一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在滚动轴承故障诊断中的应用

提出了一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速下的滚动轴承故障诊断。该方法先采用基于多尺度线调频基的稀疏信号分解方法分解频率呈曲线变化的多分量信号,得到瞬时频率和瞬时幅值都具有物理意义的单分量信号及其相位函数,再基于获取的各分量信号的相位函数对原信号进行广义解调处理,从而将非平稳信号转化为平稳信号。当转速变化时,滚动轴承故障特征频率为曲线变化的非平稳信号,对其包络信号进行基于多尺度线调频基的稀疏信号分解,提取包络信号分量,再对包络信号分量进行广义解调,根据广义解调后分量信号频率成分与转频的关系即可判断滚动轴承的故障部位和类型。仿真信号与轴承内外圈故障振动信号分析结果表明,该方法比传统的包络信号分析方法能更有效地提取滚动轴承故障振动信号特征。     

基于HHT和AR模型的数据预测方法研究

希尔伯特-变换黄是分析非平稳信号的有效方法,已在信号分析与处理领域得到了广泛应用.希尔伯特-黄变换以经验模态分解为基础,能够将非平稳信号分解成为若干个固有模态分量和一个残余分量.本文提出的基于经验模态分解的数据预测方法,是利用经验模态分解得到的残余分量、并结合AR模型的算法优势,实现对非平稳数据的有效预测.本文利用三种不同的典型数据进行仿真验证,实验结果验证了所提出预测方法的有效性,并给出了影响预测性能的主要因素.     

基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位,特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率.提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行经验模态分解,得到一系列固有模态函数和一个残余分量.经验模态分解方法具有分解自适应性和分解唯一性.对每个固有模态函数建立自回归模型,分别采用Yule Walker和Ulrych-Clayton两种方法求得模型参数和残差方差,并以此作为各类状态信号的特征矩阵,输入到改进的超球多类支持向量机分类器,判断滚动轴承故障位置及性能退化程度.实验结果表明,提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断,且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高.     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

基于正交匹配与周期能量的滚动轴承故障诊断

根据滚动轴承的振动信号具有周期性非平稳变化的特征,引入周期能量的概念,针对滚动轴承故障诊断准确度不高的问题,提出了一种基于非参数估计的正交匹配与周期能量的滚动轴承故障诊断方法。利用正交匹配追踪算法和非参数波形估计精确提取出振动信号的特征;以周期为单位计算信号的周期能量并进行归一化处理;进而根据截取信号的周期能量的范围识别轴承的故障类型。实验结果表明,该方法具有较高的故障识别率,能准确、有效地诊断出故障类型,具有较高的应用价值和广阔的应用前景。     

非平稳畸变信号条件下电网信号建模

实际电网中常常同时存在多种平稳畸变信号和非平稳畸变信号,而目前非平稳畸变信号条件下电网信号模型主要是针对典型畸变源产生的信号建立的,缺乏符合电网实际情况、更具普遍性的电网信号的数学模型,这使得非平稳畸变信号条件下电能准确合理计量变得困难。该文在研究泛函级数理论的基础上,应用Wiener泛函级数建立了非平稳畸变信号条件下电网信号的通用数学模型,并以半导体整流器和电力机车这两种典型畸变源为例,通过Matlab仿真验证了模型的正确性。所建模型不仅可以描述任意一种畸变源产生的电网信号,而且可以描述任意几种畸变源产生的复合电网信号。该模型提高了非平稳畸变电网信号的描述精度,同时适用于平稳畸变信号,解决了畸变信号条件下电网信号统一描述的问题,为后续电能的准确合理计量提供参考。     

BP与AR模型在轴承性能退化评估和预测中的应用

为解决滚动轴承性能难以评估与预测的问题,提出BP神经网络与AR模型相结合的方法,以评估滚动轴承失效退化程度,并预测从正常运行到最终失效的性能退化趋势。基于正常运行到最终失效的全寿命数据,利用BP评估模型估计轴承的失效退化程度,网络输出的评估结果为隶属于正常概率的目标向量。分别选择BP预测模型与AR模型作为预测系统,利用得到的评估结果进行训练,训练结束后,采用BP预测模型与AR模型分别对滚动轴承进行性能退化的单步和多步预测。基于两组全寿命数据的对比分析,验证了该方法的有效性。结果表明,使用BP神经网络可实现对轴承性能退化程度的良好评估,相比BP自身预测模型,AR模型在性能预测上能得到更优的结果。     

基于PPCA-1.5维能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题,提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析,通过对信号降维重构信号,提取信号故障特征主成分,去除强背景噪声干扰;然后对重构信号进行1.5维能量谱分析,从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析,结果表明与集合经验模态分解(EEMD)包络谱相比,采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。     

