轴心轨迹自动识别及其在旋机诊断中的应用

提出了一种基于Zernike不变矩特征和神经网络分类器的轴心轨迹自动识别方法.通过对原始Zernike矩特征进行二次提取和处理,获得了对轴心轨迹识别更为敏感的矩特征量,降低了后续神经网络分类器设计的难度.仿真研究表明,基于Zernike矩的轴心轨迹识别方法,其识别精度优于常用的几何矩方法.将所提方法应用于汽轮发电机组和高速离心压缩机组轴心轨迹的自动识别,并结合频谱能量分布特征进行故障诊断,结果表明,引入轴心轨迹特征可以有效地提高旋转机械故障诊断的精度.     

基于机匣加速度信号的航空发动机转静碰摩部位识别

提出了基于机匣加速度信号的航空发动机转静碰摩部位识别方法。利用航空发动机转子试验器模拟了大量不同部位的碰摩,将小波局部极大模归一化能量与直接提取的机匣加速度信号归一化均方值输入至支持向量机中,以进行识别验证及对比分析。结果表明,小波局部极大模方法提取的归一化能量特征比直接提取的加速度信号均方值能更加有效地进行转静碰摩部位的识别。     

基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统

分析旋转机械轴心轨迹的特点,构建出以曲线不变矩为特征,用二维隐马尔夫模型(2d-HMM)进行分类的轴心轨迹自动识别系统。该系统综合应用小波滤波、曲线不变矩、2d-HMM理论,实现识别过程的自动化,并通过实验验证了它的有效性。     

基于特征参数的旋转机械智能故障诊断方法

为了对轴心轨迹进行特征提取和自动识别,使用了分形维数中的盒维数、信息维数、关联维数3个参量来描述轴心轨迹的分形特征;还引入紧密度和丰度两个量,从几何方面对轴心轨迹进行分析;最后,采用神经网络技术对3种状态下的轴心轨迹进行分类识别。试验结果表明,通过对轴心轨迹的分形特征和几何特征联合对转子的运行状态进行评定,有良好的区分度。     

旋转机械轴心轨迹信号的复数小波分析

提出了一种利用复数小波变换分析转子振动轴心轨迹信号的方法,通过分析小波尺度与振动倍频间的关系,使得观察某一尺度上的小波幅值就相当于考察一定频率范围的周期谱图,对典型非线性故障轴心轨迹信号的分析揭示出,摩擦故障时高频振动地时－频域上呈现出非均匀间歇现象,而轴裂纹时的高频振动是均匀间歇地出现,且周期与旋转基频相同,因此该方法可以直观地识别故障的细节性特征,有望形成一种新的、有效地监测诊断技术。     

旋转机械轴心轨迹特征提取技术研究

轴心轨迹是表征旋转机械运转状态的重要特征，目前轴心轨迹识别局限于人机对话模式，并且只对轴系故障进行初步识别，不能实现对故障细节的描述。针对这个问题，研究了轴心轨迹的自动识别方法，主要研究了轴心轨迹与转子故障严重程度的关系，提出通过特征定量化对同类故障的不同图形进行分类，引人交叉点和圆环数作为特征指标，并通过仿真分析，取得了良好效果。     

旋转机械轴心轨迹的自动识别

研究了轴心轨迹图形的自动识别问题，包括轴心轨迹的形状、进动方向和稳定性，提出了利用图形的不变性矩特征的识别技术，构造了基于不变性特征矩的特征向量，定义了特征矩向量之间的距离，提出了置信度的度量方法。仿真与实验结果表明，该方法可以有效地识别常见的轴心轨迹，并收到了良好的效果     

基于轴心轨迹流形拓扑空间的转子系统故障诊断

提出一种基于轴心轨迹流形拓扑空间的转子系统故障诊断新方法。采用总体平均经验模态分解对采集现场的振动信号进行处理,将降噪后的IMF分量重构形成还原信号。采用还原的信号构成轴心轨迹,将获得的每一个轴心轨迹看作高维流形特征的一个维度,进行轴心轨迹流形高维空间的相重构。采用基于非线性局部切空间流形学习算法对高维特征进行降维,网格搜索算法进行局部切空间维数和邻域点数的寻优,最终获得轴心轨迹流形拓扑空间内的敏感特征。应用该方法进行试验台转子系统的正常、不对中、碰摩三种类型的故障诊断,得到可视化的流形敏感特征。将其应用于数控车床主轴正常和偏心的特征获取并采用支持向量机(Support vector machine,SVM)进行故障诊断,训练准确率为98.8636%,测试准确率为99%。验证了算法的有效性。     

基于轴心轨迹特征的发动机曲轴再制造性分析方法

运用主动再制造理论对再制造毛坯质量的不确定性进行了分析研究,提出了一种基于轴心轨迹特征的发动机曲轴再制造性分析方法。该方法通过运用不变矩算法提取同一发动机曲轴不同磨损状态下轴心轨迹的特征量,建立特征量与磨损量之间的映射关系,来判断发动机零部件的再制造性,从而实现对任意状态下曲轴磨损的量化。试验结果表明,运用该方法对曲轴磨损量进行识别具有较高的精度,为寻求曲轴服役期内最佳再制造时机提供了较为准确的判别依据,同时为服役期内伴随产品失效的同批次再制造毛坯质量的不确定性控制等问题提供了解决方案。     

基于往复压缩机轴心轨迹特征的故障诊断方法研究

往复压缩机的故障诊断一直以来都是研究工作的重点问题,对其关键运动部件的监测诊断更是研究的热点之一。当往复压缩机发生运动部件磨损、撞缸等故障时,活塞杆的运行状态会发生改变,进而引起活塞杆轴心轨迹的变化。因此,提出了一种基于活塞杆轴心轨迹的往复压缩机智能诊断方法。首先,文章利用改进的离散点轮廓包络方法提取活塞杆轴心轨迹特征,同时提取活塞杆信号的时、频域特征;然后利用ReliefF方法计算轴心轨迹特征与时、频域特征的特征权重,选取大于各自权重均值的特征分别组成轴心轨迹敏感特征集和时频域敏感特征集;最后,提取2个特征集的Related-Similar(RS)特征,将其融合后作为BP神经网络的训练特征集训练故障诊断模型。利用往复压缩机磨损故障和撞缸故障的数据对模型进行验证,结果表明,模型能较好地识别这两种故障,并且故障恶化时的识别准确率均达到了99%以上。