基于同步提取变换与Vold-Kalman滤波的燃机阶次跟踪方法研究

针对管道、船舶、航空等行业使用的燃气轮机转速频繁变化,难以提取振动信号中目标阶次成分的问题,对燃机振动信号阶次跟踪方法进行了研究,提出了一种基于同步提取变换与Vold-Kalman滤波的燃气轮机振动阶次跟踪方法。首先,对振动加速度信号进行了积分,得到了转子工频成分明显的振动速度信号;然后,参考同步性较差的转速数据在振动速度信号中使用同步提取变换的方法,提取了瞬时频率,即同步精确的转子工频;将振动加速度或速度信号与转子工频作为输入,利用Vold-Kalman滤波阶次跟踪方法,提取了目标阶次成分的时域波形;最后,将该方法应用于实际燃机的振动数据分析中。研究结果表明:该方法能够准确、有效地提取出燃机目标阶次时域波形,可为振动状态监测及预警提供数据支撑。     

滚动轴承振动信号处理方法综述

针对轴承振动信号处理的各种方法进行了全面综述,研究了轴承振动信号处理的时域分析法和频域分析法,指出时域参数的具体用法和适用范围,以及各种频域分析方法的优缺点;阐述了时频分析方法,该方法克服了时域与频域分析不能反映信号局部特征的缺陷,且对非平稳的故障信号有较强的处理能力;介绍了一些特殊的分析方法,对一些具体的轴承振动信号问题有较好的处理效果.分析现有的轴承振动信号处理方法,表明各种分析方法取长补短综合运用以及新技术、新理论的应用,将会是轴承振动信号处理方法未来的发展方向.     

多传感器数据融合的风电齿轮箱性能衰退评估

针对风电齿轮箱传动结构复杂、所处工况恶劣,难以提取有效振动信号特征进行性能衰退分析的问题,提出多传感器数据融合的风电齿轮箱性能衰退评估方法。该方法将自适应完全集合经验模态分解(CEEM-DAN)、核主分量分析(KPCA)和Hotelling T2统计量相结合,先对风电齿轮箱全寿命的非线性、非平稳振动信号进行CEEMDAN-KPCA降噪处理,再利用KPCA对降噪后的多组振动信号进行融合分析,提取连续的T2值(C-T2)及其时域特征作为评估指标,建立风电齿轮箱性能衰退模型。实验结果表明,该方法对风电齿轮箱振动信号降噪效果显著,C-T2特征有效解决了多组振动信号特征维数膨胀问题,且C-T2时域特征模型比振动信号时域特征模型能更准确地评估风电齿轮箱性能的衰退过程。     

齿轮箱故障振动信号的阶比多尺度形态学解调

为从非平稳转速齿轮箱故障振动信号中提取包含故障信息的特征频率,提出阶比多尺度形态学解调方法,该方法采用线调频小波路径追踪算法获得齿轮箱转速信号,根据转速信号对时域振动信号进行等角度重采样,并用基于信号局部峰值的方法确定多尺度形态学分析的结构元素,用各结构元素对重采样信号进行形态学操作,对操作结果的平均值做频谱分析,以完成阶比多尺度形态学的解调过程。由于噪声与线调频基元函数的相似性很小,使得线调频小波路径追踪算法能从低信噪比的时域振动信号中准确获得转速信号,而多尺度形态学解调是对各尺度形态学分析结果的平均值进行频谱分析,能有效地抑制噪声,从而使得该方法具有很好的抗噪性能,适合用于工程实际中转速波动齿轮箱振动信号的分析,仿真分析和应用实例证明该方法的有效性和优越性。     

基于S变换的时域边际谱及其应用

为了更好地处理非平稳、非线性振动信号,依据Hilbert-Huang变换边际谱的思想,提出一种基于S变换的时域边际谱,并给出了利用该时域边际谱进行频谱分析的具体方法。对仿真信号的处理结果说明,该方法对振动信号中的冲击能量比较敏感,能够很好地提取冲击的特征频率,同时具有抑制信号高频成分和突出信号低频成分的特点。利用该方法对实际的振动信号进行处理,对滚动轴承故障的成功识别说明该方法能够提取微弱冲击特征频率,体现了其在振动信号频谱分析中的价值。     

基于小波多分辨率分析的高性能XY工作台故障诊断

针对直线电机驱动的高性能XY工作台的结构及运动特点，提出基于小波多分辨率分析与信号时域分析相融合的高性能XY工作台故障诊断方法；该方法通过分析研究高性能工作平台多工况多位置的振动信号，对信号进行小波多分辨率分解后不同尺度上的分解系数模值取平方，进行消噪处理，解决了工作台振动信号中随机噪声信号和故障特征信号混叠不易提取的难题，由获取的小波系数模值平方序列结合时域分析方法构造特征量，提取出故障信号特征。试验表明，该方法可有效地实现高性能XY工作台的故障诊断。     

基于梳状滤波器和二维灰度图的滚动轴承故障诊断

通过设计梳状滤波器和构造二维灰度图,保留振动信号的时域特征,解决了传统信号时域平均方法的滤波性能受信号周期估计误差和采样截断误差影响的问题,为提取振动信号的时域特征提供新的方法.推导了梳状滤波器的数学模型,给出了二维灰度图的构造方法,并通过仿真试验和应用实例验证了该方法的正确性.     

