双谱切片的分形特性在减压阀故障诊断中的应用

减压阀是液压系统中的一种重要元件,也很容易发生故障,如何对减压阀发生的故障进行诊断,对于机械系统的维护有着重要意义.首先获取了减压阀振动时的正常信号和故障信号的AR双谱切片,再根据双谱切片所呈现出的自相似性,分别计算了每组数据的容量维数,并由计算结果进行故障诊断,取得了良好效果.     

基于故障诊断的双谱优良特性体现

双谱切片与AR功率谱相比,能有效地去除高斯噪声,保留了信号的相位信息。减压阀振动正常信号和故障信号的AR功率谱与双谱切片均呈现了不同的波峰特性。利用小波包对两种信号的功率谱与双谱切片分别进行了特征提取,并输入BP神经网络以诊断减压阀的故障信号,对两者的诊断效果进行了对比分析,以实验的形式清晰地显示了双谱和功率谱性能上的差异。     

小波包-双谱分析和Hilbert-双谱分析的滚动轴承故障诊断方法对比研究

滚动轴承故障诊断是机械故障检测中的一个重要方面. 为了提取滚动轴承微弱振动信号,给出了两种方法小波包-双谱分析法和Hilbert-双谱分析法,并就不同状况对两者进行了对比研究,结果表明,两者都克服了传统谱分析和普通双谱分析中不能充分体现故障信号的缺点.在高斯和非高斯噪声干扰很小时,前者优于后者;在高斯噪声干扰下,而前者更优于后者,在非高斯噪声干扰下,后者则无能为力,前者能够充分体现滚动轴承故障信息.所以小波包-双谱分析法为滚动轴承故障诊断提供了一种准确有效的方法.     

基于AR高阶谱及其关联维数分析的减压阀故障诊断

为了识别减压阀的工作状态,建立了减压阀不同工作状态采集信号的时间序列AR模型,绘制了AR三谱、双谱及其切片谱图,计算了各切片谱的关联维数,综合分析了不同工作状态系统的谱图及关联维数变化。分析结果表明,AR三谱、双谱、各切片谱及其关联维数各自对工作状态变化的敏感性不同,双谱对角切片的关联维数、三谱及其切片谱对工作状态变化较敏感,更适合用于减压阀故障诊断,同时AR三谱、双谱的一维切片谱及其关联维数在反映系统动力学特性方面分别存在对应关系,可以将切片谱和关联维数相结合对减压阀进行故障诊断分析。     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。     

双谱分析及其在滚动轴承故障诊断中的应用

双谱是处理非线性、非高斯性信号的有力工具,它包含了高阶谱的所有特性.针对滚动轴承具有非线性和非高斯的特性,利用双谱分析方法研究了不同故障模式下滚动轴承的双谱特性以及同一故障类型在不同程度时的双谱特性.实验结果表明,利用双谱特性能很好地区分滚动轴承的不同故障模式以及故障的严重程度,双谱分析方法在滚动轴承故障诊断中具有良好的工程应用前景.     

基于双谱估计的轴承非线性振动信号模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性耦合信号.本文对把高阶统计量用于滚动轴承非线性振动信号特征模式识别的方法进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法.利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位耦合信息的双谱特征图谱.实验研究表明,利用双谱图谱中不同的非线性耦合其故障特征模式不同的特点,可以快速地识别轴承的工作状态.     

基于双谱熵的齿轮裂纹故障特征提取

针对裂纹故障导致齿轮振动信号非高斯性变化这一特点,提出采用双谱熵对信号非高斯成分在双频域内的分布形态进行定量描述,并据此提取故障信息,得到裂纹产生期、扩展期的特征趋势。结果表明,双谱熵不基于信号能量信息,受非故障因素影响小,而且能有效抑制高斯噪声,同时又对微弱故障十分敏感。研究结果为后续故障诊断与趋势预测提供了新的有效方法。     

切片双谱分析在离心泵故障诊断中的应用

运用双谱及切片双谱分析技术对离心泵不同状态下的振动信号进行分析表明,离心泵在正常运行、地脚螺栓松动和空化状态下的双谱图的特征有着明显的差别,可以通过双谱对故障信号进行初步分类,且双谱的对角切片和反对角切片可以显著降低噪声干扰,进一步提取出故障特征频率,故可对离心泵的故障信号进行准确的分类和诊断。     

基于倒双谱分析的轴承故障诊断研究

将常规的双谱分析与倒谱技术相结合,提出了基于倒双谱的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行双谱分析,以消除噪声的影响,再计算双谱的倒谱,对信号进行倒双谱分析,可有效提高信噪比,提取轴承的故障特征。齿轮箱轴承内外圈故障振动试验信号的研究结果表明,倒双谱分析能有效地诊断轴承的故障。     

基于高阶谱的齿轮故障特征提取方法研究

基于高阶谱能够抑制高斯信号,并且可以在较强的背景噪声中提取故障信息的特点,在分析高阶谱的理论基础上,针对齿轮振动信号的非线性、频谱成分多样性等特点,研究了基于高阶谱分析的机械故障特征提取方法,提出了基于双谱估计的齿轮故障诊断方法.试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来.     

