汽轮机振动信号的经典谱估计仿真研究

汽轮机振动信号的频谱分析是提取故障特征的有效方法,对其故障诊断具有重要的意义。对振动信号经典谱分析中常用的算法进行了仿真研究,在算法仿真的基础上利用各算法对实测振动信号进行了功率谱分析,并对分析效果及算法性能进行了对比。最后指明了经典谱估计算法的特点和在实际应用中的局限,并给出了进一步改进的方法。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

汽轮机振动信号频谱分析方法的仿真研究

汽轮机是广泛应用的旋转机械设备,对其故障进行诊断具有重要的实际意义。汽轮机振动信号的频谱分析是提取故障特征的有效方法。对振动信号谱分析中常用的算法进行了介绍,包括周期图法、改进的周期图法及多窗谱估计算法,并基于Matlab进行了仿真实现。在算法仿真基础上利用各算法对实测汽轮机振动信号进行了功率谱分析,并对分析效果及算法性能进行了对比。最后指明了经典谱估计算法的特点和在实际应用中的局限。研究及分析结论对汽轮机振动信号的频谱分析具有一定的指导意义。     

基于广义形态滤波和MRSVD的故障诊断方法研究

为了从复杂工况下获取滚动轴承故障信息,提出了一种基于广义形态滤波和多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）相结合的方法。首先利用广义形态学滤波方法对振动信号进行降噪预处理;然后利用MRSVD对降噪后的振动信号进行分解;最后通过峭度准则选取故障特征最丰富的细节信号,并对其进行Hilbert包络谱分析。将提出的方法应用于滚动轴承的故障检测,实验结果表明该方法能清晰地提取故障特征信息。     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

基于EEMD和变尺度随机共振的轴承故障诊断

提出了一种基于集合平均经验模式分解(EEMD)和变尺度随机共振(STSR)的滚动轴承故障提取方法.首先通过EEMD对含噪振动信号进行自适应抗混分解,得到不同频带的本征模态函数(IMF);然后将不同频带的IMF作为双稳系统的输入,通过变步长数值算法和调节非线性双稳系统的结构参数来提取微弱低频故障特征信号;最后运用切片双谱对双稳系统的输出进行后处理.仿真分析验证了STSR的特性,通过对强噪声背景下的滚动轴承实测信号分析表明,该方法充分利用高斯白噪声,能有效提取滚动轴承微弱故障特征.     

基于MATLAB时频分析算法的滚动轴承故障研究

为了确定滚动轴承故障类型,文中首先通过理论计算得到滚动轴承各故障特征频率。其次,对该轴承外壳进行传感器的布置,提取该轴承的振动信号,利用MATLAB对振动信号进行时域分析,随后将FFT得到幅频特性曲线对比故障特征频率初步判断其故障类型。进一步对振动信号进行Hilbert的包络谱分析、利用EMD算法进行Hilbert-Huang变换求得Hilbert边际谱,最终确定故障特征。该时频分析方法所得诊断结果与实际轴承故障类型一致,故此算法可广泛应用于设备滚动轴承故障诊断中。     

阶次倒谱在轴承故障诊断中的应用

将常规的阶次分析与倒谱分析技术相结合，提出了阶次倒谱分析的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域等间隔采样，再对时域信号进行等角度重采样。转化为角域平稳信号，最后对角域重采样信号进行倒谱分析，提取轴承的故障特征。通过对轴承内圈、外圈故障实验信号的分析，表明该方法能有效地诊断轴承故障类型。     

基于EMD和AFD的齿轮断齿诊断技术研究

断齿作为齿轮失效的形式之一,对其进行故障诊断具有重要意义.传统的诊断方法如自适应滤波方法对于非平稳振动信号的分析效果不太明显.EMD(Empirical Mode Decomposition,简称EMD)方法是把复杂的振动信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF)之和,得到的IMF包含真实的物理信息,而且都是平稳的.这种基于信号的局部特征时问尺度分解的方法非常适用于非线性和非平稳过程的分析,该方法能够实现通过时域的分析,得到故障特征信号.本文提出基于EMD和自适应滤波分解(Adaptive Filtering Decompositon,简称AFD)的方法,利用边际谱分析齿轮故障特征.实验结果表明,该方法能够有效、准确地提取齿轮断齿的故障特征.     

