基于多尺度降维的柴油机信号信息熵增强方法

针对柴油机曲轴轴承磨损故障信号特征微弱,易被噪声湮没且不同故障程度信号较难区分的特点,提出了一种基于压缩小波和局部保持投影的柴油机信息熵增强方法。利用压缩小波对信号多尺度重构减弱噪声干扰,通过局部保持映射对多尺度信号进行降维,消除冗余信息并增强信号的冲击特性,最终以时域、频域以及时频域的三种信息熵表征信号特征。仿真和实例信号表明,该方法对故障信号特征增强明显,依据信息熵值实现了曲轴磨损状态的分类识别。     

基于时频相干分析的曲轴主轴承磨损故障诊断研究

为了早期发现曲轴轴承磨损故障,提出一种基于时频相干分析的曲轴轴承磨损故障诊断方法。对曲轴主轴承座和机体振动信号进行分析,搞清曲轴轴承磨损故障振动信号产生机理;对故障源与机体信号进行时频相干估计,建立故障源振动传播模型;根据传播模型对机体振动信号进行故障特征提取与诊断识别。研究结果表明:该方法可以揭示曲轴磨损故障产生机理,建立故障源与机体振动之间的映射关系,为曲轴轴承磨损故障的不解体诊断提供理论依据。     

基于稀疏分解和频域相关峭度的轴承微弱故障特征提取

在强背景噪声和复杂激励的干扰下,滚动轴承的早期微弱故障特征往往难以提取,提出一种稀疏分解与频域相关峭度相结合的方式,对轴承早期微弱故障特征进行提取。稀疏表示方法是分析非平稳信号的一种有效方式,在轴承故障诊断中常用的一种方法是利用K-SVD算法构造自适应字典,采用OMP算法对采集到的数据进行稀疏分解。利用频域相关峭度能够准确识别出轴承等旋转机械的循环冲击序列的特性,将其引入到字典构造过程中,求解稀疏分解时每次迭代逼近信号的频域相关峭度,并且找到最大频域相关峭度值所在位置,根据当前位置的信号重构原始信号,计算其包络及包络谱,分析故障类型。仿真信号和试验信号的结果表明:所提方法能够准确识别出轴承故障,验证了该方法在识别循环冲击序列的有效性和优越性。     

基于高阶累积量的柴油发动机曲轴轴承故障特征提取

利用基于高阶累积量降维处理的1.5维谱、2.5维谱分析曲轴轴承不同磨损间隙下的发动机振动信号,提取曲轴轴承磨损故障的特征参数,有效地解决了高阶累积量计算量巨大,难以实现在线应用的缺点。试验时将振动加速度传感器放置在发动机缸体的5个不同的位置测取振动信号并分析,提取高阶谱降维处理后的特定频段内的频带能量作为特征值。结果表明,本文提出的方法能够有效地抑制噪声的干扰,提取出的特征参数能够较好地反映曲轴轴承的技术状态,且当发动机转速达1300r/min以上,振动加速度传感器置于油底壳与缸体接缝处的左右两侧时,采集的振动信号最能反映曲轴轴承的技术状况。     

GLT-CNN方法及其在航空发动机中介轴承故障诊断中的应用

航空发动机中介轴承故障振动信号是一种非平稳非线性信号,其中常混有干扰信号及噪声成分。以往方法大多采用人工特征提取来进行故障识别,特征提取往往依靠专家经验,不仅增加识别复杂度,同时选取的特征也不能很好地表征状态信息。因此提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的中介轴承故障诊断方法,首先将原始故障振动信号进行灰度变换(Gray-level Transformation,GLT),然后输入到结合滑动平均模型的卷积神经网络中,并选用相应的神经网络优化算法实现故障诊断与分类。最后,通过航空发动机中介轴承振动数据,验证所提方法的有效性。     

