基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

全矢FSWT方法在轴承故障诊断中的应用

针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换（Frequency Slice Wavelet Transform,FSWT）相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。     

全矢ITD和KPCA结合的滚动轴承故障诊断

针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢本征时间尺度分解(ITD)和核主元分析(KPCA)相结合的方法以进行故障检测与诊断。首先采用全矢ITD对正常运行状态下的同源双通道原始样本数据进行信息融合,得到全矢融合后的主振矢数据,并建立KPCA模型,克服了单通道振动信号信息不完整的缺点。然后运用KPCA模型对待测样本数据进行在线监控,当该模型的T2和SPE统计量超过已设定的控制限时,采用全矢Hilbert包络分析提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地检测出滚动轴承的运行状态,又能准确有效地诊断故障类型。     

快速谱峭度与全矢谱结合的滚动轴承故障诊断

针对滚动轴承信号的非平稳调制特性以及单通道分析易造成信息遗漏的缺点,提出了一种基于快速谱峭度算法(Fast Kurtogram)和全矢谱技术的故障特征提取方法。首先利用快速谱峭度算法自适应地确定带通滤波器的最佳中心频率与带宽等参数,根据所选参数构建带通滤波器对双通道故障信号进行滤波,以提高其信噪比;然后对滤波后的信号进行全矢信息融合以保证故障信息的全面性;最后对信息融合后的信号进行包络解调分析以获取振动信号的故障特征信息。实验分析结果表明,该方法能有效地提取滚动轴承的故障特征频率,并提高故障诊断的准确性。     

深度卷积长短期记忆网络的轴承故障诊断

针对传统数据驱动故障诊断方法难以从轴承信号中自适应提取有效特征、没有充分利用故障数据的时序特点以及缺乏自适应处理动态信息能力的问题,提出了一种深度卷积神经网络与长短期记忆网络相结合的智能故障诊断方法.本文方法构建的深度模型能够从轴承原始信号中自适应地提取鲁棒性特征,然后利用长短期记忆网络学习特征中的时间依赖关系实现了高准确度的轴承故障诊断.该方法克服了传统特征提取方法依赖专家经验和信息利用不完全等问题,实现了故障的智能、准确诊断.实验结果表明,该方法可以提取更准确的特征而且由于利用了故障演变过程中的时序信息,使得故障诊断更加智能、可靠.     

转子系统全矢振动能量谱故障诊断研究

在大型旋转机械各类常见故障中,转子系统故障是发生最多的故障之一,超过总故障的60%。传统的转子系统的故障诊断方法主要是基于单通道信号的幅值谱和相位谱特征,但由于单通道信号的不完整性以及特征量选取的不可靠,容易出现误诊或漏诊状况。为解决上述问题,提出振动能量谱的概念,并结合全矢谱技术进行双通道信息融合,形成全矢振动能量谱,将其运用于转子系统的故障诊断当中。实验证明,全矢振动能量谱较之于传统的幅值谱方法,能更加准确、有效的识别转子故障。     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

全矢样本熵在高速列车故障诊断中的应用

为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵(full vector sample entropy,简称FVSE)算法的故障特征提取方法。首先,使用噪声辅助多元经验模态分解(noise assisted multivariate empirical mode decomposition,简称NAMEMD)方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别。实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98%以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性。     

全矢MEMD能量熵在轴承故障诊断中的应用

故障轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量在频域上的分布会发生改变。针对单通道信号存在的信息遗漏和经典EMD算法在分解多通道信号时得到的IMF分量个数不同的问题,提出了全矢MEMD能量熵的滚动轴承智能诊断方法。首先利用MEMD算法将一组预处理后的同源信号分解为两组具有相同分量个数的IMF分量,且对应阶分量的频率尺度相同。然后分别计算相同尺度分量的全矢能量熵,并作为信号特征用支持向量机进行训练和识别,从而得到轴承的不同故障类型。实例分析结果表明了该方法的有效性。     

矢双谱分析及其在机械故障诊断中的应用

双谱分析由于可以有效提取信号中的非线性特征被广泛应用于转子故障诊断。但常规双谱分析是以单通道信号为研究对象,不能全面地反映转子系统的非线性特征,存在着信息遗漏的问题,而且由同一截面的两个通道信号得出的分析结论会不一致。为解决这个问题,以全矢谱分析方法为基础提出矢双谱信号分析的新方法。矢双谱是融合了同一截面上双通道信号的幅值信息而保留了各自的相位信息的全矢双谱分析方法,能够真实地反映转子运转所包含的各种信息,且能满足分析结论的一致性要求。给出矢双谱的定义与算法,通过仿真和齿轮箱故障试验,研究结果表明,该方法能够更加全面地反映信号中所包含的非线性特征信息,分析结论具有一致性和可信性,从而提高智能故障诊断的准确性。