广义稀疏解卷算法研究及其轴承故障诊断应用

机械系统中轴承局部故障会导致振动信号中出现瞬态冲击成分,而瞬态成分的有效提取是实现轴承故障诊断的关键。最小熵解卷积是一种基于峭度准则的微弱特征提取方法,然而其在强背景噪声下的稳定性较差。因此,提出一种基于广义P算子稀疏准则的解卷积方法。首先理论推导出广义P算子稀疏准则下的优化解卷积表达式,然后建立以归一化频率能量比为指标的广义稀疏准则下的轴承故障特征识别方法,最后利用仿真信号与实验数据对提出方法进行验证。仿真信号分析结果表明了提出方法能够识别出强背景噪声下轴承微弱故障特征;同时实验信号分析结果也证明了提出方法能可靠地检测出轴承微弱故障,并优于现有最小熵解卷积等故障诊断方法。     

基于动态PSO-MCKD-HHT的滚动轴承故障诊断方法研究与应用

滚动轴承作为牵引电机的重要部件之一,其故障诊断的准确性对保证牵引电机的正常运转具有重要的意义。为提高轴承故障诊断的准确性及有效性,选用最大相关峭度解卷积(MCKD)结合希尔伯特-黄变换（HHT）的方法进行诊断。针对MCKD算法受移位数（M）,滤波器阶数（L）和冲击信号周期（T）特别依赖于经验的选择,选用动态粒子群算法对其进行优化,以降低噪声信号干扰,突出由故障激发的脉冲信号。再利用HHT算法得到信号包络谱,可以更好的识别不同故障类型。将VS与MATLAB相结合,可实现诊断算法应用到高级开发语言环境下。利用CWRU轴承数据集对算法进行验证,验证结果表明,该方法能够有效增强故障特征,得到轴承内圈故障频率为162Hz,轴承内圈故障频率为108Hz,可准确识别轴承的故障类型。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。     

基于VEITD和OSMHD的风电机组轴承损伤识别

针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题，提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解，得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理，提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明，所提方法对轴承损伤信号中的噪声抑制效果明显，能够准确提取风力发电机轴承损伤特征频率，实现风力发电机轴承的损伤识别。     

基于MPE与PSO-SVM的滚动轴承故障诊断

滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,本文提出了一种多尺度排列熵（MPE）与粒子群优化（PSO）的支持向量机（SVM）相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现此方法可以有效进行滚动轴承的故障识别。同时将此方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。     

基于博弈映射学习的多传感源信息融合三相电机智能故障诊断方法

利用多传感数据能够全面地诊断三相电机的各类机械或电气故障，然而现有的智能诊断方法缺乏有效的关键故障信息挖掘与跨传感源特征聚合学习机制，导致其诊断效果不佳。针对以上问题，该文提出一种基于博弈映射学习的多传感源信息融合三相电机智能故障诊断方法。首先，使用多个并行的自学习特征映射网络从各传感数据中自动地提取故障特征；然后，构建传感源鉴别器并使其与自学习特征映射网络形成博弈关系，精炼故障特征并引导其跨传感源分类聚合；之后，将样本差异度量损失函数引入到优化目标中，以确保各类故障特征之间的空间可分性；最后，利用故障模式识别器进行多传感故障特征融合诊断。实验结果表明，该方法能够基于振动、电流、声等多传感数据准确地诊断三相电机轴承故障、转子故障及电气故障，且诊断性能优于现有方法。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

输电线路在线监测的层次化通信网络规划模型

为解决输电线路在线监测系统中无线通信网络末端数据负担大、延时高的问题,满足网络的经济性和实时性要求,构建了基于无线传感器网络及光纤网络的在线监测层次化通信网络,并提出了网络多目标规划模型及优化决策方法。通过优化部署光纤分离引下点,以数据传输路径连通性和链路通信带宽为约束条件,建立了以通信网络建设成本和数据传输延时为目标的多目标最优化模型。采用多目标粒子群算法求得模型的最优解集,依据模糊熵权Vague集多属性决策方法,筛选出最满意的通信网络规划方案。基于模糊熵权的Vague集多属性决策方法,从最优解集中选取最满意的规划方案。最后,通过算例仿真验证了所提模型和算法的有效性,并分析了主观权重、数据速率及通信网络规模对规划布置方案决策的影响。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

纯电动车用驱动电机滚动轴承状态监测方法

驱动电机轴承健康状态是实现纯电动车可靠运行,避免发生安全事故的重要前提,针对纯电动车电机滚动轴承状态监测方法缺失的问题,提出一种基于稀疏自编码器(sparse auto-encoder,SAE)与支持向量机(support vector machine,SVM)的纯电动车用电机滚动轴承状态监测方法.在特征提取方面,利用...     

