小波变换在转子动静碰摩故障诊断中的应用

小波变换在时域和频域均有很好的局部特性,适用于处理非平稳信号.本文利用小波分析技术对汽轮机组动静碰摩的振动信号进行处理,通过多尺度分析,使碰摩故障特征在相应的尺度图上体现出来,为汽轮发电机组轴系碰摩故障识别提供了新的方法.     

自适应多小波基函数构造与机械故障诊断应用研究

设备在运行中萌生的故障(即早期故障),特征信息微弱且往往被机械设备运行过程的强噪声所淹没,给故障诊断与预示带来困难,已成为国内外此领域研究的热点和难点。文章深入研究了机械故障动态信号与基函数的内积变换原理;提出了若干自适应多小波基函数构造方法;改进了几种多小波邻域区间和局部阈值降噪方法。利用典型的工程案例分析和阐述了重油催化裂化装置、连铸连轧机组、空分机、电力机车和船载卫星通信地球站传动系统在运行状态下,微弱动态信号的特征增强和复合故障特征提取的工程应用实效。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于多分辨分析的时频分析

短时傅里叶变换由于采用固定宽度的时域窗，在缓变与瞬变信号共存的宽频带信号分析中，其时间与频率分辨力矛盾突出。采用Mallat算法的小波变换能够将信号正交分解成多尺度的信号分量，然而所提供的时频信息不很直观，难以识别其时频谱。通过对短时傅里叶变换和小波变换在时频分析中的优缺点分析，发现两者具有互补性。因此本文提出基于多分辨分析的短时傅里叶变换（取名为WAVSTFT），即采用Mallat算法将信号分解成多个尺度信号分量，再对各分量分别做与其尺度相适应的短时傅里叶变换，最后把得到的各时频谱在同一个不相平面上叠加，从而得到信号的总体时频构造。经理论分析与实例验证，该方法有效可行，为工程测试中的时频分析提供了一种有效的手段。     

小波变换的滤波器解释和在冲击测量中的应用

通过分析小波函数和尺度函数的傅里叶频谱,用滤波器的观点对小波变换和多分辨分析进行了解释。并对实测的冲击信号应用多分辨分析进行了滤波,与传统的低通滤波器进行了比较,表明:小波分析对冲击信号的消噪有着傅里叶分析不可比拟的优点。     

机械故障诊断中的小波基及算法研究

针对小波分析在机械故障诊断应用中的小波基选择和快速算法存在的问题,对常用的正交、半正交、双正交小波提取信号特征的能力进行了分析比较,表明半正交Ｂ样条小波因具有线性相位和采用较长的分解序列而具有较好的频率局部化特性和较小的变换误差,具有比较好的综合性能。推导了正交小波包的图形显示算法。利用该算法解决了小波变换快速算法中存在的数据长度随分解层数倍减小的问题。研究结果为故障诊断中小波基的选择和信号的深层     

非线性系统中基于多传感器的多分辨估计方法

本文将多分辨分析的思想与传统的Ｋａｌｍａｎ滤波相结合，研究了非线性系统中基于多传感器对状态的多分辨估计方法，得到了多分辨估计新方法（称为ＭＲ－Ｅｓｔｉｍａｔｉｏｎ，简记为ＭＲＥ）。     

信号的小波尺度-频率表示及其在机械故障诊断中的应用

基于对信号的连续小波变换特点的分析，提出信号特征的小波尺度一频率表示方法。该方法对污染的脉冲信号和正弦信号的应用结果表明该方法能有效提取强噪声背景下的周期成分。以变速器齿轮的故障诊断为例，用该方法对变速箱齿轮振动信号的尺度-频率表示进行分析，结果表明该方法能非常有效地将不同磨损状况的齿轮振动信号的特征表现出来。     

多分辨Hilbert边际谱在旋转机械故障诊断中的应用

针对旋转机械故障振动信号的非平稳性特征,提出了一种基于多分辨Hilbert边际谱变换的旋转机械故障诊断方法.Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,提取旋转机械故障信号.实验结果表明,基于多分辨Hilbert边际谱的变换能够有效地提取旋转机械故障特征.     

利用小波变换实现体数据的快速多分辨显示

本文提出一种用小变换快速实现体数据的多分辨显示的方法。     

小波分析与傅里叶分析的比较及其在故障诊断中的应用

小波分析是傅里叶分析的发展与延拓。本文首先对小波分析与傅里叶分析的概念及特征进行比较，然后简要论述了这两种分析方法在故障诊断中的应用。     

A neuro-fuzzy technique for fault diagnosis and its application to rotating machinery

Malfunctions in machinery are often sources of reduced productivity and increased maintenance costs in various industrial applications. For this reason, machine condition monitoring is being pursued to recognise incipient faults. In this paper, the fault diagnostic problem is tackled within a neuro-fuzzy approach to pattern classification. Besides the primary purpose of a high rate of correct classification, the proposed neuro-fuzzy approach also aims at obtaining an easily interpretable classification model. The efficiency of the approach is verified with respect to a literature problem and then applied to a case of motor bearing fault classification.     

