基于HHT方法的钻头振动信号识别

钻头振动波方法进行丛式井防碰监测时,提出将HHT方法应用于钻头振动信号处理,应用峭度准则及互相关系数准则对钻头振动信号降噪,通过时频分析准确识别出海上复杂条件下的钻头振动信号。首先应用EMD(Empirical Mode Decomposition)分解可以将复杂环境下的钻头振动信号分解为固有模态分量,采用峭度准则、互相关系数准则筛选信号进行降噪处理获得主要冲击成分并重组信号,然后通过Hilbert变换得到边际谱和瞬时频率,判断不同通道的信号来源,提取主要公共频段作为钻头振动信号。根据滤波后信号的能量建立钻头趋近风险邻井的防碰模型,通过海上丛式井防碰的现场数据验证了该方法的有效性。     

内燃机振动信号的混沌分形特性研究

运用分形及混沌理论对实测的内燃机各种振动信号进行了分析,计算了信号的Lyapnov指数及关维数。结果表明,缺盖振动混沌与确定性共存,而缸套,机身振动则为混沌振动,信号的关联维数可作为气阀机构诊断的一个诊断特征量。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

基于时频特征的光纤周界振动信号识别

在光纤周界安防系统中,蓄意入侵和环境噪声均能引起光纤传感器振动,在保证系统高灵敏度的前提下区分入侵和非入侵事件极为重要。为了有效识别各种光纤振动信号,本文依据入侵和环境噪声引起的光纤振动信号在时域上的短时特性以及复小波域各尺度上能量分布特征,提出了两级判别法识别光纤信号。第一级用时域特征,短时能量和短时平均过零率判断是否有振动发生;第二级用复小波提取光纤信号的能量分布特征,联合时域特征形成特征矢量,支持向量机(SVM)作为分类器识别是否为入侵信号及入侵类型。实验结果表明,此方法可以有效识别入侵信号和环境噪声引起的非入侵事件,提高了系统报警率,降低了误报率。     

基于KVMD-PWVD与LNMF的内燃机振动谱图像识别诊断方法

为了直接对内燃机振动谱图像进行诊断识别,提出一种基于改进变分模态分解(VMD)、伪魏格纳时频分析(PWVD)与局部非负矩阵分解(LNMF)的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题,提出了一种中心频率筛选的VMD分解层数改进方法(KVMD),然后将内燃机振动信号利用KVMD分解成一组单分量模态信号,并对生成的各个单分量信号进行伪魏格纳分析处理后表征成振动谱图像;在此基础上,对生成的内燃机KVMD-PWVD振动谱图像分别采用非负矩阵分解(NMF)和LNMF形成编码矩阵,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机对上述编码矩阵直接进行模式识别,以实现内燃机振动谱图像的自动诊断。最后,将该方法应用在内燃机故障诊断实例中,结果表明:该方法改进了传统图像模式识别中的特征参数方法,能有效诊断出内燃机气门间隙故障,三种分类器识别精度均大于93%,其中支持向量机的分类精度最高,达到99.8%,且采用LNMF形成的编码矩阵识别精度整体高于NMF,为内燃机振动诊断探索了一条新途径。     

分形几何在内燃机振动信号分析中的应用

本文将分形几何引入内燃机振动信号的分析之中,用分维数描述振动信号的复杂程度。对缸盖振动信号的谱分析表明,可以用分维数描述缸盖振动信号。当气门发生故障时,分维数将较正常时小,由此可判断气门状态正常与否及故障类型。     

基于小波分析识别内燃机噪声源

根据连续小波变换具有较二进离散小波变换和小波包变换更精细的尺度分辨率的特点,研究适用于发动机表面辐射噪声源识别的C-mor小波变换的修正与证明.以一台柴油机为例,用得到的声强识别了辐射噪声源,结果验证小波系数修正的正确性和实用性.     

