最大熵谱法在齿轮故障诊断中的应用

本文对最大熵谱法用于齿轮的振动诊断的谱分析作了研究，与频谱分析进行比较，证明用于齿轮振动诊断是有效的。     

最大熵谱法在传感器动态建模中的应用

动态数学模型定量描述传感器输入与输出关系，是研究其工作机理的重要手段。本文用最大熵谱法，分别建立机器人腕力传感器，压力传感器和涡街流量计输出信号的自回归模型，理论结果与实测吻合。文中还对ＦＰＥ准则，最佳阶数和采样频率等进行了讨论。     

极大熵谱法及其在滚动轴承故障诊断中的应用

针对轴承运行状态采用极大熵谱法建立了 AR模型 ;并计算出轴承正常及故障状态的时序模型。对饱含着信号的时间序列进行了故障敏感因子计算、极大熵谱分析 ,对滚动轴承故障进行了定性的诊断 ,同时将功率谱和极大熵谱进行比较分析 ,为诊断提高可靠信息     

频谱细化谱在电动机振动故障诊断中的应用

通过实例讲述了运用频谱细化谱对电气故障进行识别诊断,以及实际应用情况,说明在实际工作中频谱细化谱的作用。     

柯尔莫哥洛夫熵及其在故障诊断中的应用

熵作为一个状态函数 ,表征了系统能量在空间分布的均匀程度 ,直接反映了系统的状态。本文详细分析了柯尔莫哥洛夫熵 (Kolmogorov熵 ,简称 K熵 )的物理含义及其从实测的时间序列中计算 K熵数值的算法 ,并首次将 K熵引入大型旋转机械的故障诊断领域中 ,利用 K熵的计算数值作为故障的特征值来识别机械的故障类型及严重程度     

证据熵在旋转机械故障诊断中的应用

针对旋转机械故障诊断中利用证据理论进行多征兆域融合时各证据的重要性不同,提出利用证据熵来评价各证据的重要性,即各证据在融合过程中的权重。对得出的证据进行加权调整,用D-S组合规则对加权调整后的证据进行融合获得最终的诊断结果。实例分析结果表明,这种方法可以用来评价证据的重要性,且由于其在进行融合时减少了证据间的冲突,所以该方法能够在旋转机械故障诊断应用中取得较好的效果。     

矢谱和HMM理论在风机故障诊断中的应用

传统风机用单一传感器进行故障的特征提取,不能有效地反映其状态.然而,矢谱技术融合了多通道信息,其反应的信息更全面,结合隐马尔可夫模型(HMM)能够对一个时间跨度上的信息进行统计建模和分类的特点,提出了一种新的诊断方法;并在Matlab 的环境下给出了诊断的实例,表明该方法可以有效地应用于风机的诊断中.     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

最小熵解卷积在滚动轴承早期故障诊断中的应用

滚动轴承发生早期故障时,轴承座的振动信号一般很微弱,且隐含的冲击成分常被淹没在强烈的噪声中,直接做频谱或包络谱分析,其故障特征很难提取。最小熵解卷积方法可以提高被分析信号的信噪比,突出隐含在故障信号中的脉冲成分。应用最小解卷积方法对滚动轴承滚动体、外圈和内圈三类典型早期故障信号进行了相应的解卷积滤波,然后进行幅值谱和包络解调分析,提取出了相应的典型故障特征。应用验证了最小熵解卷积方法在滚动轴承早期故障诊断中的有效性和优点。     

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机（GA-SVM）相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,分解成若干个固有模态函数（Intrinsic Mode Function,IMF）,依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。     

二维全息谱在旋转机械故障诊断中的应用

通过对振动信号的处理、分析发现,旋转机械转子系统的振动信号经幅值谱、功率谱等传统的谱分析方法后,往往除了1倍频外还包括各次谐波及高倍频成份;引起转子系统振动信号中2倍频分量的因素很多,包括不对中、裂纹和电磁干扰等。直接从幅值谱等传统的谱分析方法很难判断2倍频振动分量的性质和原因。研究基于对中性良好的转子试验台,模拟了多种转子系统的故障,研究了二维全息谱以及轴心轨迹在旋转机械轴裂纹故障和碰磨故障诊断中的应用,结果证明所实现算法的有效性。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

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。     

功率谱在调速阀故障诊断中的性能分析

利用小波包分别提取调速阀振动时的正常信号和故障信号的AR功率谱的特征值,之后利用提取的特征值作为LSSVM的输入,对调速阀的故障进行诊断,取得了良好效果,并与原始信号的效果进行了对比,并阐明了原因。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

全息谱技术在现场动平衡前故障诊断中的应用

结合工程实践,具体介绍了以多传感器信息融合为基础的全息谱技术,包括初相点分析方法、全息谱力和力偶分解方法,以区分不平衡与其他常见转频故障,并进一步判明不平衡类。工程诊断实例验证了该技术能有效提高现场动平衡精度和效率。     

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。     

基于切片谱RBF神经网络的旋转机械故障诊断

结合切片谱和RBF神经网络提出一种切片谱RBF神经网络旋转机械故障诊断方法。该方法以信号的切片谱为故障特征量,以RBF神经网络为分类器,进行旋转机械故障诊断。轴承故障的诊断结果表明,该方法是可行和有效的。     

奇异谱技术在机械信号分析中的应用研究

基于信号奇异谱分析思想,提出了奇异熵的概念,详细分析了信号信噪比与奇异 熵间的内在联系,并由此提出了一种在信号降噪过程中对信号奇异谱降噪阶次实现 合理定阶的新思想。     

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）;然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。