转子碰摩波内调制特征提取及其故障诊断应用

为深入分析不同转静碰摩故障引起振动响应信号波内调制特征的变化规律,以Jeffcott转子模型为基础,采用基于变分模态分解的Hilbert变换方法对不同碰摩故障仿真信号进行波内调制特征的提取与分析,揭示了碰摩转子的动力学特性与其故障信号波内调制特性间的关联机理.仿真结果表明,周期琅碰摩故障将导致振动响应信号中低频段波内调...     

汽轮机碰摩故障信号频带能量特征研究

对汽轮机碰摩故障的非线性振动信号用小波包分解的方法进行了研究。在Bently转子实验台上模拟轻微碰摩和碰摩加剧两种故障状态,采用db3小波基函数进行小波包分解,进行了各频带的能量特征分析和各频带重构信号的特点分析,实现了对确定碰摩故障程度频带的提取。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

形态学降噪在转子分形故障状态识别中的应用

将描述混沌运动的关联维数用于转子系统振动信号分析,并针对现场实测振动信号中存在的噪声污染,引入形态滤波器对信号进行降噪处理。分析比较降噪前后转子4种状态(正常、油膜涡动、局部碰摩、全周碰摩)下信号的关联维数,结果表明利用含有噪声信号的关联维数来描述系统的特征行为是不可靠的,对现场实测信号进行降噪处理是必要的。形态滤波器具有良好的降噪效果,降噪后关联维数有效地反映和区分了转子的不同状态。将降噪后的关联维数作为转子故障诊断中识别故障、判断运行状态的特征量是可行的。     

基于小波包分析及Lyapunov指数的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型汽轮机转子振动故障信号,采用小波包分析和Lyapunov指数相结合的方法对其进行故障诊断.先对原始信号采用小波包分析进行滤波,提取有用的信号频段,再对滤波后的信号进行二次处理,提取混沌特征量--Lyapunov指数进行故障定位.诊断结果表明:小波包分析的方法有着很好的滤波和提取非平稳信号的能力;小波包分解重构后的汽轮机转子的振动时间序列在不同故障状态下的Lyapunov指数明显不同,因此,Lyapunov指数在进行汽轮机转子故障类型诊断时有较好的区分度.     

虚拟仪器技术在旋转机械故障检测中的应用

针对旋转机械碰摩故障的特征,运用电涡流传感器和虚拟仪器设计旋转机械故障检测系统,分析了转子碰摩振动信号的时域波形特征、碰摩振动时的轴心运动轨迹特征、振动频谱,由此可以准确检测和诊断转子的故障。     

EEMD能量熵在配电变压器绕组状态监测中的应用

利用振动法在线监测配电变压器绕组的状态关键在于如何从振动信号中提取有效的特征。为了更有效地监测与诊断变压器绕组的状态,搭建了某配电变压器多次短路冲击试验及负载试验时的振动信号监测平台,利用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)对变压器绕组的振动信号进行分析并求解其能量熵值,提出一种基于EEMD能量熵的配电变压器绕组状态监测与故障诊断的方法。实验结果表明,EEMD能够有效地提取配电变压器绕组振动信号的特征,得到振动信号各频带内的能量分布状态,可准确地在线监测与诊断配电变压器绕组故障。     

基于谱线再生技术的电机转子早期碰摩故障检测

针对电机转子碰摩时振动信号具有二阶循环平稳性的特点，提出了一种基于谱线再生技术的早期碰摩故障检测方法。该方法通过对转子振动信号进行二次非线性变换，提取二阶循环频率作为早期碰摩的故障特征，它利用振动信号的循环平稳性，达到了信噪分离的目的，能够比较容易地从复杂背景中提取出微弱的早期特征信息。通过仿真信号分析验证了这一点，并对刚开始触碰、早期尖锐型触碰和晚期平钝型触碰三种故障实验数据进行了分析，结果表明谱线再生技术确实可以简单、快速和准确地提取出转子早期碰摩故障特征。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

汽轮发电机组碰摩故障定位方法研究

根据汽轮发电机组碰摩故障的典型特征,利用谱理论对单盘转子碰摩位置的定位方法进行了研究.通过对原始信号奇异值的分解,提取出特征信号,然后对其进行计算分析,进而实现碰摩故障的定位,并利用碰摩故障定位软件仿真算例验证该方法的可行性.     

