碰摩故障的诊断技术.首先分析了定子振动的机理,认为碰摩时定子受到冲击力作用,会引发定子固有频率振动,提出可采用共振解调法进行碰摩故障的诊断.利用IFFT方法进行了定子固有振动信号的分离,再进行希尔伯特变换,得到其包络信号,并对其进行谱分析,从而完成分析诊断过程.最后进行了单点碰摩和局部碰摩的故障模拟实验,结果表明定子高频固有振动包络信号可以揭示碰摩故障的发生,结合角度定位信号,可以对转子碰摩故障进行定位.     

可调品质因子小波变换在转子早期碰摩故障诊断中应用

针对高速旋转机械转子发生早期动静碰摩故障时主要为转子工频成份及转子与支撑间碰摩所致瞬态冲击信号成份,据可调品质因子小波变换对信号品质因子定义为转子工频成份为高品质因子信号、转子动静碰摩所致瞬态冲击信号为低品质因子信号,分别构建高、低品质因子小波变换基函数实现转子早期动静碰摩信号工频成份与瞬态冲击成份有效分离,对碰摩故障进行模式识别。通过仿真信号及转子碰摩实验信号验证可调品质因子小波变换在转子早期碰摩故障诊断中的有效性。     

质量偏心旋转机械整圈碰摩的稳定性及其Hopf分叉

针对仅考虑质量偏心的Ｊｅｆｃｏｔ转子碰摩的动力学方程,研究了整圈碰摩的稳定性,讨论了转、静件间摩擦系数对稳定性的影响;研究、发现了转子整圈碰摩存在Ｈｏｐｆ分叉现象,且是超临界分叉。通过对分叉解析解的研究,得出了分叉解的振幅及稳定性判据,并且将分叉解与动力学方程的数值解作了比较。     

一种扬声器异常音的时域特征检测方法

扬声器的异常音故障常见于生产过程中,通常可由有经验的听音员凭人耳听音检测出来。与人耳听测异常音的机理类似,一种在时域检测异常音的方法被提出。通过对声响应信号进行经验模态分解得到本征模态函数,再根据本征模态函数与激励信号的瞬时频率差对各模态去混淆处理,可得到包含异常振动信息的模态函数,据此可判断是否存在异常音。算法验证分为仿真和实验两部分。仿真验证中分析了模拟的合格扬声器与故障扬声器的声响应,结果表明算法对于摩擦和碰触导致的异常音是灵敏的。实验验证中检测了20只扬声器,测量得到的故障频率与用高阶谐波失真法得到的结果一致。且对于不同异常音故障,可在经验模态函数的局部特征中观察到不同的时域特征。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于IVMD-RPE的船舶噪声信号去噪及特征提取方法

针对由于复杂环境条件下的船舶噪声信号识别度低的问题,提出了一种改进的变分模式分解(Improved Variational Mode Decomposition,IVMD)、反向排列熵(Reverse Permutation Entropy,RPE)、加权排列熵(Weighted Permutation Entropy,WPE)和能量比相结合的船舶噪声信号识别分类方法。该方法利用IVMD将信号分解为若干本征模态函数(Intrinsic Mode Function,IMF);再利用RPE对IMF进行筛选,得到敏感IMF,实现去噪过程;最后计算IMF的WPE并与各个IMF的能量比构建特征向量,建立长短期记忆网络(Long Short-Term Memory,LSTM)进行识别分类。实验结果表明,与经验模态分解相比,文中提出的基于IVMD-RPE的船舶噪声信号去噪及特征提取方法能有效减少环境噪声的影响,提高信噪比,对船舶噪声目标信号识别分类的准确率更高。     

柔性转子-柔性静子系统的同步全周碰摩分析

在静子和转子均为柔性的情况下，对带有不平衡量的Jeffcott转子，碰摩处的局部变形采用当量线性弹簧模型，利用摄动方法，对柔性转子柔性静子系统的扰动运动进行同步全周碰摩运动的分析；获得同步全周碰摩解的参数存在区；求出该区域内同步全周碰摩解的解析表达式；讨论了同步全周碰摩解的稳定性；寻找了稳定范围数值解。     

发电机碳刷多点全周摩擦引起的不稳定振动分析

以发电机碳刷与转轴之间发生的摩擦振动为对象,研究这类特殊周向多点全周摩擦振动机理。根据碳刷工作原理,建立多点全周摩擦力计算模型,采用热弹性力学方法建立摩擦截面温度场和转子热弯曲计算模型,将热弯曲模型与转子振动有限元模型耦合求解振动响应。以某发电机为例进行分析,仿真分析和试验研究了碳刷轴全周摩擦振动特征。研究表明,发电机碳刷与转轴之间的多点全周摩擦会引发振动周期性波动和爬升,不稳定现象与不平衡力、碳刷-转轴不同心度和碳刷摩擦因数有关,可以通过精细动平衡、适当增大碳刷-转轴不同心度和减小碳刷摩擦因数来消除。     

基于HHT的液压缸动态特性分析新方法

提出了一种基于Hilbert-Huang变换的液压缸动态特性分析的新方法：运用经验模态分解,把周期激励下液压缸油液压力波动信号分解为多个从高频到低频的本征模态函数分量,依据各分量的Hilbert边际谱以及自由振动频率信息,对各分量分类并以此为基础重构信号,提取出反映液压缸动态特性的自由振动分量。此方法在某试验台液压缸动态特性分析中,取得了良好的效果,提取出的自由振动分量,可以作为评价液压缸动态特性好坏的依据。     

基于EMD模糊熵和SVM的转子系统故障诊断

提出一种经验模态分解、模糊熵和支持向量机相结合的转子系统故障诊断方法。该方法首先对转子系统故障信号进行经验模态分解,得到若干阶表征故障信息的固有模态函数,并运用基于能量原理的虚假模态消除方法剔除虚假模态分量;再利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点,选取前4阶固有模态函数的模糊熵值作为各故障信号的特征向量;最后将该特征向量输入到支持向量机中进行转子系统的故障分类。试验结果表明,该方法能够有效的提取转子系统故障特征和对转子系统进行故障诊断。     

Application of Local Wave Time-Frequency Spectrum and Neural Networks to Fault Classification in Rotating Machine

A new method of fault analysis and detection by signal classification in rotating machines is presented. The Local Wave time-frequency spectrum which is a new method for processing a nonstationary signal is used to produce the representation of the signal. This method allows the decomposition of one-dimensional signals into intrinsic mode functions(IMFs) using empirical mode decomposition and the calculation of a meaningful multi-componentinstantaneous frequency. Applied to fault signals, it provides new time-frequency attributes. Then the moments and margins of the time-frequency spectrum are calculated as the feature vectors. The probabilistic neural network is used to classify different fault modes. The accuracy and robustness oftained during the different fault modes( early rub,the proposed methods is investigated on signals obloose, misalignment of the rotor) .