基于全矢局部均值分解的齿轮故障诊断方法研究

针对齿轮故障信号大多数是难分解的多分量的调幅-调频信号的问题,提出一种新的信号处理方法——全矢局部均值分解(FVLMD)方法。局部均值分解(LMD)可将多分量信号自适应地分解为多个单分量信号;全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将信号LMD分解得到的PF(Product Function)分量进行全矢谱融合分析,这样既可以将信号彻底分解,又可以保证其完整性。齿轮故障信号验证了该方法的有效可行性。     

全矢动平衡方法及其实验研究

将全矢谱技术应用于转子动平衡领域,提出1种新的转子动平衡方法——全矢动平衡方法(FVDB),给出了该方法的实现途径和核心算法.与传统影响系数法相比,该方法具有精度高、评价方法客观的优点.实验表明:该平衡方法效果好,操作简单,经该方法平衡过的转子,测得的振截面各个方向的振动都能控制到较低的水平,弥补了传统平衡方法单方向振动降低而其他方向振动仍处于超标状态的严重缺陷.     

全矢RNN的轴承故障诊断研究

本文提出了一种基于全矢谱的RNN故障诊断方法.RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类.全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征.经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型.     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于全矢谱技术的转子多截面信息融合及故障诊断研究

针对目前全矢谱技术存在的缺点,把全矢谱技术延伸到多个截面.利用全矢谱技术的快速算法,利用相位信息,从而形成全矢传递图谱.在处理稳态信号时,同时显示多个截面多个单频的空间形态,从而对故障进行精确判别;启停车过程中,用全矢传递瀑布图反映单频下随转速变化整个机组的状态变化,及时发现故障隐患.通过多个截面的信息融合,充分利用了信息,更有利于故障诊断与机组的监测.     

多级混合数据融合在回转机械诊断中的应用

根据大型回转机械现场实际,采用数据层、特征层和决策层3层次的混合信息融合技术,建立了空间转子诊断模型,并利用该诊断模型对某大型压缩机组进行了故障诊断.结果表明:采用该诊断模型诊断出的故障与现场发生的故障相吻合,诊断结果具有较高的可信度.     

基于信息融合的短时矢功率谱分析方法

研究了基于信息融合的旋转机械短时矢功率谱分析方法。根据单通道信号处理的不足,本文提出把全矢谱技术与短时傅里叶变换相结合,建立矢量信号的短时矢功率谱概念,导出其计算公式,阐述其图谱表达,并将其应用于实际故障诊断系统中。研究表明,短时矢功率谱可以对矢量信号的短时能量随频率、时间等的变化过程作出分析,可以应用于旋转机械故障诊断实践中。     

基于全矢最小二乘支持向量机的设备状态趋势预测

在支持向量机(SVM)基础上拓展出的最小二乘支持向量机(LS-SVM)非线性泛化能力更好,具有较高的拟合和预测精度,目前被广泛应用于设备状态趋势预测中。为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术提出一种新的趋势预测方法——全矢LS-SVM。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障LS-SVM预测数据特征提取的完整性,提高预测精度。将该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢LS-SVM方法具有较高的预测精度。