转子-滚动轴承耦合系统的转静碰摩故障分析与智能诊断

针对航空发动机转静碰摩故障诊断问题,建立了含不平衡-碰摩故障的转子滚动轴承耦合系统动力学模型.在模型中,充分考虑了滚动轴承的间隙、非线性赫兹接触以及变柔性VC(Varying compliance)振动.首先运用数值积分获取系统响应,进行碰摩故障分析,并得到了大量的碰摩故障仿真样本;其次利用支持向量机从大量样本中获取碰摩故障知识;然后利用转子实验器获取碰摩故障实验样本;最后利用训练好的支持向量机对碰摩故障实验样本进行智能诊断,最高识别率达到了91%.     

球结构支持向量机在转轴碰摩位置识别中的应用

摘要：碰摩是旋转机械中常见的故障,碰摩故障位置识别是一个有待深入研究的故障诊断问题。对球结构支持向量机进行改进,充分考虑分类球的大小对分类的影响,经过理论分析和仿真实验得到新的分类规则。把转轴上不同位置的碰摩当作不同的故障,转轴碰摩故障位置识别就是个较大规模的多类别故障诊断问题,运用改进的球结构支持向量机进行转轴碰摩故障位置识别。实验结果表明,和其他同类算法相比,改进的球结构支持向量机具有识别率高、速度快、计算量少、数据处理容量大等优点,适合于较大规模的多类别故障诊断。
     

基于航空发动机转子试验器的碰摩特征测试

利用航空发动机转子试验器模拟不同部位的碰摩,测试获得碰摩时机匣的加速度响应信号,并与无碰摩时机匣加速度时、频域波形进行对比。测试结果表明,航空发动机叶盘结构的转子—机匣碰摩时,其加速度信号具有冲击、调幅特征,即在碰摩频率及其整数倍频附近存在边频带,其边频宽度为旋转频率。同时,与无碰摩状态相比,在低频段时碰摩特征主要表现为转频及其倍频分量,且倍频分量更加突出。     

航空发动机转静子碰摩故障信号用小波分析的方法检测和分析

针对试飞中发动机转静子碰摩故障信号,首先应用小波阈值方法对原始信号进行降噪处理,由此滤除高频噪声干扰,同时可保留含有重要故障特征的突变信息;对降噪后信号进行连续小波变换,时频分析结果具有很好的实时跟踪转速频率能力,且频带清晰,故障特征明显,为今后真实飞行载荷下的实时故障监测提供一种有效途径。     

基于双树复小波变换的转静碰摩响应分析

针对碰摩故障诊断中转静碰摩响应消噪及特征提取构造分段圆弧平滑阈值函数,利用小波、小波包及双树复小波(Dual-tree Complex Wavelet)分别对非平稳信号降噪处理,以信噪比为指标判断降噪效果。结果表明,构造的阈值函数消噪具有高效性。通过计算单转子局部碰摩动态响应,用双树复小波对位移响应进行特征提取。与小波及小波包相比,双树实小波近似解析性及采样插值具有互补特点,能完整提取动态响应特征,减少信息丢失。并用仿真及转子碰摩实验验证该方法的有效性。     

基于一类支持向量机与主成分分析的转静碰摩故障检测技术

由于实际旋转机械中转静碰摩故障获取较为困难,而大量拥有的是正常的非碰摩状态样本,为此,本文引入一类支持向量机学习算法进行转静碰摩故障识别,通过对大量正常样本的学习得到碰摩故障判别边界,从而实现碰摩擦故障检测。由于转子故障信号的频谱存在大量冗余,本文又提出一种基于主成分分析的转子故障特征提取方法。该方法首先对信号频谱进行归一化处理后,然后,对大量样本的频谱进行主成分分析,按不同的能量保持率要求提取出低维特征。最后,通过诊断实验表明了本文方法的正确有效性。     

转子全周碰摩与局部碰摩的识别方法研究

摘 要：超临界汽轮发电机组的结构和工况复杂,容易引起转、静子间的碰摩。根据碰摩诱发因素的不同,可将其分为全周碰摩与局部碰摩。由于两种碰摩故障的时、频特征相似,传统的时、频域分析方法很难准确提取它们的故障特征。本文针对这一不足,提出一种基于经验模式分解-奇异值分解（EMD-SVD）与支持向量机（SVM）的碰摩故障识别方法,用于对转子全周碰摩与局部碰摩故障进行识别。首先,通过EMD获取碰摩信号的固有模式函数（IMF）;然后,提取表征信号主要能量的前四阶IMF组成特征矩阵并进行SVD分解,得到关于原信号的一组特征值;最后,将特征值输入SVM,对原信号进行分类识别。转子试验台全周碰摩与局部碰摩试验结果表明,本方法对转子全周碰摩与局部碰摩故障的分类准确率高,其中以径向基函数作为核函数的SVM分类准确率达到96.0%。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

