从故障实例数据库中挖掘振动信号特征

复杂、并发故障诊断的难点在于这些故障的振动信号很复杂,特征很难获得,文中阐述了从实例数据库中挖掘故障特征的整体结构,定义了信号的绝对、相对和梯度特征及相应的绝对、相对和梯度模式实例,进而阐述了应用模糊聚类分析挖掘特征模式的方法,最后以往复式压缩机实例挖掘系统为例说明了该原理的应用。     

有关汽轮发电机振动故障的研究

本文应用层次分析方法对汽轮发电机结构和故障进行了分析,把汽轮发电机划分为系统、子系统和部件三个层次,分别对每个层次进行故障模式及影响分析,结合故障树分析方法得到了导致汽轮发电机振动故障的根本原因及其特征参数。提出了基于多属性特征距离的汽轮发电机振动故障诊断方法,最后给出了多特征属性距离诊断方法在汽轮发电机振动故障诊断中的工程应用实例。     

基于FSVM改良隶属度的发动机振动故障识别

为了更好的对航空发动机整机振动进行故障诊断和识别,提出了改良的FSVM隶属度和多类隶属度与信息熵的融合定量分析方法,并且和传统的FSVM隶属度分析方法进行比较。对传统的FSVM的模糊隶属度函数改良后建立了多类模糊隶属度计算模型。通过实验实例验证了该多类模糊隶属度与信息熵相结合的技术对于航空发动机整机振动状态评估和故障诊断识别非常有效,计算出振动故障模式与故障原因之间的权值,建立了一个多参数的发动机振动状态分析模型;并对各类振动原因对发动机整体状态的影响进行定量分析,为发动机的振动抑制提供量化参考指标。     

Volterra理论在滚动轴承内圈故障程度特征定量提取的研究

针对滚动轴承内圈不同损伤程度的特征提取问题,提出一种基于Volterra核函数理论和双谱分析相结合的故障特征定量提取方法。该方法利用系统输入输出振动信号确定Volterra模型;通过改进的多脉冲激励法对模型的Volterra核函数进行求解,并利用广义频率响应函数(GFRF)进行模型辨识;利用双谱及其切片谱图手段,分离并且量化提取二阶核函数中由于相位耦合所隐含的故障程度特征信息。利用滚动轴承试验台采集数据,对此分析方法进行实验验证,并与包络谱分析进行了对比。结果表明:在无明显冲击振动的情况下,利用双谱切片方法可以直观地对Volterra二阶核函数进行量化表述,并且能够有效地将正常轴承和不同损伤程度的内圈故障轴承进行区分。     

基于图论诊断法与小波包变换的数控机床进给系统故障诊断研究

在复杂机械系统未知故障诊断中,单一故障诊断方法诊断精度低、推理速度慢,不利于工程实际应用。针对这一问题,提出了基于小波包变换与图论诊断法的数控机床进给系统故障联合诊断方法。首先利用图论诊断法建立数控机床进给系统的故障模型,并根据故障原因定位算法快速确定引起故障发生的可能原因,缩小诊断范围;然后对振动信号进行小波包变换,进一步精确定位故障原因,最终实现数控机床进给系统中未知故障的准确识别与诊断。试验证明,基于图论诊断法与小波包变换的故障联合诊断方法,弥补了图论诊断法故障冗余解多和诊断精度低的缺陷,实现了未知故障的快速筛选与精确定位,可以高效、准确的诊断数控机床进给系统中的未知故障。     

旋转机械启动全过程DHMM故障诊断方法研究

旋转机械启动过程中的振动信号包含有重要的参考信息，研究该过程中的旋转机械运转状况，有助于发现存在于系统中的早期故障。根据离散隐Markov模型（DHMM）的建模理论，对旋转机械启动过程的振动谱矢量序列进行标量量化处理，并建立了各种模拟故障的DHMM进行故障分类尝试，实验证明，该方法是十分有效的。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

基于无参数经验小波变换的风电齿轮箱故障特征提取

风电机组通常以集群规模化运行,机组结构复杂、振动测点多,所产生的振动数据量大,仅靠人工进行故障诊断具有较大挑战。提出基于无参数经验小波变换的风电齿轮箱故障特征提取方法,运用尺度空间方法和经验法则对振动信号的傅里叶谱进行自动分割,获得不同的滤波频带,据此设计一系列经验小波滤波器对信号进行分解和重构,获得不同频带下的经验模式,进一步采用裕度因子对分解后的经验模式进行排序,选取裕度因子最大的经验模式作为故障敏感模式;该方法能在无需预设任何参数的情况下对振动信号进行分解与故障特征提取,具有自适应性。风电试验台和实测风电齿轮箱故障案例验证了方法的有效性。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

虚拟振动测试分析系统的的软件可靠性测试分析

介绍了应用动态链接库DLL技术构成虚拟振动测试系统的原理方法和编程特点,分析了虚拟振动测试系统的软件可靠性测试分析方法,提出虚拟振动测试分析系统的软件可靠性评价指标,分析了软件故障产生原因以及提出减少故障发生方法。     