改进复合插值包络经验模态分解的 滚动轴承故障特征提取方法

针对复合插值包络经验模态分解(CIEEMD)方法存在非平稳系数阈值无法自适应确定的问题,提出了一种改进复合插值包络经验模态分解(ICIEEMD)方法。首先,以边长为ε的网格覆盖振动信号求出其分形盒维数,实现信号非平稳阈值自适应选取,分解得到若干固有模态函数(IMF);其次,结合互相关系数、时域峭度和包络谱峭度建立互相关系数-TE峭度(C-indexTE)复合指标,筛选出有效IMF分量并重构信号,使用Teager能量算子解调获得重构信号的能量谱,实现滚动轴承故障特征提取;最后,基于仿真信号和实验台滚动轴承数据集进行实验分析,与CIEEMD方法和谱峭度法相比,所提方法能够提取出更加清晰的故障特征频率,证明了所提方法的可行性和有效性。     

基于同步挤压变换和深度迁移学习的GIS隔离开关故障诊断

为实现气体绝缘组合电器(GIS)隔离开关机械故障的智能诊断,基于GIS隔离开关分合闸过程中的振动信号,提出了基于深度迁移学习的GIS隔离开关机械故障诊断方法。首先应用二阶同步挤压傅里叶变换(FSST2)获取GIS隔离开关振动信号的时频分布,然后基于深度迁移学习的思想构建预训练模型并进行优化,建立了GIS隔离开关机械故障智能诊断模型。对某GR角型GIS隔离开关正常和典型机械故障状态下的振动信号的分析结果表明,基于FSST2得到的GIS隔离开关振动信号时频表示具有较好的能量聚集性,所建立的GIS隔离开关机械故障智能诊断模型识别准确率高且模型复杂度低,可用于GIS隔离开关机械故障的高效诊断。     

一种基于电动机振动信号分析的故障诊断新方法

本文采用虚拟仪器系统作为开发平台,通过电机振动测试进行故障诊断,针对电机的振动信号的特点,提出了基于自回归AR模型的功率倒谱分析方法。具体是先对电机振动信号进行AR建模:进行阶次预测和系数预测,得到相关参数;再进行倒谱变换。该方法能消除"频率模糊"现象,快速准确地提取出所需要的频谱信息。     

基于自回归-连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点，将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制，及自回归模型参数对状态变化规律反映敏感的特点，以信号的12阶自回归谱系数为特征矢量，将其输入到各个状态连续隐马尔可夫进行训练，来实现离心泵的故障诊断。为防止数据下溢，引入前向-后向比例因子算法求其对数似然概率，并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现，用Baum- Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

基于EMD和AR模型的水轮机尾水管动态特征信息提取

提出一种基于经验模态分解(EMD)和自回归(AR)模型的水轮机尾水管动态特征信息提取方法.对经过预处理的信号进行EMD分解,得到包含特征频率的本征模态函数(IMF),对每个IMF建立AR模型,取模型参数作为故障模式识别的特征矢量.以水轮机尾水管压力脉动信号为例,运用此方法进行了尾水管动态特征信息的提取.试验表明,基于EMD和AR模型的特征提取法是故障特征提取的有效方法.     

大型发电机组嵌入式远程状态监测与故障诊断系统研究

随着电力系统向超高压、大容量、多机互联系统的方向发展,为保证发电机组安全、可靠、经济和优化运行,实现设备的现代化状态检修管理制度,提出了基于嵌入式平台的大型发电机组远程状态监测与故障诊断服务系统结构,并对其数据采集基本参数的信号分析及预处理技术、嵌入式远程状态监测平台、运行状态典型故障特征信号的提取与处理、机组故障诊断的知识获取、机组典型故障的智能诊断等关键技术作了详细的分析。系统的成功研发有助于提高企业现代化管理水平,实现发电机组的预测维修和操作,达到电厂节能降耗的目标。     

基于虚拟仪器的水轮机组监测与故障诊断系统

针对水轮发电机组单机功率的增加而提出的状态监测和故障诊断要求，提出以虚拟仪器系统作为开发平台设计并构成水轮发电机组监测和故障诊断系统，实现了水轮发电机组振动信号的数据采集、数据处理和分析，并可进行故障诊断。     

基于WP-AR模型的双谱估计在高压断路器振动信号处理中的应用

采用小波包(WP)的方法先对现场采集的、噪声干扰较大的信号进行消噪处理,选取目的频带信号;再用奇异值分解(SVD)方法求解修正Yule-walker方程,估计AR参数及其阶数,进行双谱分析,提取机械性能判据对断路器进行在线故障诊断。经对多组不同时期的现场数据分析、对比,得出该方法可行有效,可为高压断路器实时在线故障诊断提供有效依据。     

局域波法和独立成分分析在转子系统故障诊断上的应用

提出了一种局域波法和独立成分分析相结合的机械故障诊断方法。对于机械设备的振动信号，通过局域波法得到的局域波时频图像能够同时在时间和频率上反映信号能量的变化。不同故障信号的局域波时频图像也明显不同，因此可以用来进行故障的判别。为了实现故障的自动分类，应用独立成分分析对不同故障信号的局域波时频图像进行独立分量分离，得到一组源图像的投影系数。在此基础上，利用概率神经网络实现故障的自动分类。以转子的早期摩擦，基座松动，不对中故障信号为例，应用该方法进行了研究，实验结果证明了该方法具有一定的实用性和有效性。