旋转机械局部故障力的模型诊断及瞬时故障力识别

针对旋转机械中出现的大量局部故障现象,采用基于模型的故障诊断方法提取剩余振动量,利用模态扩展推测转子系统各节点瞬态振动,针对模型诊断中等效力出现的发散情况,提出通过最小二乘法利用挠曲线确定单一周期和准周期故障发生位置.提出利用瞬时能量判别瞬时故障力大小的方法,从而诊断出系统中故障严重程度.实现了仅利用少量传感器即可对转子系统进行精确故障位置和故障力大小的诊断.对转子系统的碰摩故障进行数值仿真,并在转子试验台进行试验验证本方法的正确性.     

基于遗传算法的旋转机械故障诊断方法融合

针对任何单一性质故障特征、单一诊断方法难以实现在整个故障状态空间上准确诊断的局限性,提出基于遗传算法的旋转机械融合诊断方法。该方法能有效利用各种不同性质故障特征和不同诊断方法,使其发挥各自的优点,从而提高诊断的准确率。针对不同特征利用遗传算法将神经网络诊断和人工免疫诊断方法融合起来,使每一个诊断方法都在其优势空间区域发挥作用,使用小波包能量特征和双谱特征对两种诊断方法训练后,用遗传算法优化诊断融合权值矩阵对旋转机械进行实例诊断结果表明,该融合诊断方法能有效地提高故障诊断的准确率,并能提高诊断系统的鲁棒性。     

2D-HIDDEN MARKOV MODEL FEATURE EXTRACTION STRATEGY OF ROTATING MACHINERY FAULT DIAGNOSIS

A new feature extraction method based on 2D-hidden Markov model(HMM) is proposed. Meanwhile the time index and frequency index are introduced to represent the new features. The new feature extraction strategy is tested by the experimental data that collected from Bently rotor experiment system. The results show that this methodology is very effective to extract the feature of vibration signals in the rotor speed-up course and can be extended to other non-stationary signal analysis fields in the future.     

基于Volterra级数和SVM的旋转机械故障诊断方法研究

提出一种基于Volterra级数和支持向量机的旋转机械故障诊断方法。该方法首先利用量子粒子群优化算法辨识出正常、转子碰摩、转子裂纹、基座松动四种状态下的Volterra核,分别利用一阶Volterra核和前三阶Volterra核作为特征向量,然后将这些特征向量输入到SVM(support vector machine)分类器中进行识别。实验结果表明,提出的方法是有效的,当利用一阶Volterra核作为特征向量难以区分故障时,可以利用更高阶的Volterra核作为特征向量来区别,这些体现出所提出方法在旋转机械故障诊断中独特的优势。     

用于旋转机械故障诊断的一种张量增强型前向神经网络模型

在多层前向神经网络模型的研究基础上，提出了基于张量的增强型前向神经网络诊断模型，以实现在已知输入模式不变的情况下，增强原始模式的表达，从而提高了诊断的精度。试验结果表明，本模型对工程应用具有较高的实用价值。     

基于应力波的低速滚动轴承故障诊断新方法研究

针对低速旋转机械故障诊断难题,文中以高频应力波信号为特征参量,采集低速滚动轴承机械故障信号.根据故障应力波信号的特点,通过对几种小波基函数进行比较筛选,选择Db10(Daubechies 10)小波对信号进行分析.用Db10小波函数对故障应力波信号进行多尺度分解,同时将分解变换后的各尺度能量进行比较,进行信号重构.结果表明, 应用小波分析很好地消除了故障应力波信号中背景噪声的影响,成功提取了故障特征频率.     

双相干谱和RBF网络在旋转机械故障诊断中的应用

双相干谱保留了信号的相位信息,可以用来描述非线性相位的耦合,径向基函数网络具有良好的推广能力和分类能力。文中将双相干谱和径向基函数网络结合,提出一种基于双相干谱与径向基函数网络相结合的旋转机械故障诊断方法,即以双相干谱为故障特征向量,以径向基函数网络作为分类器,对旋转机械的故障进行分类,并以转子不平衡、转轴碰摩、油膜涡动为例进行实验研究。实验结果表明,结合双相干谱和径向基函数网络的旋转机械故障诊断方法是有效的。     

