数学形态学在旋转机械振动信号处理中的应用

信号处理技术是旋转机械故障诊断的核心。数学形态学是一种信号处理方法,介绍了数学形态学滤波的原理,提出一种基于数学形态学的方法来处理现场采集的旋转机械振动信号,以消除噪声污染和直流偏移等问题。该方法通过移动结构元素对采样信号进行形态处理。仿真实验证明该方法切实可行。该方法计算速度快,易于实现,具有较好的适用价值。     

旋转机械振动信号无相移滤波技术研究

把无相移滤波技术（Zero Phase Shifting Fiher Technology）引入了旋转机械振动信号预处理领域。通过对模拟转子振动信号的实验研究表明,相比普通的数字滤波方法,无相移滤波不但具有普通数字滤波的优点,而且不会产生滤波前后的相位偏移,具有良好的应用前景,尤其对于需要准确相位计算的场合,用此预处理方法非常适合。     

旋转机械振动故障的模糊诊断

在分析了旋转机械振动故障诊断存在的困难之后,建立了故障机理研究和故障诊断的数学模型。根据征兆对故障的肯定和否定程度,提出了故障诊断的模糊筛选矩阵,实现了对复杂故障的诊断。     

旋转机械振动信号的小波包分解及故障检测

研究了旋转机械振动信号的特点，指出传统的波形分析和频谱分析存在的问题。提出了从小波饭包分解序列图和小波包能量分布图两个方面对振动信号分析的方法，赋予小波变换和小波包分解的结果以明确的物理意义，实验表明了该方法的可行性及对故障检测的有效性。     

旋转机械振动信号处理中的平均技术

信号的平均技术是信号处理中的一项不可缺少的内容,它基本上可分为非同步平均和同步平均两种类型,通过分别讨论,对它们的特点及应用加以说明,并给出相应的图标。     

旋转机械振动故障诊断知识库的研究与实现

重点收集整理了曲型旋转机械振动故障的故障特征，以这些故障特征为基础，应用专家系统的基本原理和诊断知识处理的方法，建立起旋转机械振动故障诊断知识库，借助专家系统工具CLIPS编写知识库，实现了基本的旋转机械振动故障诊断。     

基于DCT的旋转机械振动信号无相移滤波方法研究

把离散余弦变换(Discrete Cosine Transform,DCT)无相移滤波方法引入了旋转机械振动信号处理领域。采用该方法的步骤为:先将输入数据进行DCT变换,将变换后的数据根据压缩率保留前面的数据,抛弃后面的数据,然后把保留的数据补0到原始数据长度,再进行DCT逆变换,就获得了滤波后的数据。通过对旋转机械油膜涡动振动信号的试验研究表明,基于DCT的无相移滤波方法不但能把振动数据进行无相移滤波处理,而且可以压缩数据。该研究成果能广泛地用于旋转机械振动信号滤波、压缩领域。     

基于事件的旋转机械振动信号数据稀化、重构技术研究

旋转机械在线状态监测和远程诊断系统中振动数据实时存储和远程传输对数据稀化，重构技术提出了较高的要求，提出了基于事件的数据稀化、重构技术、定义了事件的概念；构造了基于事件的稀化、重构算法；提出了广义事件的概念并进行了定义；论述了基于事件的数据稀化，重构方法在旋转机械远程诊断领域的具体应用，提出了基于板级的稀化技术。     

一种实时在线诊断旋转机械振动故障的方法

为实现旋转机械振动故障实时在线诊断,采集机组运行中的振动信号,计算得到不同振动故障时的特征值及其敏感等级分布,确认了特征值与不同故障原因的相关性,建立了故障特征值数据库,并在旋转机械试验台上对故障诊断模型进行了验证.结果表明:该方法可以实时有效地完成振动故障的在线分析和不同故障原因的诊断,对风机和水泵等旋转机械的现场实时监测和振动智能远程诊断具有一定的工程应用价值.     

旋转机械振动信号基于EMD的HT和STFT时频分析比较

基于经验模态分解（Empinrical Mode Decomposition，EMD）的希尔伯特变换（Hilbert Transformation，HT），是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD和基于STFT（Short-Time Fourier Transformation，STFT）的时频分析进行了比较研究，研究结果说明，用基于EMD的HT方法对旋转机械的振动信号进行时频分析比STFT有效。     

大型旋转机械叶片-轴弯扭耦合振动问题的研究

随着大型旋转机械叶片长度的增加，叶片弯曲振动与轴扭转振动的耦舍程度越来越强。目前人们大多是将两者分开来研究，具有一定的局限性。为了深入研究叶片—轴耦合系统动力特性，提出了改进阻抗匹配方法，这种方法可以分析具有任意多叶片数目的叶片—轴耦合系统动力特性。应用该方法研究了耦合振动对叶片弯振和轴扭振固有频率的影响，得出了一些新结论。这些结论可以直接应用于机组的设计和故障诊断。图4表2参5     

旋转机械振动信号基于EMD的HT和Winger分布时频分析比较

基于经验模态分解(Empirical Mode Decomposition，EMD)的希尔伯特变换(Hilbert Transformation，HT)，是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和Winger分布的时频分析进行了比较研究，研究结果说明，用基于EMD的HT方法对旋转机械的振动信号进行时频分析比Winger分布分析有效。     

基于图像识别技术的旋转机械振动故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行故障诊断,这种基于状态信息的诊断方法对故障类型的辨别能力有限。通过构造基于归一化幅值谱的三维矩阵来刻画旋转机械振动故障的过程变化规律,并引入图像识别技术,在此基础上建立了一种基于归一化幅值谱图识别的旋转机械振动故障诊断方法。并通过该方法对试验台获取的振动故障信号进行分析,计算结果表明该方法是一种有效的故障诊断方法。     

基于过程的旋转机械振动故障定量诊断方法

基于状态的故障诊断方法,由于缺少对振动过程规律的描述,因而存在一定的不足,以信息熵方法为基础,通过多通道多转速下的信息熵矩阵来描述振动过程的变化规律,从而提出一种基于过程的信息融合故障诊断的新方法.并通过实例计算以及对振动信号的分析,验证了该方法在故障诊断方面的准确性.