基于KD-DenseNet的旋转机械故障诊断模型

针对传统旋转机械故障诊断算法在复杂多变的工况下,缺乏良好的自适应与泛化性的问题。提出了基于DenseNet的卷积核dropout(KD)智能故障诊断模型KD-DenseNet。将各类故障状态的原始振动信号进行重叠分段预处理,并将预处理得到的数据作为KD-DenseNet的输入进行训练,使用训练得到的模型对不同工况下的振动信号进行自适应特征提取与分类,并将dropout应用于卷积核中以提高模型对振动信号的处理速度及抗干扰性,最终得到故障类型判定结果。KD-DenseNet的应用避免了梯度弥散现象,提高了有效特征的提取效率,解决了传统特征提取方法中无法有效挖掘特征、无法自适应于任务进行调整等问题。     

旋转机械故障诊断的图形识别方法研究

以旋转机械振动三维参数图形为研究对象,提出了基于图形识别技术的旋转机械故障诊断方法。该方法用表征纹理的统计法、结构法及图形纹理方向的梯度法形成描述图形纹理特征的灰度-梯度-基元三维共生矩阵。该矩阵精确地反映了图形纹理的粗糙程度、重复方向和空间复杂度及纹理方向,准确地描述了图形灰度空间分布特性(概率)、空间统计相关性和图形内各像素点梯度的分布规律。描述了灰度统计和空间结构的纹理特征,有效地提取旋转机械状态参数图形中纹理特征信息。最后,利用RBF人工神经网络实现旋转机械故障诊断。在汽轮机转子试验台上进行了6种状态试验研究,诊断结果表明该方法具有较高的诊断准确率,为旋转机械故障诊断探索了一条新路。     

基于二次EEMD的Wigner-Ville分布旋转机械故障信号分析及试验研究

摘 要： Wigner-Ville分布（WVD）凭借优良的数学性质被广泛应用于信号处理等领域,但因其不满足可加性而引起的交叉项却影响信号分析的准确性。针对此问题提出利用二次聚合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)消除Wigner-Ville分布交叉项的方法。该方法首先用EEMD将原信号分解成为若干本征模函数（Intrinsic Mode Function,IMF）,再利用EEMD对获得的IMF进行二次处理,得到一组新的IMF,然后对新得到的若干模态成分分别进行WVD计算,最后将各项结果求和得到信号的WVD分布。该方法在改善模态混叠的同时有效地消除Wigner-Ville分布交叉项,并保留Wigner-Ville分布的各种优良特性。将该方法应用于转子碰摩故障诊断,效果很好。     

小波极大模方法在旋转机械故障诊断中的应用研究

通过小波变换奇异性检测理论,利用连续小波变换提取极大模值线并求取Lipschitz指数,提取转子每转中Lipschitz指数的平均个数和全部Lipschitz指数的平均值作为转子故障振动信号的奇异性特征。通过BP神经网络对转子不平衡、不对中、油膜涡动、摩碰和无故障5种状态进行分类识别,取得了较好的效果。     

故障树分析法在某型飞机火控系统故障诊断中的应用

故障树分析法是系统安全、可靠性分析研究中常用的一种方法。基于故障树分析法与专家系统相结合的某型飞机火控系统故障诊断仪,以机载火控系统不工作为顶事件,建立了故障树,并对故障树作了定性分析,本系统不但具有故障诊断能力,还具有较强的自学习的功能。结果表明,故障树分析法是机载火控系统故障诊断的一种有效方法。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于小波域隐马尔可夫模型故障诊断方法

针对基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布这一不足,提出一种基于多尺度小波域隐马尔可夫模型(WHMM)参数特征的故障诊断方法.该方法分析了信号多尺度小波分解系数的统计特征,利用隐马尔可夫模型描述小波变换域系数在尺度间,尺度内的统计相关性.采用最大似然估计方法确定的模型参数作为信号特征实现故障诊断.试验结果证实了设计思想的正确性和算法的高效检测性能.最后从小波基、窗口宽度和分类器三个层面对建议方法诊断性能的影响进行分析,结果表明本文方法具有很强的稳定性和鲁棒性.     

旋转机械非平稳振动信号的时频分析比较

信号分析与处理是机械故障监测与诊断中故障提取的常用方法,传统的振动故障分析方法难以满足频率随时间变化的非平稳信号的要求,联合时频分析是非平稳信号比较有力的分析工具。以转子实验台的典型振动故障信号为研究对象,分析研究了几种时频分析方法如STFT、Wigner-Ville分布、小波变换和Hilbert-Huang变换。对比结果表明:STFT和Wigner-Ville分布的时频分辨率是矛盾的,易出交叉项或使信号变得微弱;小波分解会出现多余信号;Hilbert-Huang变换的时频分析能够直观检测信号中的微弱奇异成分,清楚给出时频分布情况,为旋转机械状态监测和故障诊断提供了新的手段。