基于关联维数和小波能量谱熵的碰摩故障智能诊断

提取了转静碰摩故障的关联维数和小波能量谱熵特征,构造了基于支持向量机的碰摩故障智能诊断模型。首先,基于转子碰摩动力学仿真模型,进行了关联维数和小波能量谱熵对碰摩故障的灵敏度分析,然后,以碰摩故障仿真样本为学习样本,利用SVM构造了碰摩故障分类器,得出了用于识别碰摩故障的SVM判别函数;最后,利用航空发动机转子故障实验器,通过实验得到碰摩故障实验样本,对其进行降噪处理,计算其关联维数和能量谱熵后,代入SVM判别函数,直接判别是否出现碰摩故障。实验结果验证了本文方法的有效性。     

基于HHT的转子系统定点碰摩实验研究

基于工程实际需求,对转子系统定点碰摩故障的运动特性及时频特征进行了实验研究。实验选取了不同转速下的三种典型工况,在传统的幅值谱、轴心轨迹分析方法基础上进一步应用Hilbert-Huang变换(HHT)通过对故障信号的自适应分解及Hilbert时频谱、边际谱分析从瞬时频率的角度详尽的刻画了系统的时变特性,揭示了转子系统定点碰摩呈现显著的周期性运动特性及具体的时间-频率(瞬时频率)-幅值及能量分布情况,为故障的早期预防与进一步诊断提供参考。     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

归一化小波熵与RVM的滚动轴承运行可靠度预测

针对传统可靠度评估和预测方法难以实现对正在服役中的单台机械设备进行可靠度评估和预测的问题。设计了一种基于归一化小波包信息熵与相关向量机的滚动轴承运行可靠度预测方法;该方法主要包括确立运行可靠度指标以及构建相关向量机预测模型,通过试验测取滚动轴承运行过程中的振动信号,利用小波包分解,提取反映滚动轴承运行状态的特征频带能量,基于信息熵理论建立运行可靠度指标;构建相关向量机预测模型,准确预测正在服役中的滚动轴承运行可靠度指标及其变化趋势。试验结果表明,采用归一化小波包信息熵与相关向量机的可靠度预测模型,能有效克服传统基于概率统计数据的平均可靠度计算问题,并且相关向量机的可靠度预测精度更高。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

滚动轴承转子系统不对中-碰摩耦合故障非线性动力学分析

为了获取转子系统不对中-碰摩耦合故障下的动力学特性,通过拉格朗日待定乘子法建立了在完整约束下滚动轴承转子系统非线性动力学微分方程,采用龙格库塔数值法研究了不对中-碰摩耦合故障下系统的动力学响应,采用时域图、轴心轨迹图、分叉图、Poincare截面图和FFT谱图分析了不对中度、碰摩刚度和碰摩间隙对转子振动响应的影响。分析结果表明:不对中度的增大会使系统1倍频振动响应增大,也会产生2倍、4倍等偶数倍频,同时出现与VC(Varying Compliance)频率之间的组合频率响应。在低转速下,碰摩刚度和碰摩间隙对转子系统的影响较小;在高转速下,较小的碰摩刚度和较大的碰摩间隙会缓解系统的非线性行为。     

基于遗传支持向量机的柴油机辐射噪声品质预测技术

以一台六缸车用柴油机为例,研究了其在变负荷及转速工况下表面辐射噪声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计奠定了理论基础。研究国内外车用柴油机客观评价特征,并选取响度、尖锐度、粗糙度和波动度来描述辐射噪声的客观评价特征;针对柴油机噪声特点,采用成对比较法开展以专业陪审团人群为目标的满意度评价研究;应用遗传算法优化支持向量机（GA-SVM）建立起该车用柴油机声品质预测模型,并与BP神经网络预测模型进行比较,结果表明,基于遗传算法优化的支持向量机辐射噪声品质预测模型较神经网络建模预测精度更高,能够更准确地反映客观评价参量与主观满意度之间的非线性映射关系。     

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

基于滑动平均与相关向量机的齿轮早期故障智能诊断

早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。