基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

基于非线性压缩变换的某型航空发动机整机试车排故分析

基于非线性压缩变换对某型航空发动机整机试车振动信号进行了特征提取与故障诊断;非线性压缩变换由于其幅值无关性,能够增强微弱信号特征的表征能力,同时能够提高时频图的能量聚集性;对某型航空发动机进行地面整机试车试验,并通过数据采集装置获取各测点的振动信号,然后利用非线性压缩变换良好的微弱特征表征能力与时频聚集性,并结合其他信号分析方法,对采集到的振动信号进行分析;最终,结合航空发动机的结构与理论知识,实现了对其可能存在故障的排查与猜测,同时验证了非线性压缩变换在航空发动机实际试车振动信号分析中的有效性与实用性。     

基于小波包分析的航空发动机故障诊断

航空发动机是一种复杂的旋转机械,故障种类多面且难以辨别。为了保定飞行安全,对航空发动机的故障进行正确、快速地检测,在分析航空发动机故障特征的基础上,利用发动机振动信号的时域指标判断发动机工作是否正常,再对存在故障的发动机振动信号进行小波包分解,作出频带能量图来进一步识别故障。按上述方法对某型涡轮风扇发动机在飞行中空中停车的振动信号作了分析,准确地识别出了故障。结果表明,小波包分解方法进行航空发动机故障诊断具有简单、直观的实际应用价值。     

小波降噪与BSS在航空发动机故障诊断中的应用

在航空发动机的故障诊断中,传感器测得的信号通常是非平稳的振动信号;受发动机工作环境影响,这些振动信号含有大量噪声且多路源信号相互混叠;传统的信号处理方法很难从此类信号中快速有效地提取出故障特征;运用小波阈值降噪结合盲源分离的方法对发动机振动信号进行了分析,并对某型航空涡扇发动机发生空中停车故障时的振动信号进行了分析,验证了该方法在航空发动机故障诊断中的有效性.     

转子系统早期碰摩故障特征提取方法研究

航空发动机转子系统是发动机的核心部件,针对发动机转子系统早期碰摩故障难以检测的特点,通过对碰摩机理分析及早期故障特征的研究,提出了基于小波变换对原始信号降噪和虚拟仪器对转子系统振动数据采集相结合的方法,对转子系统早期碰摩故障特征进行提取,并在转子试验台上进行了实验验证。结果表明,采用LabVIEW程序采集转子系统振动数据并存储,然后应用小波变换进行数据分析和处理,能够对转子早期碰摩故障特征进行有效地提取。     

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）和Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

机械故障诊断过程中的"类随机电报"问题

针对工程实际中所存在的测试仪器本身的饱和限幅影响，提出所谓“类随机电报”问题，并对测试仪器不同饱和深度所造成的“类随机电报”过程的自相关函数进行了计算机仿真研究，本文以类随机电报为背景，成功地提取了弱周期性故障信号；文章最后给出结论：当振动噪声较强而受测试仪器饱和特性一定程度的限幅时，仍然可以采用循环自相关分析方法提取淹没于其中的周期性微弱故障信号，从而实现往复运动机械装置的故障早期诊断。     

基于D-S证据理论的航空发动机振动故障分析

航空发动机结构复杂且工作条件恶劣,对其振动的有效分析是进行故障诊断的重要手段.由于不同特征量对振动具有不同的分析能力,为了综合利用不同特征项下的分析结果,采用基于D-S证据理论的信息融合方法对不同特征下的BP神经网络的诊断结果进行融合,并针对航空发动机实际工作状况提出一种利用神经网络的输出统计值构造信度函数的方法.通过对实测航空发动机试车时振动信号的实验分析结果表明,该算法可以有效地提高航空发动机振动故障识别的准确率.     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解（EMD）和Hilbert-Huang变换（HHT）组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture

Rolling element bearings are widely used to support rotating components of a machine. Due to close space locations of components in the machine, a vibration signal caused by bearing localized defects is easily overwhelmed by other strong vibration signals. Extracting the bearing fault signal from a multi-component signal mixture is thus significant to detect early bearing fault features and prevent machine breakdown. In this paper, a bearing fault diagnosis method, named cyclic spike detection method, is proposed to extract the weak bearing fault features from a multi-component signal mixture. Firstly, the optimal center frequency and bandwidth of a complex Morlet wavelet filter are determined by a simplex-simulated annealing algorithm along with a maximum sparsity objective function. The filtered signal is then obtained by applying the optimal wavelet filter to the multi-component signal mixture. After that, a new adaptive local maximum selection method is proposed to make the filtered signal succinct. Only a few spikes are retained to reveal potential cyclic intervals caused by bearing localized defects. Two multi-component signal mixtures, including a simulated signal and a real vibration signal collected from an industrial machine, are used to validate the effectiveness of the proposed cyclic spike detection method. The results demonstrate that the proposed method can extract the weak bearing fault features from other strong masking vibration signals and noise.     