基于集合经验模态分解与Wigner-Ville分布的水轮机振动特征信号的分析研究

针对经验模态分解（Empirical Mode Decomposition,EMD）存在模式混合问题和魏格纳-维利分布（Wigner-Ville Distribution,WVD）对于多分量非平稳信号存在固有交叉项干扰的缺陷,本文提出一种将集合经验模态分解（EEMD）方法与魏格纳-维利分布（WVD）分析方法相结合的方法,即抑制了WVD对于多分量非平稳信号却存在固有交叉项干扰的缺陷,又发挥了WVD描述信号的时变特征性能。通过仿真试验表明该方法能有效的抑制了交叉项干扰,并将其应用于水轮机振动信号特征信号的提取中,为后续进行机组故障诊断提供有效的分析工具。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

基于CMF-EEMD的风电齿轮箱多故障特征提取

针对EMD(empirical mode decomposition)模态混叠现象和由于所添加白噪声幅值单一而影响EEMD(ensemble empirical mode decomposition)分解精度等问题,提出了一种新的信号处理方法CMF-EEMD。CMF(combined mode function)将EMD分解得到敏感的IMFs按高低频进行组合,形成两个包含高低频的本征模态函数Ch和CL,然后通过添加不同的白噪声幅值对Ch和CL分别进行EEMD分解,最后对敏感的IMFs进行循环自相关函数解调分析。将提出方法应用于仿真信号和风力齿轮箱试验台的振动信号,成功提取了多故障特征频率,验证了此方法的有效性。并通过与添加单一白噪声幅值进行对比分析,凸显此方法具有更高的分解精度。     

基于EEMD峰度阈值变压器振动信号降噪方法

针对信号中的噪声影响基于振动信号的变压器早期故障诊断结果,提出一种基于集合经验模式分解自相关系数峰度阈值的降噪方法。该方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量,然后根据两者自相关函数特性的不同,利用峰度值剔除噪声,拾取有用信息。仿真信号和变压器振动信号的降噪结果表明,该方法的降噪性能优于其他方法。     

基于多维特征和多分类器的水电机组故障诊断

提出了一种基于多维特征和多分类器的水电机组故障诊断方法。通过提取水电机组不同状态下振动信号的时域特征、频域特征和集合经验模态分解-样本熵,构建多维特征,实现特征信息的多维互补,并利用遗传算法对构建的多维特征进行降维处理。以此多维特征作为分类器的输入,分别通过支持向量机、反向传播神经网络和朴素贝叶斯分类器进行故障诊断,将三种分类器的初步诊断结果进行融合得到最终诊断结论,从而提高水电机组故障诊断的准确率。为验证该方法的有效性,将转子不平衡、转子不对中、转子碰磨等故障在转子试验台上进行模拟,并用上述方法进行诊断,结果表明,较单维特征和单分类器,多维特征输入和多分类器融合的故障诊断准确率更高。     

汽轮机转子碰磨振动特征实测分析

为了分析识别实际汽轮机组在运行过程中的碰磨故障特征, 采用专用振动监测系统针对多台不同类型和容量的汽轮发电机组的振动信号进行长期连续在线监测, 记录机组长期运行的振动数据, 从中获得大量转子发生径向碰磨故障瞬间产生的冲击振动信号, 并采用信号时域分析和频谱分析技术对典型碰磨信号进行分析处理。比较机组在正常运行状态和碰磨故障状态下振动信号时间波形和频谱可以确定, 在多数情况下, 发生碰磨时机组产生瞬时的冲击振动, 信号中高频结构共振成分明显增加, 但转频及其谐波部分变化不明显。根据这些故障信号特征, 对于碰磨故障振动信号的检测方法和故障分析诊断技术进行讨论。