石化旋转机械振动故障诊断与治理实例

介绍某石化总厂自备汽轮发电机组及生产流程中的高速风机由于机械与热不平衡、管道力作用、轴承座台板松动及刚性不足等引发的振动问题。根据旋转机器的具体特性,在时域和频域中分析不同工况下的振动特征,对上述问题进行诊断和治理。结果表明,诊断结论是正确的,治理措施取得良好的减振效果。     

粗糙集规则获取在旋转注水机组故障诊断中的应用

粗糙集理论能够有效地处理不精确、不完整的数据和知识,并从中发现隐含知识,提示潜在规律。提出一种基于粗糙集理论的大型旋转机械故障诊断和知识获取模型。该模型从包含冗余和不一致信息的原始数据出发, 构建决策表,通过属性约简和基于分明矩阵的属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库。基于该模型以某旋转注水机组故障分析为例,从来自实际的经验数据获取旋转注水机组转子故障诊断的规则知识,其属性约简率可达25％,并能有效解决旋转注水机组故障诊断中规则获取的知识冗余或缺失问题,验证了其有效性。     

旋转机械振动信号的信息熵特征

从信息融合的思想出发 ,针对单个和多个振动传感器 ,在时域、频域以及时 -频域系统、深入地研究了定量评价旋转机械振动状态的方法 ,提出了反映不同域中振动能量分布不确定性的奇异谱熵、功率谱熵、涡动状态特征熵、小波空间特征熵等信息熵特征。通过对实际信号的分析表明 ,这些信息熵形成了有效综合评价转子振动状态的特征指标。     

FAULT DIAGNOSIS EXPERT SYSTEM FOR ROTATING MACHINERY BASED ON A FUZZY PROBABILITY LOGIC INFERENCE MODEL

ＦＡＵＬＴＤＩＡＧＮＯＳＩＳＥＸＰＥＲＴＳＹＳＴＥＭＦＯＲＲＯＴＡＴＩＮＧＭＡＣＨＩＮＥＲＹＢＡＳＥＤＯＮＡＦＵＺＺＹＰＲＯＢＡＢＩＬＩＴＹＬＯＧＩＣＩＮＦＥＲＥＮＣＥＭＯＤＥＬＸｉｏｎｇＧｕｏｌｉａｎｇ；ＺｕｏＨｕｉｊｉｎｇ（ＥａｓｔＣｈｉｎａＪｉ...     

基于CHMM的旋转机械故障诊断技术

隐马尔可夫模型(Hidden Markov model,HMM)是一种具有较强的时间序列建模能力的信号模式处理工具, 在语音处理中获得了广泛应用,特别适合于非线性、重复再现性不佳的信号的分析。基于振动信号与语音信号的相似性,将CHMM(Continuous Hidden Markov model)引入了旋转机械的故障诊断中。采用12阶LPC倒谱系数进行特征提取,建立CHMM,为防止数据下溢,引入前向一后向比例因子算法求其对数似然概率,并且采用K-means 算法对CHMM进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch 算法实现参数重估,并给出了重估公式。最后,在转子试验台上模拟了四种故障试验,建立了四种故障的CHMM 模型,通过求其最大似然概率值来决定机器的运行状态,试验结果证明了该方法的有效性。     

基于数学形态学的旋转机械振动信号降噪方法

基于数学形态学实现振动信号降噪。研究了数学形态滤波器对振动信号在不同类型、不同强度噪声干扰下的降噪能力,提出了采用开—闭和闭—开组合数学形态滤波器实现旋转机械振动信号降噪处理的方法。通过仿真计算及实例,检验了形态滤波器的滤波效果,表明数学形态滤波器可以有效剔除脉冲、降低随机噪声干扰,提高振动信号的信噪比。对强烈噪声干扰采用傅里叶变换与形态滤波器结合的处理方法可以取得明显的滤波效果。并具有算法简单、运算速度快的特点。     

