卷积混合的频域盲解卷积法诊断转子故障

针对转子系统偏心、不对中及碰磨引起的耦合故障,采用卷积混合的频域盲源分离转子故障诊断方法。在利用转子实验台模拟转子系统偏心、偏心—碰磨耦合故障的基础上,通过频域盲解卷方法对耦合故障的观测信号进行分离,并对分离后的源信号进行FFT分析,从而实现转子系统复杂耦合故障的精确定位与诊断。仿真实验初步验证了算法的有效性,分离波形和二次残差(VQM)均证实了该算法能较好实现混合信号分离。同时,转子系统故障诊断实例结果表明:该方法在成功诊断出偏心故障与碰磨故障的同时还能诊断出不对中、轴承松动的故障,提高了故障诊断的精确性。     

粒子滤波方法在转子典型故障诊断中的应用

转子的故障诊断是当前转子动力学的一个难点。针对这个问题,提出基于粒子滤波方法的转子典型故障诊断方法。针对Jeffcott转子建立不对中、裂纹和弯曲复合故障模型,并构建基于粒子滤波器的参数估计方程。通过在转子实验台上模拟故障对算法进行验证,结果表明:粒子滤波方法对于转子故障有较高的识别能力,可以诊断单一故障和多重故障。与传统的转子故障诊断方法相比,它不依赖于经验和故障事例,同时可较精确地估计故障参数。     

非平稳信号的盲源分离在机械故障诊断中的应用

机械设备发生故障时，故障特征的提取很重要．对于多通道的设备故障振动信号，应用非平稳信号的盲源分离算法，可以有效地提取各自独立的非平稳振动源，从而可以准确地进行机械故障诊断。针对不同时频分布的非平稳盲源分离算法，比较了它们的分离效果。以转子的复合故障为例，验证了该算法在故障诊断中可行性。     

扩展卡尔曼滤波方法在转子典型故障诊断中的应用

转子故障的早期诊断与预示是当前转子动力学的一个难点。文献[1]提出了一种基于多模型估计得到转子裂纹参数对转子进行故障诊断的方法,但是该方法需要构造大量的多模型估计器,存在着构造复杂,计算量大的问题。针对这个问题,提出基于扩展卡尔曼理论(EKF)的转子典型故障诊断方法。针对Jeffcott转子建立了不对中、裂纹和弯曲故障模型,还分别构建了基于扩展卡尔曼滤波-加权整体迭代(EKF-WGI)的参数估计方程。通过不对中、弯曲和裂纹故障的实验验证,表明该参数估计方法对于转子典型故障有着较高的诊断能力。与传统的诊断方法提取频谱特征相比,该方法不依赖于经验和故障事例,可以较精确地估计故障参数,在转子的故障诊断中更有针对性。     

航空发动机转子早期裂纹故障振动特征的维谱分析

针对航空发动机转子早期裂纹故障难以检测的特点首先,根据转子裂纹扩展机理,建立早期裂纹转子振动分析理论模型,提出利用112维谱对早期裂纹振动信号进行分析。然后,利用112维谱分析法对早期裂纹转子理论模型和早期裂纹转子故障实验数据进行了具体分析。理论模型和实验数据分析结果都表明:应用112维谱对实际发动机转子早期裂纹故障信号进行分析,不仅能够得到一般频谱分析法难以获得的故障特征频率,还能对混叠噪声信号进行降噪。因此,112维谱能够有效的诊断航空发动机转子裂纹故障,在航空发动机故障诊断中具有一定的应用价值。     

航空发动机转子早期裂纹故障振动特征的1(1/2)维谱分析

针对航空发动机转子早期裂纹故障难以检测的特点首先,根据转子裂纹扩展机理,建立早期裂纹转子振动分析理论模型,提出利用112维谱对早期裂纹振动信号进行分析。然后,利用112维谱分析法对早期裂纹转子理论模型和早期裂纹转子故障实验数据进行了具体分析。理论模型和实验数据分析结果都表明:应用112维谱对实际发动机转子早期裂纹故障信号进行分析,不仅能够得到一般频谱分析法难以获得的故障特征频率,还能对混叠噪声信号进行降噪。因此,112维谱能够有效的诊断航空发动机转子裂纹故障,在航空发动机故障诊断中具有一定的应用价值。     

转子-轴承系统裂纹特征分析

对裂纹转子进行理论分析,总结该类故障的典型特征,对于准确诊断该类故障,预防机组恶性事故的发生,具有重要的工程意义.本文建立了非线性转子-轴承系统数学模型,采用数值积分方法得到系统在某一转速下有裂纹和无裂纹情况下的时域波形、频谱、轴心轨迹及庞加莱映射,分析结果表明转子在有裂纹产生以后,系统处于不稳定的概周期运行状态;而相同条件下无裂纹的系统处于稳定的运行状态,分析结果为该类系统的故障诊断提供理论参考.     

基于AR模型的转子典型故障诊断方法

基于一种含外部输入的ARX模型（Env-AR-ARX）,提出了一种通过模型匹配的转子故障诊断方法。本文以航空发动机转子健康状态下的振动数据建立AR模型,模型的准确度是故障诊断的关键。为了提高模型的匹配度,在AR模型的基础上,充分考虑了模型残差和信号时变性的特点,对比讨论了AR模型, AR-ARX模型以及Env-AR-ARX模型,最终确定了最优的Env-AR-ARX模型。由于没有航空发动机转子的故障数据,本文对本特利转子的故障（碰摩、裂纹、双裂纹）振动信号建立AR模型,结合单因素方差分析的方法,确定信号是否存在故障以及故障类型。实验结果表明,该方法能有效的应用于转子的故障诊断。     

旋转机械故障信号的去噪源分析

旋转机械振动信号是其故障特征识别与诊断的重要信息来源,将应用统计特征来分解混合信号的去噪源分离(DSS)引入到旋转机械故障诊断中。研究DSS基本理论及其正切去噪函数,并进行模拟信号分离,其分离后的性能指标及与源信号相似系数均优于盲源分离;并将DSS应用于某燃气轮机的实测故障信号分析,诊断出转子发生不平衡及异频伪共振现象,表明该方法在旋转机械故障诊断中的有效性,为机械设备的状态监测和故障诊断提供新的思路和方法。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。