弗德卡曼滤波阶比跟踪解耦新方法

摘要：弗德卡曼（Vold-Kalman）滤波阶比跟踪法是目前旋转机械阶比分析中能对阶比耦合干扰进行有效解耦操作的方法。但是传统的弗德卡曼升滤波解耦方法存在计算效率低,在无法充分获得耦合阶比瞬时频率信息时不能使用等不足。本文提出了一种基于独立分量分析技术的弗德卡曼滤波阶比跟踪解耦方法。其先将混合观察信号分解为阶比分量、耦合干扰等不同的独立信号分量,再在此基础上对分离出的阶比分量信号对应独立信号分量进行弗德卡曼滤波阶比跟踪分析,有效解决了传统解耦方法计算效率低,解耦需要干扰信号瞬时频率的不足。文中对弗德卡曼滤波阶比跟踪和独立分量分析的基本原理进行了简要介绍,在此基础上提出了本方法的实现方案。通过仿真试验和实际测试对本方法的有效性进行了评价。
     

参数对自适应Vold-Kalman阶比跟踪影响的研究

对提出的基于瞬时频率估计的自适应Vold-Kalman阶比跟踪(AVKF_OT)新方法的实现过程进行了详细的描述。对影响AVKF_OT结果的三个主要的参数(权重因子r、滤波带宽BT和跟踪时间RT)进行了详细的分析,讨论了三个参数之间的关系,并以数学方式表达。通过仿真试验和卧式螺旋离心机验证了参数在AVKF_OT实现过程中的影响和作用。     

基于瞬时频率估计的自适应Vold-Kalman阶比跟踪研究

结合旋转机械启停阶段振动信号的特点,提出了一种基于Viterbi算法和短时傅里叶变换(STFT-VA)的瞬时频率估计算法,STFT-VA算法在高噪声、临近阶比和交叉阶比情况下有较高的精度.实现了基于STFT-VA算法的自适应Vold-Kalman阶比跟踪(AVKF-OT),和传统的以硬件实现的Vold-Kalman阶比跟踪(VKF-OT)相比,此方法具有无需转速计等硬件、用纯软件的方法实现.实验结果表明,该方法能够在时域中准确地提取幅值和复杂频率变化的阶比,适合于复杂旋转机械振动响应特征提取.     

基于改进阶比的变速器微弱故障特征提取

提出了一种基于转速调整的改进阶比分析方法,并应用于提取变速器齿轮微弱故障特征。从理论上分析了传统阶比方法分析转速波动信号的局限性,提出了基于转速调整的改进阶比分析方法,采用传统和改进阶比方法对实测转速波动信号进行分析,通过对比证实了转速波动对传统阶比分析结果有较大影响,而改进阶比方法能有效克服该影响,明显改善了分析效果,提高了分析精度。分别采用传统阶比和改进阶比方法对变速器加速振动信号进行分析,结果表明,传统阶比谱不能正确区分齿轮正常与轻微故障状态,而改进阶比谱能清晰反映齿轮正常与轻微故障状态的幅值能量变化,说明改进阶比方法能有效分析转速波动信号并正确提取出微弱故障特征。     

基于稳健全息阶比谱提取微弱故障特征

提出了一种稳健全息阶比谱方法,用于提取变速器变速过程的微弱故障特征。首先分析了转速波动对传统阶比方法分析精度的影响,构造了基于转速调整的改进阶比方法,对水平与垂直方向加速过程信号的改进阶比谱进行全息分析,构成稳健全息阶比谱,并与单测点改进阶比谱结果对比。试验表明,改进阶比谱能有效抑制转速波动对等角度采样的影响,提高了阶比谱分析精度,有效增强了全息阶比谱的稳健性;相对于任一方向单测点阶比谱,稳健全息阶比谱既能分析变速过程信号,又能融合多点信息,其量化参数能更准确评价诊断对象的技术状态,证明稳健全息阶比谱是一种全面、可靠提取变速过程微弱故障特征的有效方法。     

基于瞬变工况阶比跟踪的内燃机监测方法研究

提出一种瞬变工况阶比跟踪方法。对于瞬变工况信号进行数据预处理,使其满足计算阶比采样条件,通过重采样插值技术,将等时间采样信号(Δt)变为等转角信号(Δθ),然后进行阶比跟踪。对于瞬变工况下内燃机连杆故障时振动信号阶比跟踪结果表明,该方法能有效地提取故障的特征,达到内燃机状态监测目的。     

