基于经验模态分解与支持向量机的旋转机械碰摩故障识别方法研究

碰摩故障是旋转机械常见的故障.本文以双盘悬臂转子-轴承系统的碰摩故障为例,提出基于经验模态分解和支持向量机的碰摩故障识别方法.首先对信号进行经验模态分解,得到多个固有模态函数之和,然后对每一个固有模态函数分量进行奇异值分解,得到矩阵的奇异值,将其作为信号的状态特征向量,利用支持向量机方法对多种碰摩故障进行分类,同时进行故障识别.试验结果表明,该方法的识别率明显优于传统的BP神经网络和RBF神经网络分类器,且鲁棒性好.     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

基于Teager-Huang变换的转子局部碰摩故障诊断

针对转子碰摩故障诊断问题,提出一种基于Teager-Huang变换的转子局部碰摩故障特征提取方法,该方法首先通过经验模态分解(Empirical mode decomposition,EMD)将原始振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后利用Teager量算子计算IMF分量的瞬时幅值和瞬时频率,得到故障信号的时频分布信息。通过转子局部碰摩故障诊断实例分析结果表明Teager-Huang变换方法比Hilbert-Huang变换方法能更好地追踪转子碰摩的发生,并能有效提取转子碰摩故障特征,验证了该方法的有效性。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点-转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。     

利用转子故障耦合动力学系统模型识别油膜涡动下的碰摩故障

转子碰摩故障通常为不平衡、不对中以及油膜涡动等故障引发的二次故障,其信号通常具有周期、拟周期和混沌这3种复杂的非线性特征。本文针对油膜涡动下的转子碰摩故障诊断问题,建立了含不平衡、油膜涡动以及碰摩故障耦合动力学模型,利用数值仿真研究了转子系统在油膜涡动下的碰摩故障频谱特征,提取了反映耦合故障的特征信息。为了准确的对碰摩故障进行诊断,通过不断改变系统参数获取了包括各种状态下的耦合故障样本。最后构造了结构自适应神经网络,利用一半样本对神经网络进行训练,再用另一半样本对训练好的神经网络进行测试,识别率达到了94%以上。计算结果充分表明了本文方法对于识别油膜涡动和碰摩耦合故障的有效性。     

基于提升小波和局域波的故障特征提取

针对局域波分解过程中由于噪声导致模态混叠问题,应用提升小波变换对信号进行预处理,消除噪声对局域波分解的影响,改善了局域波分解质量,避免了局域波分解过程中虚假模式分量的产生.对于转子系统碰摩故障诊断中微弱冲击性故障特征难于提取的问题,应用该方法对转子振动测试信号进行分析,然后对分解得到的高频基本模式分量进行Hilbert包络解调分析, 可以得到冲击响应信号出现的周期,准确提取了转子碰摩故障的特征信息.转子碰摩故障实验数据的分析结果证明了方法的有效性,可望应用于工程实际.     

全矢局部特征尺度分解及其在转子碰摩故障特征提取中的应用

为了更完整的提取转子碰摩故障特征,提出了一种新的转子碰摩故障特征提取方法——全矢局部特征尺度分解(Full vector local characteristic decomposition,FVLCD)。FVLCD将局部特征尺度分解(Local characteristic decomposition,LCD)和全矢谱(Full vector spectrum,FVS)相结合,通过LCD将互相垂直通道的振动信号分解成系列内禀模态分量并用Hilbert变换对其进行解调得到包络信号;然后通过FVS融合包络信号得到相应的全矢谱,在此基础上进行机械故障诊断。转子松动-碰摩故障分析结果表明该方法有效融合两个通道的振动信号信息,获取的故障特征更全面、准确。     

基于GA的自适应最稀疏时频分析方法及应用

为解决自适应最稀疏时频分析（ASTFA）方法中初始相位函数的选择问题,采用遗传算法（GA）对ASTFA的初始相位函数进行优化,提出了GA-ASTFA方法。进一步研究了GA-ASTFA方法抑制模态混淆的能力,分析结果表明,GA-ASTFA能较好地抑制模态混淆,分解得到的分量信号精度高,且可抑制分解中的伪分量。最后将GA-ASTFA方法用于转子碰摩故障诊断,实验分析结果表明,GA-ASTFA方法能有效提取转子碰摩故障特征信息。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

