基于Hilbert-Huang变换的往复发动机气门间隙故障诊断方法研究

配气机构是发动机的重要组成部分,若发生故障将会使发动机工作性能大大下降,采用Hilbert-Huang变换的方法对发动机振动信号进行处理。通过计算信号的Hilbert谱、Hilbert边际谱和Hilbert边际能量谱,分析气门间隙变大及变小故障在各种图谱中的表现,证明了HHT方法在气门间隙故障诊断中的有效性。     

基于小波包和神经网络的柴油机气门故障诊断

通过调整柴油机不同气门间隙模拟故障,利用小波包分解算法对所采集柴油机缸盖表面的振动信号进行频带分解,以小波包频带能量百分比为特征向量,以同一工况下多次采样均值作为标准模式,通过改进BP神经网络实现了对柴油机气门间隙异常的故障诊断.     

基于振动信号的包装件损伤预测技术研究

为了对包装件的疲劳损伤进行预测,基于振动信号,提出一种HHT边际谱特征和相关向量机(RVM)相结合的包装件疲劳损伤预测方法。首先,设计了包装件的振动损伤测试系统并进行试验方案设计,在此基础上采集损伤状态数据;然后采用希尔伯特-黄变换HHT方法及边际谱特征对采集的振动信号进行预处理,采用多距离形态相似度评估方法构建包装件损伤指数;最后,将损伤指数作为相关向量机(RVM)的建模数据,结果表明该模型达到了较好的预测效果,实现了基于振动信号的包装件损伤预测。     

发动机特征振动信号的测试及小波分析

采用BSWA VS302 USB便携式双声道声学振动分析仪对DA462型发动机进行振动试验,试验时分别模拟气门间隙正常与故障状况,采集不同转速时不同气门间隙下发动机表面的振动信号.用db4小波对这些振动信号进行分解,重点分析了发动机排气门落座的冲击信号即D3层信号.分析结果表明：db4小波适合于发动机振动信号分析;发动机气门间隙的变化会引起振动能量的变化,气门落座冲击产生的能量占总能量的比例也会发生很大变化.根据测量不同转速时的能量分布结果和能量比数值,可以判断出当前气门间隙的工作状态,实现发动机在不解体情况下的状态检测.     

基于Teager算子的内燃机气门间隙异常故障诊断方法

为了探究气门间隙异常故障的诊断方法,分别通过仿真模拟与实验探究,运用ADAMS软件对配气系统核心部件进行建模,对不同气门间隙下部件的动力学行为进行模拟,探究故障机理和故障敏感特征。基于Teager能量算子,探究实际机组振动信号中气门间隙异常故障敏感特征的精确提取方法。在一台TBD234柴油机中模拟该故障,采集缸盖振动信号。结果表明,随间隙增大开启冲击相位推迟、关闭相位提前,峰值能量增大,验证了故障特征的敏感性和故障诊断方法的有效性。     

基于小波去噪与HHT的隔膜泵主轴故障诊断研究

往复式活塞隔膜泵的主轴的运行状况的好坏,直接影响着隔膜泵的正常运行,乃至整个管道输送系统的有效运行。提出一种基于小波去噪与HHT相结合的往复式活塞隔膜泵主轴故障诊断方法。先采用小波变换对原始振动信号进行去噪,再对去噪后的振动信号进行HHT处理,可以得到HHT边际谱,最后通过分析HHT边际谱,实现了对设备故障有效的诊断和研究。实验表明,通过基于小波去噪与HHT的方法对往复式隔膜泵主轴的故障诊断是有效的和可行的。     

基于数据挖掘的柴油机气门故障诊断技术研究

由于柴油机气缸缸盖振动信号具有复杂的时频特性,通过此类信号实现其气门故障的诊断较为困难。尤其在多种故障并发的条件下,故障确诊更为不易。为此,借助遗传算法提出一种基于统计规则的智能数据挖掘技术,对在不同气门状态下采集的大量柴油机气门缸盖振动信号进行知识挖掘,得到了进行多种气门故障确诊的有效诊断特征。试验表明,这一技术智能高效,结果准确无误,具有重要实践意义。     

基于小波包频带能量分解和欧氏贴近度的柴油机气阀机构故障诊断

通过调整柴油机气阀机构的不同气门间隙,采集柴油机缸盖表面的振动信号。利用小波包改进算法对所采集的信号进行频带分解。研究了不同气阀间隙情况下的缸盖振动频带能量分布规律。以频带能量为特征向量,以同一工况下我次采样均值作为标准模式,通过计算欧几里得贴近度实现了对柴油机气阀机构间隙异常的故障诊断。     

基于时频域状态指标的行星齿轮断齿故障检测

针对行星齿轮的振动信号提出了一种基于HHT(Hilbert-Huang Transform)方法的统计性状态指标——SHA值。首先对具有非线性和非平稳性的行星齿轮振动信号进行HHT处理,得到Hil-bert谱和边际谱,通过对比谱图发现故障数据与正常数据在啮频的某个邻域内有着较明显的差别。于是在Hilbert谱的基础上定义了状态指标SHA值--啮频某邻域内的幅值和。SHA值在时频分布内把正常数据与故障数据的差别量化,能够很好地指示故障。实验证明,用SHA值状态指标来识别行星齿轮的断齿故障是非常有效的。这为行星齿轮系统的故障检测提供了新的思维。     