柴油机加速振动信号的阶比双谱特征提取

针对发动机加速过程振动信号的非平稳性和混有大量噪声的特点,提出计算阶比跟踪和双谱相结合的方法,将振动信号按等角度间隔进行软件重采样,得到阶域内的平稳信号,再进行双谱分析,通过仿真信号验证了该方法优于传统双谱。为了充分利用阶比双谱图中的信息,提出双谱特征阶比面的概念,通过比较阶比平面内的累加能量来反映不同工况的变化。诊断实例表明,该方法能有效提取柴油机曲轴轴承的故障特征。     

基于瞬时故障特征频率趋势线和故障特征阶比模板的变转速滚动轴承故障诊断

针对难以从滚动轴承的时频分布中提取瞬时转频分量的问题,本文利用由轴承包络时频谱中提取的瞬时故障特征频率替代传统瞬时转频实现重采样,进而基于故障特征因子与转频阶比边带构造故障特征阶比模板以实现变转速运行模式下滚动轴承故障诊断。其具体算法由以下四个部分组成：首先,联合应用谱峭度滤波算法与短时傅里叶变换得到能够突出瞬时故障特征频率的包络时频谱;其次,提出基于幅值重调的峰值搜索算法对瞬时故障特征趋势线进行提取;再次,以瞬时故障特征频率趋势线为基础对原信号进行故障相角域重采样并得到故障特征阶比谱;最后,根据被监测轴承的故障特征因子构造故障特征阶比模板对滚动轴承的运行状态与故障类别进行判断。仿真算例和应用实例将对该算法的有效性予以证明。     

无转速计的旋转机械Vold-Kalman阶比跟踪研究

结合旋转机械升降速阶段振动信号的特点,提出了一种无转速计的旋转机械Vold-Kalman阶比跟踪方法。该方法利用能量重心法对振动信号进行频谱校正,估计瞬时频率,获得参考轴转速信号,再对振动信号进行Vold-Kalman阶比跟踪,提取阶比分量。与需要转速计的经典Vold-Kalman阶比跟踪方法相比,该方法无需鉴相装置,完全用软件方式实现,算法精度高。仿真和应用实例分析结果表明此方法能够在时域中准确地提取幅值和频率变化的阶比分量。     

基于时频分析及阶比跟踪的曲轴轴承故障诊断研究

针对发动机曲轴轴承磨损故障诊断中测取的机体振动信号非平稳、频率成分随转速变化的规律不明确等特点,将时频分析及阶比跟踪算法应用于故障诊断中。在匀速及加速工况下分别将曲轴轴承间隙调节为0.08、0.2及0.4mm后采集机体振动信号,结合同步采集的转速信号及外卡油压信号对振动信号进行时频分析和阶比跟踪后发现,振动信号存在明显的108阶比成分和2600~3100Hz频带成分。随着曲轴轴承间隙的增大,108阶比成分有增强的趋势,而2600~3100Hz频带成分有减弱的趋势。对加速工况下上述两部分信号成分提取参数发现,曲轴轴承正常、轻微及严重磨损工况的参数分别分布在0.0027、0.0100及0.0350附近,提取的参数能有效的区分出这些工况。     

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

基于EMD-EDT的行星齿轮箱特征提取及状态识别方法研究

针对行星齿轮箱特征提取及状态识别中存在的难点问题,本文首先总结适用于行星齿轮箱状态识别的36个特征参数并详细说明各参数的来源及提取方法,提出基于EDT的两阶段特征参数选择及加权方法,得到新的组合特征参数。提出基于EMD-EDT的行星齿轮箱状态识别方法;首先提出基于能量比的包含敏感故障信息的固有模态函数（IMF）选择方法,然后选择提取筛选出的各IMF的组合特征参数构成特征矩阵作为EDT的计算输入,最后智能的输出评估结果。利用行星齿轮箱预置故障实验数据验证所提出方法的可行性和有效性及EMD分解、特征选择和加权过程的必要性。     