基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法.首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量...     

基于LabVIEW的航空发动机气路故障分析系统设计

针对在航空发动机气路中带电粒子的电荷信号微弱,传感器工作环境恶劣的条件下,监测航空发动机气路故障的问题,设计了一种能适应高温、高噪声等恶劣工作环境并对电荷信号灵敏监测模型,使用LabVIEW软件建立了航空发动机气路不同工况中静电信号的子V1,对信号进行采集和分析.通过对航空发动机多种工况的模拟和试验,建立了航空发动机气路故障分析系统.结果表明:该监测模型分辨率高、信噪比高、稳定性好,可稳定地监测航空发动机的多种工况,为航空发动机气路故障诊断提供可靠的依据.     

基于奇异值分解及形态滤波的滚动轴承故障特征提取方法*

针对滚动轴承振动信号故障特征信息往往被强背景噪声淹没的问题,提出一种基于奇异值分解和形态滤波的振动信号故障特征提取方法。该方法利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,选择轨迹矩阵中主要反映冲击信息明显的奇异值进行信号重构的方法来滤除信号中的平滑信号和部分噪声,获取带噪声的冲击信号;然后利用形态滤波能有效滤除脉冲干扰噪声的特点,反其道而行之,从而提取信号的冲击故障特征的方法,并将该方法应用于轴承的振动信号的故障特征提取。仿真与实例表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法。     

融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状。提出一种融合优化的PSO-RVMD (Particle swarm optimization-Relevant Variational Mode Decomposition)与SAE (Stacked AutoEncoder)的旋转机械早期故障分类方法。智能分类方法主要有信号增强与智能分类两阶段组成。首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强。最后,将增强的早期微弱信号输入到SAE模型中进行训练。利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类。通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。     

航空发动机转子弹性支承动应力测试技术

对带弹性支承航空发动机转子的一种振动测试技术进行了研究,阐述了利用电阻应变电测法通过在转子鼠笼式弹性支承的弹条根部粘贴应变计进行动应力测试,从而获取转子振动信号的测试原理和测试方法.通过弹性支承动应力测试技术在转子动力特性试验和转子故障诊断中的应用,论证了该测试技术是转子振动测试的一种有效方式,得出了弹性支承动应力测试技术不仅能作为航空发动机带弹性支承转子动特性的常规测试手段,亦能为转子系统故障诊断提供故障识别依据.     

时频分析在发动机振动监测与故障诊断中的应用

针对航空发动机的振动监测和故障诊断,介绍了一种基于时域滑窗的短时傅里叶变换的时频分析方法.采用标准信号和发动机实测振动数据对该方法进行了验证,验证结果证明了该方法的正确性和优越性,表明了该方法可以准确有效地对发动机振动特征信息进行提取,用以进行发动机振动监测和诊断.     

基于Transformer的汽轮机滚动轴承早期微弱故障检测方法研究

为了应对滚动轴承早期微弱故障的挑战本文提出了一种新的方法。该方法首先采用PCA（主成分分析）对振动信号进行特征筛选，以降低数据维度，有效地简化了振动数据的结构，增强了特征的表达力。接着，使用CEEMDAN（完全自适应噪声集合经验模态分解）算法来分解被背景噪声干扰的微弱故障振动信号，它通过在经验模态分解（EMD）的基础上引入自适应噪声，增强了对微弱特征的识别能力，有够效地分离出趋势和噪声数据，显著提高了故障诊断的准确性。最后，引入Transformer模型，进一步优化了特征的提取和表征，实现对长序列数据的高效处理，用于微弱故障特征的提取和表征。这一综合方法具有降维、噪声抑制和长序列处理等多重优势，有望在滚动轴承故障检测中取得显著成果。