风电机组主轴承的刚柔耦合动态响应仿真分析

为揭示多动态参数激励下风电机组主轴承的动态响应,建立一种主轴承刚柔耦合多体接触动力学仿真模型。该模型考虑轴承保持架及内圈空间大范围运动与自身小变形的耦合作用,等效有油膜存在情况下的径向刚度与阻尼。利用该模型对某1.5 MW风电机组主轴承进行仿真分析。仿真中,对比验证模型的正确性与可靠性,得到主轴承运转过程中保持架与内圈的应力与应变关系;确定启动与平稳运行2种工况下保持架与内圈的受力危险位置。分析方法和研究结果对风电机组主轴承的选型及结构的优化具有一定的参考价值。     

IWO与BPNN混合智能算法在 转子故障诊断中的应用

在经典IWO杂草算法的基础上提出一种适用于神经网络优化的新算法。该算法将多种结构的神经网络权值阈值编码为不同维度的杂草种子，以神经网络均方误差作为种子适应度的统一评价标准，同时对多个维度的杂草种子进行排序筛选，实现了神经网络权值阈值与结构同时优化的目的。应用该方法于转子系统故障分类问题，实验结果表明该方法可以在结合BP算法优势的同时有效优化神经网络各参数，可以得到分类精度高、结构最简且泛化能力强的神经网络故障分类器。     

基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法.首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息.结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断.     

转子故障特征数据分类的KPCA-BFDA方法

对非线性转子系统故障特征数据的分类方法进行了研究.在提出一种偏费歇判别分析法(biased fisher discriminatory analysis,简称BFDA)的前提下,进一步提出将核主成分分析法(kernel principal component analysis,简称KPCA)与偏费歇判别分析法相结合的数据集降维方法,该方法中的核主成分分析步骤用于构造剔除数据集冗余信息的降维数据集,偏费歇判别分析步骤用于进一步降低数据集维数并提高不同类别数据子集间的分离程度.对实例数据与典型故障数据的分类结果表明,提出的偏费歇判别分析法在具备费歇判别分析降维可分性能的基础上,具有更低计算复杂度的特点.提出的核主成分分析结合偏费歇判别分析的算法,其对应的降维结果能直接应用于线性分类器,且取得了较好的分类效果.     

多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

基于DSP的滚动轴承数据采集与处理系统设计

介绍了一种基于DSP的滚动轴承数据采集与处理系统，该系统以DSP芯片TMS320C6713为核心处理器，由数据采集部分、DSP数据处理部分、CPLD控制部分和PC机通信部分等组成。本文对其中的关键电路进行了介绍，并把该系统应用到滚动轴承的故障诊断中，取得了较好的效果。     

故障特征选择与特征信息融合的加权KPCA方法研究

针对旋转机械振动故障特征与故障类别间不完全对应问题,以双跨转子系统12个通道的故障信息集合为研究对象,提出一种基于加权核主成分分析的故障敏感特征集合提取方法。通过对每个通道的振动信号进行时域、频域、时频域的特征提取,得到一种描述双跨转子系统的原始故障特征集合。采用多准则特征选择方法对这种原始故障特征集合进行特征属性筛选,得到一种利于故障分类的敏感特征集合。对这12个通道的敏感特征集合进行信息融合处理,可得到一种多通道信息的融合特征向量,利用加权核主成分分析方法提取出融合特征向量中的核主成分。结果表明,这种核主成分能够显示出故障类别间的较显著差异,和具有较好的敏感特征子集寻优能力。该研究为解决好双跨转子系统的故障数据集的类别划分问题,提供了一种新途径。     

基于滑动窗口相似性因子分析的不均衡故障数据分类研究

针对机械装备监测过程中不均衡故障数据难以辨识,提出了一种基于滑动窗口相似性因子分析方法。该方法引入滑动窗口技术,通过分析目标数据与历史数据的PCA相似性因子,从旧的过程数据中筛选出与诊断目标相似的数据,构成待选数据池;然后采用距离相似性因子,从待选数据池中选择出与目标数据最相似的数据用于辅助训练。将该方法用于转子故障的不均衡数据分类中,在不同偏斜率下采用KPCA-SVM方法进行故障分类。结果表明:该方法可有效地改善分类决策边界,降低由样本不均衡而引起的误诊断率。     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。