基于自适应高频谐波LMD法的风电机组故障诊断

针对实际应用中局部均值分解(LMD)法存在的模态混叠问题,提出了自适应高频谐波LMD法.分析了信号中异常事件对求取包络函数和均值函数的影响,将构造的自适应高频谐波加入到原始信号中,通过改变原始信号的极值点位置来抑制模态混叠现象.对含有典型异常事件的信号进行了自适应高频谐波LMD法和ELMD法仿真实验对比,验证了该算法的有效性和优越性.将该算法应用于风电机组传动系统故障诊断中,结果表明:采用该算法后,原有的模态混叠状况得到明显改善,并成功提取出轴系不平衡故障特征,可为风电机组故障诊断提供参考.     

低转速下基于AE信号与LMD的滚动轴承故障诊断

为实现低转速状态下的滚动轴承故障诊断,解决声发射(AE)波形流数据量大,计算复杂度高,不利于实时分析处理的问题,提出一种基于AE信号时序信息熵特征的局部均值分解(LMD)的时频分析方法。首先,采用分帧的预处理方法,对AE信号分帧并逐帧提取信息熵特征,建立时序特征序列,然后采用LMD时频分析方法对时序特征序列模态进行分解,最后计算一阶模态瞬时幅值的Hilbert包络曲线。结果表明:该方法提取的特征对低转速状态下内圈裂纹故障具有明显的辨识度,能有效识别出低转速状态下的滚动轴承故障。     

基于云PSO-SVM的汽轮机转子故障诊断研究

为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。     

基于LMD和SVM的柴油机气门故障诊断

针对柴油机气门故障诊断问题,在WP7柴油机上模拟了气门故障,提出了基于局部均值分解(local mean decomposition,LMD)和支持向量机(support vector machine,SVM)相结合的气门故障诊断方法.该方法首先用改进LMD方法将缸盖振动信号分解成若干个瞬时频率具有物理意义的PF(product function)分量之和,然后从缸盖振动信号和分解得到的PF分量中提取故障特征向量,以此作为SVM分类器的输入进行故障诊断.此外提出了改进粒子群算法(particle swarm optimization,PSO)用于SVM参数的优化.诊断结果显示,16组测试样本的测试结果均与实际状况相一致,诊断正确率为100%,该方法能快速准确地识别内燃机气门故障.     

改进的VMD方法及其在转子故障诊断中的应用

针对转子系统油膜失稳的诊断问题以及变分模态分解(VMD)的端点效应问题,提出一种利用互信息准则进行波形匹配和端点延拓的改进VMD方法,并通过分析各分量的Hilbert谱诊断油膜失稳状态.结果表明:该方法具有良好的多分量信号分解能力和端点效应抑制效果,能有效诊断出油膜涡动的发生时刻以及发展变化特点;当单盘转子发生1阶油膜振荡时,频谱中转频和振荡频率的幅值突出,同时会出现与两者相关的组合频率成分,对准确、可靠地诊断油膜失稳具有重要意义.     

基于小波变换去噪预处理的EMD谐波检测方法

摘要： 将经验模式分解（empirical mode decomposition,EMD）作为电网谐波的检测方法。通过EMD法分解,把含谐波的正弦信号分解成为包含各阶次谐波的IMF分量和工频分量,从而检测出电网中的谐波分量。研究发现采样信号中的噪声会对EMD的分解产生较大影响,提出了一种基于小波变换去噪预处理的EMD谐波检测方法。此方法首先用小波变换减少随机白噪声对信号的影响,随后对含少量白噪声的信号进行EMD分解。经MATLAB仿真分析,所提方法可以有效地消除随机噪声对谐波检测的影响,提高了EMD谐波检测的精度与适用性。     

基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于排气噪声EMD的柴油机失火故障诊断

针对坦克柴油机失火故障诊断问题,在实车上模拟了失火故障,应用EMD对不同状态下的排气噪声信号进行了经验模态分解,利用Hilbert变换求取了主固有模态分量(IMF)的瞬时频率函数,以其围绕周期性排气噪声基频的波动方差和平均穿越率为特征参数,建立了一种诊断柴油机失火故障的方法。应用结果表明了诊断方法的可行性。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