基于LMD谱分析的压气机转静子碰摩故障诊断

为了提取压气机转静子的碰摩故障特征,提出一种基于弹性支承振动应变信号的局部均值分解(LMD)谱分析方法。该方法通过在转子系统弹性支承垂直和水平方向的弹条上粘贴应变片,获取转子系统在工作过程中的振动应变信号,通过对振动应变信号进行LMD分解,并对LMD分解所得信号进行循环频率谱和切片谱分析,从而获得碰摩故障特征。分析结果表明:LMD可以对弹性支承振动应变信号进行有效分解;弹性支承振动应变信号经LMD分解得到第1个PF (Production function)分量的循环频率谱和各PF分量的切片谱均可提取转静子的碰摩故障特征频率。叶轮叶片的分解检查结果验证了该方法对转静子碰摩故障识别与诊断的有效性。     

基于信号共振稀疏分解的转子早期碰摩故障诊断方法

提出了基于信号共振稀疏分解的转子早期碰摩故障诊断方法,该方法用信号共振稀疏分解从转子系统振动信号中提取早期碰摩冲击信号。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现早期碰摩故障时,振动信号由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。利用信号共振稀疏分解方法从转子早期碰摩信号中提取冲击成分,根据冲击的周期可进行转子早期碰摩故障诊断。算法仿真和应用实例验证了该方法从转子系统中提取早期碰摩冲击信号的有效性。
     

基于改进EMD和FastICA的旋转机械耦合故障诊断方法研究

为研究旋转机械的耦合故障诊断问题,提出一种新的经验模态分解(Empirical Mode Decomposition,EMD)改进方法。该方法采用分段三次Hermite插值解决包络线过冲和欠冲问题[10],并结合斜率再优化的极值点延拓加窗函数实现端点效应抑制,进而对EMD分解中包络线拟合的结果进行优化,得到更加精确的内禀模态函数(Intrinsic Mode Function,IMF)。运用包络解调对IMF进行处理,再基于负熵的快速独立分量分析(Fast Independent Component Analysis,Fast ICA)方法对所得到的解调信号进行分离,最后求解分离信号的包络谱,通过谱分析确定故障的特征频率,实现故障诊断。通过转子不对中-碰摩耦合故障诊断仿真实例表明,该方法能够提取出故障系统转子圆盘振动信号中存在的倍频、分频及2倍频峰值,与不对中-碰摩耦合故障特征吻合,证明了该方法的有效性。     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

变分模态分解与神经网络结合的轴承故障诊断

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法(VMD)在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。     

基于改进Hilbert-Huang变换的转子碰摩故障诊断

针对信号总体平均经验模式分解中的两个参数———所加白噪声标准差和总体平均次数难以设置的问题,通过仿真信号实验分析,给出了这两个参数设置的一般方法。以转子碰摩故障信号为对象,提出了改进的Hilbert-Huang变换（HHT）算法并将其用于提取转子碰摩故障特征。仿真和实验结果表明,改进的HHT算法能较好地提取出转子碰摩故障特征,与传统HHT算法相比,改进的HHT算法效果更好。     

小波包能量谱在转子碰摩故障诊断中的应用

针对转静碰摩故障的振动响应问题,采用小波基函数db6三层小波包分解和能量谱相结合的分析方法,对实测的碰摩故障信号进行频带能量特征提取。通过对仿真和实测信号进行小波包分解后作频谱分析发现:当转子发生转静碰摩故障时,频谱图中除了转子的工频外,在分频、分频倍频处引起比较稳定的分数谐波,并出现了3x等高阶倍频频率成分。在对实测信号作进一步能量谱分析时,存在碰摩特征频率的频段能量发生了变化,因此小波包能量谱分析方法能够很好地区分转子的碰摩故障。     

机械转子动静碰摩故障的EMD分解Hilbert包络谱分析

为避免碰摩故障对旋转机械的影响,针对转子系统局部碰摩的特征,提出一种基于EMD分解Hilbert包络谱分析方法。该珐利用EMD方法分解含有碰摩故障的振动信号,提取出的IMF分量有明显的调幅特征,再对其中突出的IMF分量进行Hilbert包络谱分析提取出故障特征频率。与倒谱分析相比,得到的碰摩故障信息更加精确;与小波分析相比,能更容易提取出真实的故障特征。     

基于LMD的包络分解在转子故障特征提取中的应用

本文应用局部均值分解(local mean decomposition, LMD)方法对采集的转子振动信号进行处理,提取其故障特征。首先用LMD对转子同一截面上互相垂直的两个振动信号进行分解,然后对每个方向上的分解分量进行Hilbert变换,得到各分量的包络谱,根据分解频谱图分析转子的旋转故障特征。通过LMD方法分解得到的转子松动碰摩故障特征清晰、准确,表明了该方法的可行性和有效性。