基于缸盖振动信号频域特征识别气缸压力的研究

在不同的燃烧状况下同时测量缸盖表面振动信号和缸内压力信号,对平均处理后的信号进行频域分析,发现缸内压力信号中相对于基频前50阶的谐波分量包含了所关心的主要信息.根据频域分析得到的复数谱的对称特性建立了训练样本,并对建立的BP和RBF神经网络进行训练.训练的结果表明RBF神经网络可以在更短的训练时间内,获得更小的均方误差.利用不同的神经网络进行了缸内压力信号的识别,识别的结果表明,RBF神经网络识别的精度高于BP神经网络.     

基于EMD-Wigner-Ville的内燃机振动时频分析

在分析多分量信号时,WVD交叉项的出现极大干扰了对信号的时频分析,针对现有WVD交叉项抑制方法存在聚集性与交叉项成分抑制相互矛盾的问题,提出了一种基于经验模态分解(EMD)的WVD交叉项抑制方法。该方法首先利用EMD分解方法,将信号分解成相互独立的一系列具有不同特征时间尺度的固有模态函数(IMF),然后运用相关系数法对经验模式分解伪分量进行剔除,再对每个IMF进行Wigner-Ville分析,最后把各个IMF的Wigner-Ville分析结果线性叠加重构原始信号的时频分布。仿真实验结果表明,该方法既能有效抑制时频分布的交叉项,又保证了Wigner-Ville分布的时频聚集性。将EMD-Wigner-Ville应用在内燃机振动时频分析中,两个实例有效地揭示出了内燃机振动信号的特征信息,克服了HHT时频分布、Wigner-Ville时频分布在分析内燃机振动信号时的缺陷,是一种有效的时频分析方法。     

内燃机振动的现场平衡

在现代所生产的内燃机中，其理论上的各类不平衡力或力矩大多由多缸结构来自行消除。但由于制造质量以及内燃机的先天结构等原因，使得内燃机仍会存在残留的不平衡力，力矩及倾覆力矩。本文介绍了由日本学者大久保稔等发表的针对这种残留不平衡振源所采取的“现场平衡法”技术，使用这种技术可以达到较精确的平衡效果。     

基于振动声调制信号协整分析的螺栓预紧状态识别

振动声调制(vibro-acoustic modulation,VAM)利用低频振动和高频信号在损伤处相互作用所产生的非线性旁瓣信号进行结构损伤识别。在实际工程中,边界条件往往会影响被监测结构,干扰旁瓣的识别,导致损伤状况的误判。针对边界条件影响下的螺栓连接状态监测问题,提出了基于VAM信号协整分析的螺栓预紧状态识别方法。首先提取不同边界固定力下旁瓣信号的幅值作为协整变量,然后根据残差序列判断螺栓的预紧状态,建立具有鲁棒性的螺栓预紧力状态量化指标。实验结果表明:协整分析可以消除边界条件对VAM的影响,能够很好地表征螺栓的状态;协整残差的均方根(root mean square,RMS)值作为量化指标,能够有效地识别螺栓预紧力状态。     

基于振动信号的齿轮泵故障诊断

进行齿轮泵故障诊断时,首先采用基于马氏距离的传感器通道选择方法选择最佳振动信号,然后采用多项式最小二乘法去除信号趋势项,再基于五点三次平滑法对信号进行平滑预处理,最后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量分类机进行状态识别。应用实例表明在运用经验模态分解提取各频带能量作为特征参数时状态识别方法具有更高的识别率,能更有效识别齿轮泵的状态。     

高速列车齿轮箱振动信号诊断研究

随着高速列车运营里程的增加,以及运营速度的提高,列车走行部的服役性能以及安全性亟待解决。本文提供了分析了一些常规实用的方法 ,对于齿轮箱的故障进行了快速分析,为构建专家诊断系统和快速检测发现故障提供了支持。     

小波包在谐波减速器振动信号中的特征识别

为得到谐波减速器在不同振动状态的特征信息,应用"特征―能量"的理论和小波包变换的方法对XB-80-134H型谐波减速器的振动信号进行分析,得到不同振动状态的能量向量,即以信号各个频段振动能量密度值的组合作为能量向量,应用这些能量向量为谐波减速器的故障诊断提供了新的解决方法.     