基于HHT的转子横向裂纹故障诊断

希尔伯特黄变换(Hilbert—Huang Transformation，HHT)，是先把一列时间序列数据通过经验模态分解(Emprical Mode Decomposition，EMD)。然后经过希尔伯特变换获得频谱的信号处理新方法。把HHT时频分析方法引入了转子裂纹故障诊断领域。详细地介绍了HHT方法的理论和算法。通过对模拟横向深裂纹故障转子的实验研究表明。基于HHT的时频分析方法能把横向裂纹转子的扭振所形成的相位调制现象在时频谱图中明确地表征出来。为裂纹故障的预报和诊断提供了较好的手段，说明用HHT方法对旋转机械的转子横向裂纹进行故障分析是有效的。图3参6     

基于EMD分解和支持向量机的齿轮箱故障诊断与研究

齿轮箱存在故障时,其振动信号往往表现出非平稳特性,并且故障特征信息往往淹没在强大的背景噪声中,难以实现有效诊断.提出了采用基于EMD方法的特征能量值提取法及支持向量机的智能模式诊断方法,并将二者结合运用于齿轮箱的故障诊断,实现了齿轮箱故障的智能识别与诊断.实验结果证明了EMD方法与支持向量机相结合用于齿轮箱故障诊断的正...     

工业汽轮机故障诊断

本文以一台6MW背压式汽轮机为例,对汽轮机的故障进行了识别诊断。识别诊断采用了模糊数学方法和频谱分析方法,诊断出的主要故障:转子不平衡;不对中;碰磨;轴瓦磨损与机组实际故障情况是相吻合的。     

汽轮机调节系统微分器卡涩故障仿真及诊断

微分器卡涩对汽轮机正常运行有较大的危害。分析了微分器卡涩的机理,有主滑阀卡涩、延迟滑阀卡涩、继动滑阀卡涩３种,给出了微分器卡涩的模型和不同卡涩形式的仿真结果,提出了使用力平衡残差方法进行卡涩诊断。还通过实例表明了分析的正确性。     

基于EMD的冲击信号提取及其在汽轮发电机组碰摩故障诊断中的应用

提出了一种基于经验模式分解（Empirical Mode Decomposition,EMD）的冲击信号提取方法,其优点是方法简单、诊断速度快、适用范围广,可用于大部分旋转设备碰摩故障诊断中。仿真信号和试验数据的分析结果表明,该方法正确有效,在某热电厂2号备用汽轮发电机组的摩擦故障的诊断应用中证明了该方法的实用性,诊断过程简单、直观、速度快。     

汽轮发电机组射油器故障的处理

简单叙述了汽轮机射油器在整个机组中重要作用和工作原理,射油器运行中常见故障的处理。     

基于EMD算法的发动机故障监测研究

汽车发动机的工作状况直接影响汽车的动力性、可靠性以及安全性等.现有的汽车发动机综合故障诊断技术依赖于多种传感系统和专家的先验知识,不利于在车载系统上使用.为探索一种高效的用于车载汽油发动机故障诊断系统的方法,介绍了一种通过监测和分析汽车发动机排气压力波动态特性来监测发动机工况的新方法,采用经验筛(EMD)法对测得的压力波数据进行分解分析.报告了对89VOLVO DL汽油发动机4缸的研究,针对正常工作和某缸出现失火故障时的排气压力波数据进行EMD分解,验证了EMD法用于汽车发动机故障监测的实用性和准确性.     

基于Kohonen神经网络的燃气轮机故障诊断

针对基于热力参数的燃气轮机8种典型常见故障,根据Kohonen神经网络诊断的工作原理、诊断特征,研究了基于Kohonen神经网络方法在燃气轮机故障诊断中的应用方法,得出了Kohonen模型具有自学习功能,运算速度快,类型识别能力强的优点,是一种适合于燃气轮机分类故障较好的具有特色的神经网络。