电动汽车PMSM退磁故障诊断及故障模式识别

电动汽车永磁同步电动机(PMSM)驱动系统受其功率密度、控制方式以及运行环境的影响,易出现永磁体局部退磁或均匀退磁故障,为了实现电动汽车PMSM驱动系统的安全可靠运行,PMSM退磁故障诊断与故障模式识别已成为亟需解决的关键技术问题之一。首先提出采用代数辨识法实现永磁体磁链的在线辨识,将辨识结果作为退磁故障定性诊断的依据;在此基础上,采用基于希尔伯特黄变换的定子电流瞬时频率分析方法,实现车用工况下局部退磁故障非平稳特征信号的有效提取。最后,通过系统仿真研究和实验研究证实建议的永磁体退磁故障诊断及故障模式识别的一体化解决方案能够在测量噪声和车用工况约束下,通过永磁体磁链的在线准确辨识及局部退磁非平稳微弱故障特征信号的有效提取,实现永磁体退磁故障的在线准确诊断及故障模式的有效识别。     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

动力学小波字典驱动的轴承故障个性化稀疏诊断

针对轴承信号稀疏分解方法中因轴承个性化振动行为导致稀疏分解字典与故障信号适配性差,以及因字典参数设置、选取不当而使其在实际应用中稀疏分解效果不佳的问题,提出一种基于动力学小波字典的个性化稀疏诊断方法。该方法基于有限元技术和稀疏分解的思想,根据轴承所处运行工况的不同,建立个性化动力学仿真模型,仿真出振动信号,并从中提取出单个瞬态冲击作为字典原子,将原子进行拓普利兹(Toeplitz)延拓生成动力学小波分析字典,结合正交匹配追踪算法(OMP)对信号进行稀疏分解并重构,提取轴承故障特征频率。动力学模型仿真信号和试验台信号的分析结果表明,相比常用的相关滤波算法(CFA)构造的参数字典、K-SVD自学习字典和快速谱峭度方法,所提出的方法可以更加准确有效地提取故障特征成分,且具有较好的的稳定性和可拓展性。     

Incipient Bearing Fault Detection via Motor Stator Current Noise Cancellation Using Wiener Filter

Current-based monitoring can offer significant economic savings and implementation advantages over traditional vibration monitoring for bearing fault detection. The key issue in current-based bearing fault detection is to extract bearing fault signatures from the motor stator current. Since the bearing fault signature in the stator current is typically very subtle, particularly when the fault is at an incipient stage, it is difficult to detect the fault signature directly. Therefore, in this paper, the bearing fault signature is detected alternatively by estimating and removing nonbearing fault components via a noise cancellation method. In this method, all the components of the stator current that are not related to bearing faults are regarded as noise and are estimated by a Wiener filter. Then, all these noise components are cancelled out by their estimates in a real-time fashion, and a fault indicator is established based on the remaining components which are mainly caused by bearing faults. Machine parameters, bearing dimensions, nameplate values, and the stator current spectrum distribution are not required in the method. The results of online experiments with a 20-hp induction motor under multiple load levels have confirmed the effectiveness of this method.     

基于协同滤波器和支持向量机的HVDC系统故障诊断

提出一种基于协同(consensus)滤波器和支持向量机的HVDC系统故障诊断方法。由于随机噪声的干扰,测得的输电线路中直流电压信号无法直接用于故障的检测,使用协同滤波器对多个传感器测得的直流电压信号进行滤波,然后将滤波后的结果用来构建故障检测滤波器,检测故障的发生。为更好的对检测出的故障进行分类,有效提取故障特征,对直流电压波形进行S变换。变换后的特征量作为支持向量机(support vector machine,SVM)的输入,建立系统故障诊断模型,并比较不同参数下的SVM模型性能。仿真结果表明,故障检测有效,且对不同的故障能正确的进行分类。     

基于时序特征模式识别的牵引电机过流实时诊断

针对牵引传动系统电机过流的实时诊断与精确故障溯源问题,提出了一种基于故障时序特征模式识别的实时诊断方法。首先对导致牵引电机过流的常见故障源进行分析,接着通过总结与工况强关联的事件时序变化规律,离线设计出电机过流故障时序特征模式诊断规则库,然后在线实时采集相关的传感器信号以及系统工况信息,计算相关特征量和事件标志,并与离线设计好的工况事件时序特征模式诊断规则库中各模式及诊断规则进行实时匹配,从而实现牵引电机过流故障的实时诊断与精确溯源。最后,基于现场故障案例数据进行测试,验证了所提方法的有效性。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

牵引系统支撑电容PHM技术研究

支撑电容作为轨道车辆牵引系统的核心部件之一,支撑电容发生故障将严重影响着列车安全稳定运行,因此研究支撑电容故障预测及健康管理(PHM)技术,实现支撑电容健康状态在线预测具有十分重要的意义.首先对支撑电容结构设计、工作特性及老化机理进行了深入的研究,将容值和ESR值退化率作为支撑电容失效判据,然后提出了基于数理统计+多项...