柴油机振动信号的四阶盲识别分析研究

针对柴油机振动信号特征参数的识别提取比较困难,本文运用四阶盲识别的方法分析研究柴油机的振动信号。把基于FOBI(四阶盲识别)算法的盲源分离方法引入到柴油机振动信号的处理中,建立仿真模型对该算法进行验证,并对一组采用北京东方所振动测试仪器在柴油机上实测的振动信号进行分离实验,分离结果表明不同特征的振动信号可以被分离,且最大限度地保留了源振动信号的信息,该算法可以作为柴油机振动信号的预处理方法。     

解决内燃机振动问题之路

内燃机振动问题的根源是它的工作原理违背了惯性定律所揭示的：物体运动状态的改变总是落后于外力这一自然规律,它的结构无法具备平稳运行的基本条件,要改变这种状况只有将“内燃”改为“外燃”,这样不但可以使发动机运转平稳,并且还可具备许多现行内燃机高不可攀的优良特性。     

基于MSET和SPRT的内燃机气阀机构振动监测

提出了一种基于多元状态估计(Multivariate State Estimation Techniques,MSET)和序贯概率比检验(Sequential Probability Ratio Test,SPRT)的内燃机气阀机构振动监测方法.在该方法中,首先建立正常工况下各监测参数之间的关联模型;然后根据系统当前观测特征向量与各建模样本特征向量之间的相似性程度,使用MSET对当前观测特征向量进行估计,得到与观测特征向量相对应的估计残差;最后使用SPRT对观测特征向量的估计残差进行均值和方差检验,确定系统的工作状态.试验中,通过设置不同的气阀间隙大小来模拟内燃机气阀机构不同程度的异常工况,以整周期缸盖振动信号幅值域特征作为系统工况监测参数.试验结果表明,MSET可有效增强故障状态下的信号特征呈现,而SPRT可在较少的周期内实现内燃机气阀机构异常工况的识别,MSET和SPRT的结合有效地实现了对内燃机气阀机构异常工况的早期监测.     

小波分解及图像处理在内燃机振动诊断中的应用研究

内燃机缸盖振动具有明显的非平稳时变特点，因此在监测诊断时应尽量利用信号中的信息。为了克服时域和频域特征提取方法的不足，从而充分利用振动信号所包含的信息，本提出了一种新的内燃机故障诊断方法：对缸盖振动信号进行小波包分解，得到信号的时-频分布图，并利用软件方法定义图象，然后提取图象的各种特征参数实现诊断。将该方法用于6135柴油机气阀机构的故障诊断，取得了很好的效果。结果表明此方法简单有效，诊断精度较高，且对信号采样的要求不高，易于实用。     

基于振动信号的柴油发动机转速测量

利用振动信号测量发动机转速是一种不解体检测的重要方法,但其对发动机振动频率要求较高,因此转速急剧变化时,对测量精度影响较大。提出了基于希尔波特包络和自相关的新方法;利用小波变换消除基线漂移,再通过短时时间窗进行类稳态分析,并采用希尔伯特包络和三次自相关对信号进行时域分析,计算短时窗内的发动机转速,通过移窗法得到连续的发动机转速。通过在发动机台上进行变工况试验,同步采集振动信号和转速传感器信号进行对比分析,在急加速条件下转速测量最大误差小于1.4%,能够有效的满足柴油发动机转速的实时性和精确性要求,在车辆不解体检测和无负荷测功方面有很大应用前景。     

基于FDM的爆破振动信号分析

为提高爆破振动信号分析精度,针对其非平稳、非线性的特点,基于傅里叶分解理论展开研究。将爆破振动信号中有效信息分解到不同频率范围内,得到不同频率范围内爆破振动信号的细节特征。对分解所得优势分量进行重组后,进行时频分析。结果表明：经傅里叶分解处理后的重构信号在时域和频域上均具有很好的分辨率;傅里叶分解理论的应用可以避免模态混叠现象,提取指定频率区间的模态分量,提高爆破振动信号分析的准确性。