基于角域四阶累积量切片谱的柴油机连杆轴承故障特征提取

提出了一种角域四阶累积量切片谱方法,应用于提取连杆轴承微弱故障特征。首先,对升速过程振动信号进行阶比重采样得到角域平稳信号,再计算其四阶累积量对角切片谱,构成角域四阶累积量切片谱,用于分析不同转速区间、不同测试位置下的非稳态信号,提取连杆轴承微弱故障特征。试验结果表明:角域重采样与四阶累积量对角切片谱相结合,既能分析非稳态信号,又能抑制噪声干扰;特定阶比带内的角域四阶累积量对角切片谱的能量和峰值,能有效识别连杆轴承各种技术状态,可以作为连杆轴承磨损故障的特征参数;并得出了敏感测试位置、敏感转速区间和特征阶比带。     

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EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

基于匹配延拓的ITD边界效应抑制方法研究

作为一种新的非平稳信号处理方法,固有时间尺度分解法在将复杂的非平稳信号分解为若干个固有旋转分量过程中,存在着严重的边界效应问题。本文针对抑制边界效应提出了五种数据延拓方法：自适应波形匹配、基于AR模型的延拓方法、镜像延拓方法、多项式延拓方法、反对称周期延拓法。通过数学模拟实验比较这五种方法的抑制效果,选出最优方法。将最优方法用于仿真信号和轴承故障振动信号分析,结果表明该方法能够有效地抑制边界效应,可更好地提取机电设备故障特征。.     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

周期特征的极坐标同步增强及其在轴承故障检测中的应用

提出一种信号周期瞬态特征的极坐标检测方法,该方法在小波变换的基础上,针对信号中有限种可能的周期瞬态情况,将信号的小波变换的时频特征表示为极坐标图上某一区域的显著增强的特征,实现了周期瞬态特征的检测与增强.针对轴承的3种典型故障,采用极坐标同步增强策略,将轴承故障特征以显著的形式表示在极坐标上,实现了轴承故障的检测.     

基于Hilbert边际谱的滚动轴承故障诊断方法

Hilbert-Huang变换是一种新的自适应信号处理方法，它适合于处理非线性和非平稳过程。通过对信号进行Hilbert-Huang变换，可以得到信号的。Hilbert边际谱，它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故障振动信号的非平稳特征，提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数，并以此作为滚动轴承的故障特征向量，建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本方法可以有效地提取滚动轴承故障特征。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于双谱和变精度粗糙集理论的柴油机故障特征自动提取

采用双谱对柴油发动机曲轴轴承非稳态振动信号进行了分析,根据双谱对称性,对第一象限的对角线及对角线以下区域划分成若干等分区域,计算每个等分频率面内的双谱平均幅值,作为分析对象特征值,利用变精度粗糙集理论提取与特定故障部位强相关特征参数。分析结果表明：双谱能有效消除曲轴轴承非稳态振动信号中的噪声,变精度粗糙集能提取出与分析对象相关的关键因素,双谱和变精度粗糙集相结合能实现故障特征的自动提取     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

Diesel engine crankshaft journal bearings failures: Case study

Wear as a tribological process has major influence on the reliability and life of engine crankshaft bearings. The importance of field examinations of bearing failures due to wear is very well known. They point to the possible causes of wear and to the necessary treatment for its reduction or elimination. The paper presents the results obtained by examining 616 crankshaft bearings, damaged by different mechanisms. The bearings were installed in high-speed diesel engines, and were gathered for two years, during general repairs of the engines (overhaul), i.e. after 3000–5000 working hours. After the examination of the bearings, the fault tree analysis (FTA) was performed to determine the root causes for engine bearing failures. Each type of damage that was identified was illustrated with an appropriate high-resolution photograph. The investigations show that the basic and most conspicuous types of damage which cause bearing failures are abrasive, adhesive and surface fatigue wear. The paper also considers the effects of the place of installation and type of bearing material in respect to each type of wear.