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

粗糙集与改进的QPSO-RBF算法在柴油机气门故障诊断中的应用

针对气门故障,以缸盖振动信号的小波包能量谱作为故障特征参数,提出一种粗糙集(RS)与改进的量子微粒群径向基函数神经网络(QPSO-RBF NN)相结合的故障诊断方法.首先应用粗糙集对试验所得的特征参数进行属性约简,去掉冗余信息,简化RBF网络的结构;然后将带变异算子的QPSO算法引入到RBF网络的学习过程中,改进其现有的学习算法,进一步提高故障预测能力.通过对6135D型柴油机气门故障进行诊断,结果表明该方法提高了诊断的精度和效率.     

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。     

基于双轨迹差异分析法的软件故障定位

软件运行监控器监测出故障之后，软件故障定位非常困难。该文提出了双轨迹差异分析法，根据成功的运行（run）和含有故障的运行之间的差异来进行故障定位。它采用程序谱来抽象表达程序执行轨迹，按照编辑距离度量来选取和含有故障的运行最近邻居的成功运行。通过序列间的最长共同子序列和最大稳定子序列集的计算，最终得到导致成功运行和失效运行之间差异的可疑故障语句集，并把它作为故障原因。经实验验证，该方法大大减少了故障定位中代码审查的范围。     

飞机发电机故障诊断的多特征参数组合分析

针对飞机发电机振动特征参数多、故障特征参数难以准确识别飞机发电机健康状况的现状,设计了发电机振动信号实时采样装置对飞机发电机转动时的多种频域参数及幅域参数进行采样,并引入小波分析计算各频带能量值,构建神经网络进行故障判定,选用不同的振动特征参数组合对检验样本进行验证以期获得指向性较好的飞机发电机故障特征参数.诊断结果表明,利用RBF网络对发电机故障诊断,采用基于幅值域的特征参数峭度指标、峰值因子、脉冲指标、裕度指标、歪度和基于频域的重心频率、均方根频率、频率标准差,再考虑进小波包分频带能量值作为神经网络的输入参数指标,可取得良好的诊断准确率.     

基于时频图像的不变矩神经网络故障诊断方法

在设备发生故障时,其故障信号往往表现为时变特性。传统的基于FFT变换的分析方法对这些时变信号往往会得出错误的结论。在此,应用一种新的时频分析方法,局域波法,对故障振动信号进行描述。由于局域波时频谱可以表示为灰度图像。因此,利用图像信息的不变矩进行故障特征提取。并且以径向基函数神经网络(RBFNN)作为故障分类器,对实际故障信号进行测试,实验证明了该方法的可行性。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

Fractional Envelope Analysis for Rolling Element Bearing Weak Fault Feature Extraction

The bearing weak fault feature extraction is crucial to mechanical fault diagnosis and machine condition monitoring. Envelope analysis based on Hilbert transform has been widely used in bearing fault feature extraction. A generalization of the Hilbert transform, the fractional Hilbert transform is defined in the frequency domain, it is based upon the modification of spatial filter with a fractional parameter, and it can be used to construct a new kind of fractional analytic signal. By performing spectrum analysis on the fractional envelope signal, the fractional envelope spectrum can be obtained. When weak faults occur in a bearing, some of the characteristic frequencies will clearly appear in the fractional envelope spectrum. These characteristic frequencies can be used for bearing weak fault feature extraction. The effectiveness of the proposed method is verified through simulation signal and experiment data.      

超临界660MW汽轮机汽流激振的故障分析及处理

某超临界660MW汽轮机的高中压转子频繁发生振动跳变故障,频谱分析表明振动跳变主要表现为半频成分,且振动跳变与机组负荷关联密切,据此诊断故障原因为汽流激振。现场跟踪监测了不同负荷对应的轴承振动变化,对调门开度,主蒸汽参数进行各种优化调整,并对润滑油系统包括各道轴承的油膜压力、轴封汽系统、开展了细致的排查。通过对振动的特征及机理的进一步分析,指出汽流激振力主要来源于密封激振力和叶顶间隙激振力。随后对高压调阀全行程特性进行测试,研究了每一个调阀在全行程内的振动趋势,并依据试验结果对高压调阀的开启顺序进行调整,从几种阀序的实际试验情况中,找到最佳的高压调门开启顺序,成功消除了该振动故障,为类似振动故障的处理提供参考。     

基于ART2神经网络的发动机故障诊断方法

发动机的故障诊断是一个动态的故障分类过程,许多故障诊断方法在对动态故障模式进行识别和分类时,存在对未知故障模式无法识别的问题。针对这一问题,引入ART2神经网络,利用db6小波包对发动机气缸盖的振动信号提取的特征向量作为网络的输入,应用实例证明,ART2神经网络不仅能正确识别学习过的故障模式,对突发、未知的故障模式也能很好地识别。