呼吸性裂纹转子的瞬态振动特性分析

旋转机械转子轴萌生裂纹后,瞬态加速过程中转涡差角时变使裂纹周期性开合,系统发生不同于稳态情况的振动。本文基于中性轴法确定裂纹开合,数值计算了呼吸裂纹引起刚度时变的转子过临界转速的瞬态振动,分析了裂纹大小、方向角和重力对线性加速转子瞬态振动的影响,以及定功率加速瞬态过程中系统振动响应及稳定性。结果发现,瞬态条件下带呼吸裂纹转子系统亚谐波共振并不明显;裂纹越大,过临界转速时瞬态振幅越大;在临界转速附近裂纹瞬时张开会激起很大的振动;定功率加速过程下,若功率不足够提供转子顺利穿过临界转速,则会出现外界扭矩与瞬态振动的能量耦合,大裂纹还可能造成瞬态振动发展成混沌。     

基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。     

转子-轴承系统液体式在线自动平衡装置研究综述

针对自动平衡装置可在线调整转子-轴承系统不平衡状态、提高设备工作效率、延长设备使用周期,通过分析国内外已有液体式在线自动平衡装置,认为注液式、释液式及连续注排液式三种平衡装置均因注排液过程存在诸多缺陷。液体转移式平衡装置在平衡过程中无需注液、排液,可从根本上避免三种结构因注、排液造成的缺陷,是一种理想结构。在保持注液式平衡装置结构简单、旋转部分无可动部件等优点前提下研究开发实用的液体转移式平衡装置,是液体式平衡装置极具前途的发展方向。     

基于复杂网络社团聚类的复合故障特征分离诊断方法

针对复合故障多种故障特征相互叠加彼此干扰,给全面准确诊断带来困难,提出了基于复杂网络社团聚类的复合故障特征分离诊断方法。该方法首先应用EMD将复合故障信号分解为若干个IMF分量,由于不同单一故障的特征会在不同频段得以体现,提取每个IMF分量的特征量,建立故障数据网络模型;然后将每个IMF分量视为网络中的社团,根据复杂网络社团结构的特性,进行同类社团合并,合并所得每个社团与单一故障相对应,最后对合并的信号进行分析,实现复合故障特征分离。本文以转子不平衡和轴承内圈、轴承内圈和滚动体复合故障特征分离与诊断为例,验证了该方法的可行性。     

一种增量式半监督VPMCD齿轮故障在线诊断方法

针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。     

一种基于瞬时能量分布特征的汽轮发电机组转子故障诊断新方法

提出了一种新颖的基于希尔伯特-黄变换（Hilbert-Huang transformation,HHT）的瞬时能量分布特征抽取方法,用于识别汽轮发电机组转子系统的不同运行状态（如正常及油膜涡动故障等）。理论上分析了瞬时能量与系统结构状态变化的物理联系,借助HHT方法,获取非平稳振动信号的瞬时能量分布特征,并根据瞬时能量相对贡献的量化方法消除噪声等干扰因素,采用相关系数法对瞬时能量分布特征的典型性进行论证分析,给出了基于瞬时能量分布特征的汽轮发电机组转子系统故障诊断的新方法。实验结果证明了该方法的有效性。     

基于KSLPP与RWKNN的旋转机械故障诊断

针对旋转机械高维故障特征集识别精度低的问题,提出基于核监督局部保留投影（Kernel Supervised Locality Preserving Projection, KSLPP）与ReliefF特征加权的K近邻（ReliefF Weighted K-Nearest Neighbor, RWKNN）分类器相结合的维数约简故障诊断方法。该方法首先应用KSLPP提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后最小化类内散度,最大化类间分离度;随后,将降维后得到的低维敏感特征集输入RWKNN进行模式识别,RWKNN能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度和鲁棒性。最后,通过典型转子实验台的故障特征集验证了该方法的有效性。     

Teager能量算子增强倒阶次谱提取轴承微弱故障特征

针对变速器加速过程下轴承故障特征易于暴露难以提取问题,提出一种Teager能量算子增强倒阶次谱方法。计算加速过程等角度重采样信号的Teager能量算子,对Teager能量算子输出进行倒谱分析,获得Teager能量算子增强倒阶次谱。对加速过程滚动轴承外圈、内圈剥落故障信号进行分析,结果表明,Teager能量算子能有效增强冲击成分,抑制非冲击成分;倒阶次谱能从干扰中准确识别被增强的故障冲击特征,提取轴承微弱故障特征。