Application of higher order spectral features and support vector machines for bearing faults classification

Condition monitoring and fault diagnosis of rolling element bearings timely and accurately are very important to ensure the reliability of rotating machinery. This paper presents a novel pattern classification approach for bearings diagnostics, which combines the higher order spectra analysis features and support vector machine classifier. The use of non-linear features motivated by the higher order spectra has been reported to be a promising approach to analyze the non-linear and non-Gaussian characteristics of the mechanical vibration signals. The vibration bi-spectrum (third order spectrum) patterns are extracted as the feature vectors presenting different bearing faults. The extracted bi-spectrum features are subjected to principal component analysis for dimensionality reduction. These principal components were fed to support vector machine to distinguish four kinds of bearing faults covering different levels of severity for each fault type, which were measured in the experimental test bench running under different working conditions. In order to find the optimal parameters for the multi-class support vector machine model, a grid-search method in combination with 10-fold cross-validation has been used. Based on the correct classification of bearing patterns in the test set, in each fold the performance measures are computed. The average of these performance measures is computed to report the overall performance of the support vector machine classifier. In addition, in fault detection problems, the performance of a detection algorithm usually depends on the trade-off between robustness and sensitivity. The sensitivity and robustness of the proposed method are explored by running a series of experiments. A receiver operating characteristic (ROC) curve made the results more convincing. The results indicated that the proposed method can reliably identify different fault patterns of rolling element bearings based on vibration signals.     

Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis

Empirical mode decomposition (EMD) has been widely applied to analyze vibration signals behavior for bearing failures detection. Vibration signals are almost always non-stationary since bearings are inherently dynamic (e.g., speed and load condition change over time). By using EMD, the complicated non-stationary vibration signal is decomposed into a number of stationary intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. Bi-spectrum, a third-order statistic, helps to identify phase coupling effects, the bi-spectrum is theoretically zero for Gaussian noise and it is flat for non-Gaussian white noise, consequently the bi-spectrum analysis is insensitive to random noise, which are useful for detecting faults in induction machines. Utilizing the advantages of EMD and bi-spectrum, this article proposes a joint method for detecting such faults, called bi-spectrum based EMD (BSEMD). First, original vibration signals collected from accelerometers are decomposed by EMD and a set of IMFs is produced. Then, the IMF signals are analyzed via bi-spectrum to detect outer race bearing defects. The procedure is illustrated with the experimental bearing vibration data. The experimental results show that BSEMD techniques can effectively diagnosis bearing failures.     

基于小波包与关联维数的阀片故障诊断

结合了小波包降噪和关联维数对某往复压缩机阀片故障做了定量识别。实测阀片在正常和磨损两种工况下的振动信号,用小波包对信号进行降噪处理后,用改进的关联维数算法分别计算两个信号的关联维数。实例表明:小波包降噪能明显地滤除噪声,阀片在正常和磨损两种工况下的关联维数明显不同,关联维数可作为阀片故障特征的定量提取。     

批量钻削监测信号双谱特征融合研究及应用

基于钻削工步质量波动与监测信号特征变化之间的耦合现象,提出一种基于监测信号双谱特征的高精度批量钻削工步质量一致性控制检测方法。认为正常钻削过程的声发射和三向加速度振动监测信号可视为随机过程,满足或近似高斯分布,信号偏离高斯分布的程度与各钻孔加工质量波动间存在对应关系;以各钻孔声发射和加速度振动监测信号为研究对象,提取各钻孔监测信号的双谱幅值平均值为特征,对不同钻削情况下信号偏离高斯分布的程度进行定量分析;采用基于ReliefF算法的特征加权模糊聚类分析,进行基于监测信号双谱幅值均值特征矩阵的钻孔质量分类,并与人工检测的工步质量一致性结果对比分析。计算和分析结果表明,监测信号双谱特征与各钻削工步质量之间存在有机联系,对信号双谱特征进行融合聚类可分析批量钻削工步质量的一致性。     

基于AR双谱的溢流阀故障诊断

叙述了高阶谱应用于溢流阀故障诊断,并提出一种诊断溢流阀故障的方法。介绍了双谱的定义,进一步强调了高阶谱在提取故障信号的应用,文章对采样的数据进行处理后,用高阶累积量对数据建立AR模型,再进行双谱分析,针对溢流阀的双谱结构图、等高线图和其双谱切片图在正常情况和故障情况的不同进行对比,差异明显。结果说明,用高阶谱来诊断溢流阀故障是可行的,有效的。     

基于J散度的模式分类方法在故障诊断中的应用

提出了一种基于J散度的谱系聚类算法，对不同状态下信号的AR模型进行了分类，以分类结果建立正常信号的标准样本，比较待检样本与标准样本之间J散度和设定闽值的大小，实现对待检样本的分类。将该方法应用于往复式压缩机气阀的故障诊断中，比较J散度与欧氏距离和相关系数在分类中的效果，证实了基于J散度的模式分类方法的分类结果更加准确。