EMD全矢谱技术及其在滑动轴承故障诊断中的应用

针对基于单源信息的EMD故障诊断的局限性和根据传统全矢谱分析故障的缺点,提出了基于EMD的全矢谱故障特征提取新方法。该方法对采集于同一截面上的互相垂直的两个传感器上的振动信号,运用EMD将其分别分解为若干IMF分量之和。根据IMF频率及其能量特点,通过全矢谱技术融合特定的IMF分量,得到基于EMD的全矢谱,进而进行故障诊断。仿真结果显示,该方法获取的故障特征更全面、准确。某额定功率为3000k W的TRT发电机组轴瓦振动故障诊断结果进一步表明了该方法的可行性和有效性。     

基于矢谱和蚁群算法的旋转机械故障特征提取

特征提取是机械设备故障诊断成功的关键因素,将直接决定故障诊断的实施.针对传统旋转机械单通道故障诊断的不足,结合故障诊断实时性差的问题,提出了一种基于全矢谱理论和蚁群算法的机械故障特征提取方法.运用全矢谱技术提取出原始振动信号的特征向量,再运用改进的蚁群算法对特征参数进行约简和选择,使所建立的故障模式由少数几个特征给予有效的表达,以提高故障诊断的准确性和快速性.实验证明该方法是有效的.     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

全矢谱技术在旋转机械启停车中的分析研究

全矢谱理论将两个单源信号复合成矢量信号来处理信息,可以反映转子在某截面内的真实振动情况.基于全矢谱理论,定义了全矢幅频特性图和三维全矢瀑布图的概念.利用Berdty转子实验台进行了数据的采集.实验显示,所得全矢幅频特性图和三维全矢瀑布图作为机组启停车分析工具,相比单源信号的幅频特性图和瀑布图,振动幅值更加准确明显,解决了原图谱两单源信号间存在幅值大小相差较大的问题,有助于更准确的故障诊断,在大型机组启停车故障诊断中具有广阔的实用价值.     

基于全矢谱的风力发电系统齿轮箱的故障诊断

介绍了风力发电齿轮箱系统变载荷、低转速、工况复杂的运行特点,阐述了风力发电系统齿轮箱的主要故障特征,针对旋转机械单源振动信号信息具有不完善性的缺陷,提出了基于同源信息数据融合的思想,将全矢谱技术应用于风电齿轮箱的故障检测方法。结合北方某风电场19#风机齿轮箱故障检测的实例,将全矢谱技术应用于诊断实例且得到了正确的诊断结果,证实了将全矢谱技术应用于风电齿轮箱检测中是准确、有效、实用的旋转机械故障诊断方法。     

基于全矢EMD的低速重载轴承复合故障诊断方法

针对低速重载轴承故障信号频率低、单通道情况下复合故障信号不完整,从而导致故障特征提取困难的问题,提出将全矢谱技术与EMD相结合的方法解决低速重载轴承故障诊断问题。首先对时域非平稳信号进行角域重采样转化为角域伪平稳化信号;然后通过EMD进行信号的分解与重构,采用双通道全矢谱技术进行同源信息融合,弥补单通道信号测量的不完整性;最后对重构信号进行频谱分析提取特征参量进行故障识别,并通过试验分析进行了验证。     

Hilbert-全矢谱及其在滚动轴承退化分析中的应用

旋转机械的振动信号频谱分析中,存在单源信号信息不完整、频率调制等问题,导致频谱不能全面、清晰地反映设备运行状态,增加误判风险。而全矢谱技术能充分融合双通道振动信息,Hilbert变换对时域信号包络解调效果良好,结合两者的优点形成Hilbert-全矢谱方法,并将其应用于滚动轴承退化过程分析中。实验表明,Hilbert-全矢谱能更加准确、全面地反映设备振动特性,从中提取的特征主振矢,既能够表征滚动轴承退化过程中的振动强度,又可以区分其故障类型。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

全信息小波分析及其在旋转机械故障诊断中的应用

传统旋转机械故障诊断用单通道信号进行诊断,信息量不完整,容易导致误诊.在介绍全信息技术的基础上,结合小波分析的频带分离和刻画信号局部特征的能力,提出了一种全新的信号处理方法--全信息小波分析.用小波分析把信号分解到不同的频带,然后把双通道的对应频带的信号用全矢谱技术进行融合,根据融合后的数据进行故障诊断.用全信息小波分析技术对转子的摩擦故障进行诊断,取得了满意的效果.     