Hilbert包络功率谱熵的曲轴轴系故障诊断

曲轴轴系是往复机械传动系统的重要组件之一,其工作状态对整套机械设备的正常工作和使用具有直接的影响。研究针对振动信号分析的曲轴轴系的损伤模式识别问题,提出一种基于Hilbert 包络功率谱熵和支持向量机相结合的往复机械曲轴轴系损伤识别方法。基于曲轴轴系损伤机理展开研究,分析曲轴轴系发生故障振动的原因,建立典型的机械故障动力学模型,并通过构建故障模拟与振动测试系统获取曲轴实时振动信号;基于CEEMDAN方法对信号进行分解,选取峭度较大的本征模式分量进行Hilbert 包络解调分析获取包络矩阵,计算信号的瞬时包络功率谱熵,可以明显看出曲轴轴系故障表征;最后进一步用SVM完成模式识别。数值模拟与实验结果验证了方法的有效性。该方法对往复机械曲轴轴系早期故障模式的识别具有较好的参考意义。     

基于MRSVD和信息融合的供输弹系统早期故障预示

对于供输弹系统早期故障中信号成分复杂、潜在故障征兆难以识别问题,提出基于多分辨奇异值分解能量特征和多场信息融合的供输弹系统早期故障识别方法。首先采集不同状态下供输弹系统的振动信号通过进行MRSVD分解,得到1个相似信号和8个细节信号,提取这些分量信号的能量特征并进行归一化处理,得其能量相对值;然后使用灰色关联分析对所提取的能量特征进行故障识别;为了提高故障识别准确率,将振动信号和声压信号用D-S证据理论进行融合识别。实验结果表明,MRSVD能量特征提取方法能有效提取供输弹系统早期故障特征,且经多场信息融合后可提高故障识别准确率。     

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断EI北大核心CSCD

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。     

基于SDA和KPCA特征融合的供输弹系统早期故障识别

对于供输弹系统早期故障信号成分复杂,潜在故障征兆难以识别的问题,提出基于堆叠式降噪自动编码器(SDA)和核主成分分析(KPCA)特征融合的早期故障识别方法。所采集的供输弹系统信号经过去趋势项和五点三次平滑法处理后,首先将不同状态的振动信号和声压信号分别通过SDA进行特征提取;然后用KPCA对提取的振动信号和声压信号特征进行融合;最后运用支持向量机(SVM)对融合前后的特征分别进行识别并对比。试验结果表明,该方法能有效地对供输弹系统早期故障进行识别,且识别准确率达92.4%。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于NeighCoeff和Hilbert包络分析的行星齿轮箱太阳轮故障诊断

针对行星齿轮箱的振动信号易受噪声干扰、信号成分复杂以及太阳轮易发生故障的问题,提出了基于小波相邻系数(Neigh Coeff)和Hilbert包络相结合的行星齿轮箱太阳轮故障诊断方法。建立了太阳轮局部故障的振动信号仿真模型,模拟噪声干扰下的太阳轮故障,利用Neigh Coeff对含噪信号降噪,对降噪后的信号进行Hilbert包络解调处理。仿真结果可得到更为清晰的频谱,证明该方法能够有效提取受噪声影响的故障特征频率。将该方法应用到行星齿轮箱太阳轮的故障诊断实验中,通过对太阳轮正常、断齿和磨损三种故障下振动信号进行实验,准确识别太阳轮故障,结果表明应用该方法能够有效地提高太阳轮故障诊断的准确性。     

工作变形在变压器状态识别中的应用

本文首先从油浸变压器振动机理及振动传播途径出发,研究油箱壁振动用于判定变压器工作状态的可行性。然后论述了目前常用的振动强度用于故障诊断的局限性,提出了应用ODS工作变形方法对变压器进行状态监测的方法。并针对传统ODS方法难以定量判断的缺点,引入ODS定量判据RAC,并通过设计了线圈垫块掉落的故障模式,模态测试显示垫块掉落后,线圈前4阶固有频率下降约10%,证明故障模式成立。最后,通过试验求得故障状态与两次正常状态的ODS,用定量判据RAC对三次ODS进行分析,并区分出故障状态和正常状态ODS的差别,说明工作变形在变压器状态识别中有效可行     

一种建立复杂系统相关性矩阵的新方法

由系统相关性模型建立相关性矩阵是基于相关性模型故障诊断技术的关键一步.针对复杂系统,往往存在冗余和工作模式不单一的问题,本文提出了一种新的求解冗余系统相关性矩阵的方法.分别求解系统单故障和最小故障与测试的相关性,将二者进行合并得到系统的相关性矩阵;给出了系统在多种工作模式下,多个相关性矩阵的合并原则.通过案例系统验证,说明该方法能够获得完整的复杂系统的相关性矩阵.     

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。     

基于VMD-RQA的直线振动筛激振力不平衡故障诊断

针对直线振动筛早期激振力不平衡故障难以诊断问题,提出了一种基于变分模态分解(VMD)和递归量化分析(RQA)的故障诊断方法。对振动信号进行VMD分解,将直线振动筛基频信号分离,并得到被淹没的各阶高频分量;绘制不同信号分量的动力特性递归图,计算递归图的量化指标,组成故障信号的非线性、非平稳性评价特征向量,将高维特征向量输入机器学习分类器中进行识别诊断,并与传统的特征提取方法比较。试验结果表明:在直线振动筛激振力不平衡故障现场,该方法所提取的特征参数具有最高识别精度,综合识别率为99.13%;且应用于旋转机械滚动轴承实例数据,综合识别率为99.38%,说明该方法具有一定的通用性和工程应用价值。