矢谱：一种实用的旋转机械故障诊断分析方法

旋转机械的振动具有其复杂性的特殊性,在各个响应频率下,转子的运动轨迹是一个椭圆,该轨迹的主振矢、所在方向、副振矢以及进动方向是进行旋转机械故障诊断的重要信息。本文给出一种实用的旋转机械振动分析方法－－矢谱分析,对于旋转机械故障诊断具有十分重要的工程意义。     

全矢谱及其新方法在旋转机械故障中的应用

介绍了全矢谱分析技术的思路,研究了全矢谱分析技术与旋转机械回转信号之间的理论关系,导出了全矢谱分析基于复合信号的理论计算公式及简洁数值算法,并将其应用于实际故障诊断中,且对全矢谱理论图谱多方面研究,提出新的面积图谱表达法。研究与应用表明:全矢谱分析能够清晰处理转子正反进动之间的关系,可识别转子的回转强度,表明全矢谱分析对于旋转机械故障诊断是一种非常实用的分析工具。     

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。     

基于全矢谱的旋转机械谱强度预测技术研究

针对旋转机械单源振动信号信息具有不完善性的缺陷,基于数据融合思想,将全矢谱技.术与时间序列预测技术相结合,提出了基于全矢谱技术和时间序列技术的预测方法,并给出其运算方法.实验表明,该方法能够全面、准确地反映机械转状态的发展趋势,是一种准确、有效、实用的旋转机械状态预测方法.     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

旋转机械的全信息能量谱分析方法研究

对旋转机械回转能量谱进行研究。建立回转能量谱的概念，定义两种全矢能量谱，导出全矢能量谱基于复合信号的简洁计算公式，并将其应用于实际故障诊断系统中。实践表明，全矢能量谱作为对转子涡动信号处理的能量分析方法，对于旋转机械故障诊断是非常实用的分析工具。     

基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究

旋转机械因其特殊的功能要求,通常工作在恶劣的环境中,振动信号易受外界干扰。基于传统信号处理方法的故障诊断技术越来越不能满足故障诊断精度的需要,因此,利用大数据和人工智能技术进行旋转机械故障诊断成为目前的主要研究方向之一。针对以上问题,提出一种基于双向长短时记忆网络（Bi-LSTM）和自注意力机制的旋转机械故障诊断方法。首先,利用转子实验台模拟旋转机械的各种运行状态,采集旋转机械在各种运行状态下的振动信号;然后,将振动信号输入Bi-LSTM网络,自注意力机制将Bi-LSTM各时间步的输出进行加权求和,获得振动信号的深层特征表示;最后,通过全连接层和Softmax层输出旋转机械各种运行状态的预测概率。实验结果表明：本文提出的方法能够有效地实现旋转机械的故障诊断,与其他方法相比,模型的训练稳定性、收敛速度和故障识别准确率均得到提高。     

分形理论及其在旋转机械故障诊断中的应用

对分形理论在旋转机械故障诊断中的应用做了初步研究,提出用分数维来定量描述转子轴心轨迹的特征,分析结果表明轴心轨迹的分数维直接反映转子的稳定程度,可用轴心轨迹的分数维来帮助判别旋转机械的故障。     

全矢谱技术在旋转机械启停车中的分析研究

全矢谱理论将两个单源信号复合成矢量信号来处理信息,可以反映转子在某截面内的真实振动情况.基于全矢谱理论,定义了全矢幅频特性图和三维全矢瀑布图的概念.利用Berdty转子实验台进行了数据的采集.实验显示,所得全矢幅频特性图和三维全矢瀑布图作为机组启停车分析工具,相比单源信号的幅频特性图和瀑布图,振动幅值更加准确明显,解决了原图谱两单源信号间存在幅值大小相差较大的问题,有助于更准确的故障诊断,在大型机组启停车故障诊断中具有广阔的实用价值.     

旋转机械振动故障的信息炯诊断方法

目前绝大多数旋转机械的故障诊断方法都是依靠提取振动波形中的特征量来进行诊断.振动信号的分析往往是针对特定测点在某一瞬间采集的一段波形,因此它是状态的一种表现.如果产生故障,在某一状态下,振动波形不一定含有明显的故障信息,或故障信息被淹没在其他信息中.这时,依靠随机抽取的状态信息来进行故障诊断的方法就不能很好区分这些故障.但是,如果故障发生,一定会有所表现.一种故障在某一时刻或某一状态下引起的振动表现具有一定的分散性和随机性,但在一个过程中却有其规律性.以信息熵方法为基础,通过定义一个全新的判别指标--信息(火用)来描述振动过程的这种变化规律,从而提出一种基于过程的信息删故障诊断的新方法.     