OBJECTIVE MACHINERY FAULT DIAGNOSIS USING FUZZY LOGIC

Vibration-based machine condition monitoring incorporates a number of machinery fault detection and diagnostic techniques. Many machinery fault diagnostic techniques use automatic signal classification in order to increase accuracy and reduce errors caused by subjective human judgment. In this paper, fuzzy logic techniques have been applied to classify frequency spectra representing various rolling element bearing faults. The frequency spectra representing a number of different fault conditions have been processed using a variety of fuzzy set shapes. The application of basic fuzzy logic techniques has allowed fuzzy numbers to be generated which represent the similarity between frequency spectra. Correct classification of different bearing fault spectra was observed when the correct combination of fuzzy set shapes and range of membership domains were used. The problem of membership overlapping found in previous studies, where classifying individual spectrum with respect to spectra that represent true fault classes was not conclusive, has been overcome. Further work is described which will extend this technique to other classes of machinery using generic software.     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足,结合设备状态检测和故障诊断中微弱振动信号难以提取的问题,在介绍全信息技术的基础上,提出新的信号处理方法——全信息小波包分析,用小波包变换对双通道信号分别进行分解,以提取信号中的微弱局部成分,把需要的对应小波包进行重构并用全矢谱技术进行融合,根据融合后的数据进行故障诊断。工程应用实践表明,全信息小波包分析是一种新的、较为实用的信号处理方法。     

基于声发射和关联维数的空气压缩机故障诊断技术研究

针对空气压缩机的结构复杂、振动激励源众多、故障诊断与状态检测难度大的问题,提出一种空气压缩机声发射信号的关联维数故障诊断方法.在分析关联维数计算的参数选择基础上,采用奇异值分析的嵌入维数计算法和平均位移的延迟时间计算法等获取声发射信号的关联维数.利用现场往复式压缩机模拟吸气阀座松动、吸气阀弹簧片变形、吸气阀弹簧片失效、阀片变形和阀片失效等五种典型故障.声发射信号的关联维数计算分析结果表明,设计方法能有效诊断压缩机气阀的故障模式.     

阶比双谱及其在旋转机械故障诊断中的应用

双谱分析是处理非线性、非高斯信号的有力工具,然而,它是以分析恒频振动的稳态信号作为前提条件的,对分析旋转机械中广泛存在的变频振动信号（如旋转机械升降速信号）是无能为力的。而阶比双谱是一种分析变频振动信号的新方法,它将非稳态信号按等转角间隔进行采样,得到阶域中的稳定信号,再进行双谱分析;仿真显示该方法优于阶比谱和传统双谱。最后,将该方法成功地应用到旋转机械升降速过程的故障诊断中,实验结果表明该方法是有效的,阶比双谱可很好地分析机械振动的非线性非平稳信号。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程,适用于动态过程的时间序列的建模并具有强大的时序模式分类能力,特别适合非平稳、重复再现性不佳的信号分析;小波变换具有多分辨率分析的特点,在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合,提出基于小波变换的HMM状态识别法,利用Daubechies小波进行8尺度的小波分解,然后从小波分解结构中提取一维信号的低频系数作为特征向量,将其输入到各个状态HMM来进行训练,其中输出概率最大的状态即是机组运行状态,从而实现状态的识别,实验结果表明该方法很有效。     

适于往复机械非平稳振声分析及诊断技术的研究及应用

针对往复机械非平稳时变冲击型振声特点,提出了同步锁相滤波预处理、AR-短时谱（STP）及AR-伪Wigner分布（PWVD）等适用的处理及分析方法。以190柴油机诊断为具体应用目标,进行了以上理论及方法的验证及应用工作。试验及分析结果表明了以上方法的有效性及工程实用性。对于几种机器故障状态的分析结果,以上各方法间的对应情况相当好,符合机器运行机理及故障特征,是进行往复机械振声分析及诊断的有效途径。     

小波改进阈值去噪和经验模态分解相结合的旋转机械故障特征提取

针对实际工程信号易受噪声干扰导致提取的故障特征不明显的问题,将小波改进阈值方法和经验模态分解(Empirical Mode Decomposition,EMD)相结合,提出一种基于小波改进阈值的经验模态分解去噪方法,并应用到旋转机械故障特征提取中。首先,为了克服传统小波阈值方法在阈值函数的连续性以及重构误差等方面的不足之处,研究小波改进阈值方法并利用其进行振动信号预处理,减少随机噪声对振动信号的干扰,同时减少EMD分解过程中的分解层数以及其边缘效应对有用信号分解质量的影响。在实际应用中,由于振动信号中混有多种不同性质的噪声,预消噪处理常常不足以消除全部噪声的干扰,因此有必要用EMD相关度方法适当地消噪后处理,提高故障特征提取的准确度,研究为旋转机械故障进一步识别诊断提供了重要的参考。