全矢谱体系兼容性关键技术研究

基于全矢谱分析技术的理论,对全矢谱体系进行了深入研究.探究全信息分析与传统常规分析之间的内在联系,使之可以相互兼顾.进行了全矢谱体系在计算方面,图谱表达方面及诊断规则方面的兼容性问题的研究.在研究探索崭新故障分析诊断分析方法时,建立全矢谱体系与传统方法之间的联系,对基于单源信息的分析方法的诊断经验和诊断规则进行了调查,对全矢谱分析这种新方法的推广,应用和普及具有重要的现实意义.表明全矢谱分析对于旋转机械故障诊断是一种非常实用的分析工具.     

全矢—模糊核聚类在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及经典模糊聚类算法中的不足,结合全矢谱技术、密度函数法和模糊核聚类法,提出一种新的旋转机械故障识别方法。该方法首先应用全矢谱技术为特征提取工具,然后以密度函数法求得模糊核聚类的初始聚类中心,最后再用模糊核聚类法建立分类器进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高故障诊断的准确率。     

基于全矢谱的旋转机械谱强度预测技术研究

针对旋转机械单源振动信号信息具有不完善性的缺陷,基于数据融合思想,将全矢谱技.术与时间序列预测技术相结合,提出了基于全矢谱技术和时间序列技术的预测方法,并给出其运算方法.实验表明,该方法能够全面、准确地反映机械转状态的发展趋势,是一种准确、有效、实用的旋转机械状态预测方法.     

转子不对中定量研究

采用基于同源信息融合技术的全矢谱技术对转子系统的不对中进行定量描述,以及提出工程实际中一种不对中定量分析方法。首先合理布局各传感器测点的位置,测得各传感器的稳态电压以及振动信号,利用全矢谱同源信息融合技术获得各测点振动信号的主振矢和相位,对不对中故障进行定性,然后通过电涡流位移传感器稳态电压的计算获得各测点轴心线的空间相对偏移量,利用线性原理拟合各个测点偏移量,得到整个转子轴系的不对中量,从而对转子轴系不对中现场故障诊断起到指导作用。     

全矢谱技术在齿轮故障诊断中的应用

以齿轮传动系统为研究对象,针对转子振动信号的信息源不足问题,采用全矢谱技术的信息融合分析方法,更真实、可靠地反映出齿轮的振动特征,实现齿轮故障诊断的信息全面和高分辨率的特点.     

基于ELM和振动信号的高压断路器机械故障诊断

提出结合振动信号高频部分固有模态边际谱能量比例和振动信号总能量共同作为故障特征提取对象的信息融合诊断方法,以实现对高压断路器机械故障诊断的特征提取,并采用ELM极限学习机作为故障分类算法。实验分析表明,该方法能够有效地对真空断路器常见机械故障进行分类。     

基于全矢色散熵和极限学习机的液压泵故障诊断

为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散熵(FVDE).相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果.液压泵故障诊断实例表明,FVDE对故障状态的区分度更加明显,极限学习机(ELM)的诊断精度也更高,具有一定的优势.     

全矢深度学习在轴承故障诊断中的应用

为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。     

全矢局部特征尺度分解及其在转子碰摩故障特征提取中的应用

为了更完整的提取转子碰摩故障特征,提出了一种新的转子碰摩故障特征提取方法——全矢局部特征尺度分解(Full vector local characteristic decomposition,FVLCD)。FVLCD将局部特征尺度分解(Local characteristic decomposition,LCD)和全矢谱(Full vector spectrum,FVS)相结合,通过LCD将互相垂直通道的振动信号分解成系列内禀模态分量并用Hilbert变换对其进行解调得到包络信号;然后通过FVS融合包络信号得到相应的全矢谱,在此基础上进行机械故障诊断。转子松动-碰摩故障分析结果表明该方法有效融合两个通道的振动信号信息,获取的故障特征更全面、准确。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

基于频谱分析的油田注水柱塞泵故障诊断

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明：采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。