多时域特征与SVM的隔膜泵单向阀故障诊断

针对隔膜泵单向阀故障机理分析不足的问题,提出了一种基于多时域特征与SVM的单向阀故障诊断方法。信号的时域特征是最早应用且最为简洁实用的特征参数,对单向阀的时域振动信号进行简要分析,并介绍几种信号时域指标与特征,根据单向阀振动信号的特点选取出三种时域指标与特征作为故障诊断的特征值;将特征值构成训练集输入到SVM分类器训练诊断模型;用测试样本进行故障诊断实验。实验证明,本文中提出的方法对高压隔膜泵单向阀的故障诊断准确率为98%,具有所需样本信号长度较短的优点。     

船舶推进轴系扭振模拟实验系统研究

根据船舶扭振的特点,采用模块化设计,开发船舶推进装置的扭振模拟实验平台;以齿盘和光电开关为传感器,NI的信号调理箱、数据采集卡等为主要器件实现扭振信号的采集;基于LabVIEW软件构建扭振监测系统。该系统实时监测推进轴系的振动情况,同时对振动信号做时域分析、频域分析和相位分析等。实验还模拟了激振力、负载等原因引起的扭振情况。实验结果表明,该方案实现了设计的目标,较好地满足了教学及科研需求。     

用于水电站振动信号的积分算法

为解决传统频域积分对非平稳信号处理误差过大问题,根据水轮发电机组振动信号的特点,提出了一种利用EMD的自适应滤波特性对实测加速度信号频域积分方法的修正算法.首先,对振动信号进行频域积分,得到相对应的速度和位移时程数据;然后,利用EMD的自适应的分析能力,将时域数据分解成不同特征时间尺度的固有模态函数,并按环境噪声以及水电站信号的特征频率进行滤波处理.仿真试验表明,在3种方法中,该方法的相对误差最小,相关系数最大.将该方法应用于景洪水电站振动信号处理,积分所得数据符合实际振动状况.结果表明,该方法求速度和位移是可行的,能够对水电站振动信号进行处理.     

基于自适应时变滤波阶比跟踪的齿轮箱故障诊断

针对多输入多输出齿轮箱传动系统和齿轮箱集群的振动信号中各啮合频率阶次相互干扰,从而导致故障诊断困难的问题,研究提出一种基于自适应时变滤波阶比跟踪的齿轮箱故障诊断方法。该方法利用基于多尺度线调频基稀疏信号分解提取各对传动齿轮的啮合频率,以各啮合频率为中心频率,对应转频的倍频为滤波带宽分别设计自适应时变滤波器对信号进行滤波,逐个提取振动信号中的啮合频率调制分量,再分别对提取的啮合频率调制分量单独进行阶比分析,有效地抑制其他无关联轴上齿轮啮合振动信号和其他非阶比噪声信号对阶比谱的影响,较好地解决阶比信号相互干扰的问题,提高阶比谱的调制识别效果,为多输入多输出齿轮箱系统和齿轮箱集群的故障诊断提供一条有效途径。仿真算例和应用实例说明方法的有效性。     

基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法

针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题，提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换，将双时域变换谱的对角序列作为重构信号；然后对重构信号进行稀疏编码收缩，减小噪声与低频杂波的干扰；最后对降噪信号做包络谱分析，提取故障特征频率，判定故障类型，实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明，该方法可有效提取轴承早期故障信号中的微弱故障特征，准确判断故障类型。     

一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

基于迭代形态梯度解调算子的轴承故障检测

针对形态梯度算子结构元素需要单独选择,结构元素选择不当导致故障检测效果不佳的缺点,提出一种不需严格选择结构元素,通过形态梯度解调算子迭代提取脉冲信号的方法。对受到低频干扰的仿真脉冲调制信号和轴承故障信号的分析结果表明,此方法既抑制了噪声又充分突出了故障信号的冲击特征,对滚动轴承故障特征的提取效果更明显。具有计算速度快,不受低频干扰,结果准确稳定的特点。     

基于参数自适应特征模态分解的滚动 轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方 法。 首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络 谱特征能量比(FER-SES)的网格搜索方法自动地确定 FMD 的模态个数 n 和滤波器长度 L;随后,采用参数优化的 FMD 将原轴 承振动信号划分为 n 个模态分量,并选取具有最大 FER-SES 的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方 包络谱来提取故障特征频率,从而判别轴承故障类型。 通过仿真信号和工程案例分析验证了提出方法的有效性。 与变分模态 分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于角域同步平均技术的内燃机失火故障诊断

在利用缸盖振动信号诊断内燃机失火故障时,由于发动机工作背景噪声复杂,必须消除信号中的非周期分量和随机干扰,保留与发动机工作循环有关的周期分量。为了解决时域同步平均方法在转速波动时振动信号存在的不同步问题,提出了以旋转角度信号作为同步触发基准的角域同步平均技术,对内燃机缸盖振动加速度信号进行了处理,有效地削弱了随机噪声的干扰。分析了缸盖振动信号中不同激励源产生的响应分量与发动机失火故障的关系,利用缸盖振动加速度信号中的各个瞬态冲击响应更加易于识别,能有效地对内燃机失火故障进行诊断。     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

多分辨率能量波动-近似熵方法的设备故障诊断研究

结合小波包分解(WPT)方法和近似熵(ApEn)方法,提出一种多分辨率能量波动-近似熵方法的设备故障诊断技术.首先利用小波包分解将振动信号分解为各频率成分正交、无冗余和无遗漏的子信号,然后对子信号进行能量波动检验,给出故障的存在性诊断;对于存在故障的子信号进行近似熵计算,根据近似熵值的大小,分析信号的复杂性程度,即故障的严重程度.仿真及工程验证结果表明,提出的方法可以有效诊断设备故障的存在性及严重程度.