基于时序分析与神经网络的气阀机构故障诊断

通过模拟柴油机气阀机构的两种主要故障 :气门漏气和气门间隙异常进行实验 ,采集缸盖表面的振动信号。利用时间序列分析方法对振动信号建立AR和ARMA模型 ,利用其参数及残差等指标作为特征参数 ,提取时域的均方根等指标。最后利用人工神经网络进行故障模式识别。结果表明方法是可行的 ,效果较好     

Fault Feature Extraction of Diesel Engine Based on Bispectrum Image Fractal Dimension

Fault feature extraction has a positive effect on accurate diagnosis of diesel engine. Currently, studies of fault feature extraction have focused on the time domain or the frequency domain of signals. However, early fault signals are mostly weak energy signals, and time domain or frequency domain features will be overwhelmed by strong back?ground noise. In order consistent features to be extracted that accurately represent the state of the engine, bispectrum estimation is used to analyze the nonlinearity, non?Gaussianity and quadratic phase coupling(QPC) information of the engine vibration signals under different conditions. Digital image processing and fractal theory is used to extract the fractal features of the bispectrum pictures. The outcomes demonstrate that the diesel engine vibration signal bispectrum under different working conditions shows an obvious differences and the most complicated bispectrum is in the normal state. The fractal dimension of various invalid signs is novel and diverse fractal parameters were utilized to separate and characterize them. The value of the fractal dimension is consistent with the non?Gaussian intensity of the signal, so it can be used as an eigenvalue of fault diagnosis, and also be used as a non?Gaussian signal strength indicator. Consequently, a symptomatic approach in view of the hypothetical outcome is inferred and checked by the examination of vibration signals from the diesel motor. The proposed research provides the basis for on?line monitoring and diagnosis of valve train faults.     

基于LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

Hilbert-Huang变换在滚动轴承故障诊断中的应用

提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法，在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱，并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解，对高频段的小波系数用Hilbert进行包络分析得到包络信号，再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱，从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析，说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。     

FAULT DIAGNOSIS APPROACH FOR ROLLER BEARINGS BASED ON EMPIRICAL MODE DECOMPOSITION METHOD AND HILBERT TRANSFORM

Based upon empirical mode decomposition (EMD) method and Hilbert spectrum, a method for fault diagnosis of roller bearing is proposed. The orthogonal wavelet bases are used to translate vibration signals of a roller bearing into time-scale representation, then, an envelope signal can be obtained by envelope spectrum analysis of wavelet coefficients of high scales. By applying EMD method and Hilbert transform to the envelope signal, we can get the local Hilbert marginal spectrum from which the faults in a roller bearing can be diagnosed and fault patterns can be identified. Practical vibration signals measured from roller bearings with out-race faults or inner-race faults are analyzed by the proposed method. The results show that the proposed method is superior to the traditional envelope spectrum method in extracting the fault characteristics of roller bearings.     

基于角域振动信号特征统计量的发动机故障分类方法

为了提高发动机故障分类的准确率和成功率,提出了基于角域信号特征统计量的发动机故障分类方法。包括：利用编码器进行发动机振动信号的等角度采样;采用小波包分析和相关系数法获取发动机角域信号的特征阶次;选取特征阶次信号的能量比、标准差比、谱能量比及谱均值比4组参数作为角域信号特征统计量来提取发动机故障特征;采用支持向量机法对发动机故障进行分类。连杆轴承配合间隙故障的台架试验结果证明:相比于传统的分类方法,该方法明显提高了发动机故障分类的准确率。     

基于Matlab的柴油机故障诊断

利用小波分析、BP神经网络技术处理柴油机工作时产生的振动信号。在输入层对振动信号进行小波变换,提取其在多尺度下的特征作为故障特征向量。根据这些特征向量进行BP网络的分析,以对柴油机进行故障诊断。在实验台上模拟了多个故障,并对柴油机工作时在汽缸盖上方振动信号采集和处理,对几种故障模式进行了成功的判别。结果表明此方法是可行和有效的。     

分形维数在内燃机振动诊断中的应用

将分形理论引入内燃机的振动诊断中,根据内燃机的配气定时,着重研究了缸盖振动信号中对应燃烧段的数据,计算其关联维数,将关联维数用于刻划内燃机缸盖在气门不同状态时表现的非线性行为,从而进行故障诊断与分类。结果表明,当气门在不同状态时,缺盖振动信号中对应燃烧段数据的关联维数是不同的,可以将其作为判断气门漏气的一个诊断特征量。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

Wear detection in gear system using Hilbert-Huang transform

Fourier methods are not generally an appropriate approach in the investigation of faults signals with transient components. This work presents the application of a new signal processing technique, the Hilbert-Huang transform and its marginal spectrum, in analysis of vibration signals and faults diagnosis of gear. The Empirical mode decomposition (EMD), Hilbert-Huang transform (HHT) and marginal spectrum are introduced. Firstly, the vibration signals are separated into several intrinsic mode functions (IMFs) using EMD. Then the marginal spectrum of each IMF can be obtained. According to the marginal spectrum, the wear fault of the gear can be detected and faults patterns can be identified. The results show that the proposed method may provide not only an increase in the spectral resolution but also reliability for the faults diagnosis of the gear.     

内燃机故障的多重分形诊断方法研究

实测了6135柴油机气门机构处于不同状态时的缸盖振动信号,计算振动信号的多重分形维数,将其用于刻划缸盖在气门不同状态时表现的非线性行为,从而对故障分类与诊断。结果表明,当气门在不同状态时缸盖振动信号的多重分形维数是不同的,可以将其作为判断气门状态的依据。