非平稳空间域矢Wigner-Ville分布研究及其应用

大型旋转机械的转子运动是一空间运动.转子故障在发生或发展时,其运行过程具有明显非平稳特性的瞬态过程.通常针对单通道信息的时频分析并不能全面提取瞬态过程的特征信息.结合空间域矢谱(Vector-spectrum in spacedomain)分析和Wigner-Ville分布(Wigner-Ville Distribution,WVD)技术提出了空间域矢Wigner-Ville分布分析方法.它融合了转子同截面三通道图谱中各自存在的振动分量,能全面、准确地反映转子发生故障时的瞬态过程特征量变化.工程实践应用表明:空间域矢Wigner-Ville分布分析对于旋转机械故障诊断是一种新的、较为实用的信息融合方法.     

应用LabVIEW分析转子特征谱

介绍转子特征谱分析———全谱分析和全息谱分析的基本概念,它们是以不同方式对转子同一截面上互相垂直的两个位移传感器,所采集的信号进行融合分析的方法,和传统的谱分析相比能够识别更多的转子信息。阐述利用Lab-VIEW平台实现全谱分析和全息谱分析的方法。通过对汽轮机转子振动信号的故障诊断表明,全谱分析和全息谱分析是进行旋转机械故障监测与诊断的有力工具。     

松动发展过程中转子碰摩动力学特性分析

松动是旋转机械的一种常见的故障,随着松动的发展,会出现转子系统碰摩现象.利用非线性动力学以及转子动力学,建立一个旋转机械的松动模型,将松动分不同阶段进行振动试验,分析转子系统在不同松动间隙的情况下,发生碰摩的特点和规律.     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足,结合设备状态检测和故障诊断中微弱振动信号难以提取的问题,在介绍全信息技术的基础上,提出新的信号处理方法——全信息小波包分析,用小波包变换对双通道信号分别进行分解,以提取信号中的微弱局部成分,把需要的对应小波包进行重构并用全矢谱技术进行融合,根据融合后的数据进行故障诊断。工程应用实践表明,全信息小波包分析是一种新的、较为实用的信号处理方法。     

旋转机械空间域全信息小波包变换及其应用

结合空间域矢谱分析和小波包变换技术,提出了旋转机械空间域全信息小波包变换方法.它融合了转子同截面3通道图谱中各自存在的振动分量,能全面、准确地反映转子发生故障时的瞬态过程特征量变化.工程实践应用表明:旋转机械空间域全信息小波包变换对于旋转机械的故障诊断,是一种新的、较为实用的信息融合方法.     

基于矢谱和粗糙集理论的旋转机械故障诊断

矢谱融合了转子同源双通道的信息,能准确反映转子运动状态．粗糙集理论是一种对决策表进行简化,去除冗余属性的数据分析和处理方法．提出了基于矢谱和粗糙集理论的旋转机械故障诊断方法．计算了旋转机械振动4种典型故障的矢谱征兆,使用粗糙集理论对其进行约简,根据约简的结果生成矢谱诊断规则,并利用得到的规则对故障测试样本进行了诊断．结果表明：相对于单通道数据,基于矢谱和粗糙集理论的故障诊断不仅简化了诊断规则,而且明显提高了故障诊断的准确率．     

全矢谱技术在轴振与瓦振信号处理中的应用

建立了转子-滑动轴承-基础动力学分析模型,利用全矢谱技术分析了转速对轴振和瓦振以及轴振与瓦振比例关系的影响程度.结果表明,在刚性转子条件下,瓦振与轴振椭圆轨迹随转速变化较为相似;而在柔性转子条件下,两者主振矢之比和副振矢之比随转速变化更为相似.该结论为全矢谱技术在轴振与瓦振信号处理中的应用提供了理论参考.     

旋转机械空间域矢谱分析方法与应用

旋转机械结构的复杂化需要更加精确地了解转子的空间振动形式。为了实现转子振动的三维描述，从转子动力学基础理论出发，详细研究转子在三维空间的运动形式，得出结论，转子的单频轴心轨迹为一空间平面的椭圆。以该结论为基础，结合双通道矢量谱分析实现转子的空间域矢谱分析，并用工程信号验证其实用性。     

Compound rub malfunctions feature extraction based on full-spectrum cascade analysis and SVM

The acceleration signals of operational rotor vibration provide a lot of information about its running behaviour. The acceleration signal features of identification and extraction in the process of speed change are important for the fault diagnosis of rotating machinery. The full-spectrum cascade analysis of rotating machinery vibrations is an efficient method that enables the symptoms of some special types of fault (especially for rub) to be clearly detected. Some typical compound rub malfunctions have been researched by experiments in this study. Acceleration signals have been received by the experimental apparatus and analysed by full spectrum. The abrupt changes in surging acceleration signals of rotor malfunctions can be detected and their fault feature spectra shown in full-spectrum cascade plots. The full-spectrum experimental data are applied to the support vector machine (SVM) training to be classified. The results indicate the potential and feasibility of this approach for the diagnosis of rotor malfunctions. The full-spectrum cascade plot can enhance the feature information for the knowledge base of the rotating machinery rub fault diagnosis system and is of great significance to diagnose compound rub faults in a rotor more accurately.