无刷发电机旋转整流器故障特征提取方法研究

首先使用Matlab仿真对比小波变换和傅里叶变换在旋转整流器故障特征提取的精确性,然后利用STM32F407VGT6作为处理芯片,通过模拟输入故障信号,在硬件上进行在线调试,对比分析两种变换方法的效率。结果表明对于旋转整流器故障诊断,傅里叶变换比小波变换更有优势。     

基于LE的水基动力无杆抽油机典型故障敏感因子分析

水基动力无杆抽油机是一种新型的采油设备,目前对其典型故障的分析还处于研究阶段。为了得到水基动力无杆抽油机典型故障情况下各敏感因子的范围,需要对通过故障模拟试验台得到的数据进行分析。通过研究基于拉普拉斯特征映射(Laplace Eigenmaps)的本征维数估计和邻域容量估计,得到降维的最小维数和邻域容量。提出了采用距离差异度和流形差异度的加权值来表征故障的敏感因子的大小,从而获得各种典型故障敏感因子的范围,对各种典型故障进行识别。     

基于动力学方程的水基动力无杆抽油机井下故障诊断方法研究

水基动力无杆抽油机是一种新型的抽油装置,对其开展故障诊断工作具有重要的意义。分析了水基动力无杆抽油机动力缸受力情况,建立了动力缸运动学方程,研究了动力缸运动方程中的参数变化与井下典型故障的映射关系,提出了运用动力缸运动方程组合系数的变化进行水基动力无杆抽油机故障诊断的方法。研究结果表明在不同工作状态下,动力缸运动方程系数的变化与井下故障有明确的对应关系,可以做到对于水基动力无杆抽油机几个典型故障的定性诊断,并能在一定程度上对于故障类型做出判断。研究结果对于水基动力无杆抽油机的故障诊断工作有工程实践意义,并对后续研究工作的参考价值。     

水基动力无杆抽油机典型故障诊断的研究现状

水基动力无杆抽油机是以液体的压力作为动力的采油装置,主要由地面动力站、动力传输部分和井下液力抽油系统三大部分构成。水基动力无杆抽油机与传统的抽油设备相比,具有可实现深抽甚至超深抽、结构简单、高效节能、性能可靠等显著的优点。文中论述了水基动力无杆抽油机系统构成和工作原理,介绍了现阶段主要的故障种类和诊断方法;针对水基动力无杆抽油机专门研发了水基动力无杆抽油机的测试诊断仪,可确保水基动力无杆抽油机安全、可靠和高效运行,具有十分重要的工程价值。     

LMD-MOMEDA滚动轴承故障特征提取方法研究

由于滚动轴承的故障信号在强噪声的背景之下很容易被淹没,并且具有非线性、非平稳等特点致使故障特征提取困难,在分析了滚动轴承振动信号的特点后提出了一种将局部均值分解（LMD）与多点最优最小熵解卷积（MOMEDA）相结合的故障特征提取方法。首先将滚动轴承的故障信号进行LMD分解,得到一系列的PF分量;然后根据相关系数准则对相关程度较高的PF分量进行重构,用MOMEDA方法对重构后的信号进行降噪,提取故障特征。并通过实验验证了该方法的有效性。     

机电设备故障音频特征提取方法研究

针对机电设备的故障音频信号特征,深入研究了ICA信号处理过程并引入了基于负熵的快速不动点算法。提出了基于EMD-ICA的故障音频特征提取方法,通过EMD的自适应分解能力,解决了ICA处理过程中信号源数目的限制问题,同时利用ICA方法的盲源分离能力,避免了EMD分解的模态混叠现象。实验表明:通过EMD-ICA方法,能有效对机电设备故障音频特征进行提取,在故障诊断的准确性和鲁棒性方面具有优势。     

SGMD-MOMEDA滚动轴承故障特征提取方法研究

针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。     

水基动力无杆抽油机状态监测及故障诊断系统研究

水基动力无杆抽油机是一种利用液压传递实现驱动采油泵工作的新型采油系统,系统效率高,节能效果显著。基于水基动力无杆抽油机,设计了一种状态监测及故障诊断系统。该系统采用上、下位机结构,采用传感器采集系统参数,通过实时和远程数据传输的方法,借助系统数据输入状态监测及故障诊断专家系统,进行水基动力无杆抽油机的状态监测及故障诊断。本文对系统功能、硬件组成、工作原理和软件设计做了详细的论述,该系统满足了对水基动力无杆抽油机进行状态监测及故障诊断的需求,应用智能化、自动化的设备状态及故障的分析判别方式,改变了传统的由专业人员进行设备状态及故障的分析判别方式,便于工业现场实际应用。     

滚动轴承故障特征提取方法研究现状分析

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文对现有滚动轴承故障特征提取方法进行了系统梳理,从时域分析、频域分析和时频域分析三个方面总结了各种方法的优势缺点。分析结果表明,时频域分析方法中的LMD在所有方法中表现得最为先进。     

基于相电流波动的逆变器故障特征提取方法研究

为解决逆变器的可靠性问题,以无刷直流电动机为例,利用MATLAB/Simulink建立电动机驱动系统模型,并进行故障仿真。通过对相电流故障信号的分析,提出利用小波分解法提取逆变器的故障特征,并进行了验证,为电动机运行状态监测提供了一种有效的手段。     

基于PLC与HMI的水基动力无杆抽油机系统的研究与应用

水基动力无杆抽油机作为一项新技术,尚未大规模的投入使用,所以对其进行故障诊断需要的数据比较匮乏。为了解决这一问题,在研究了液压技术和采油技术后搭建了针对水基动力无杆抽油机的故障模拟实验台。并在PLC与HMI触摸屏技术的基础上,提出了PLC与HMI触摸屏在无杆抽油机中的集成控制方法。阐述了无杆抽油机系统故障模拟试验台的工作原理和工作过程,给出了HMI触摸屏和PLC编程方法及应用情况。结果表明:水基动力抽油机故障模拟试验台能够提供大量的故障数据以供研究,样机的成功应用表明无杆抽油机对提高抽油机的运行效率有重要的意义。     

故障部位特征及其试验获取方法研究

针对大机组故障精确诊断的需要,首先提出了基于转子系统传递函数的故障部位特征的表示方法,进而从试验的角度深入地研究了该种故障部位特征的获取方法。最后通过二跨转子试验台进行试验。结果表明,本文所提出的故障部位特征研究方法切实可行,能有效地实现故障的精确诊断。     

滚动轴承特征提取的多分量解调方法

提出利用多个高频振动分量进行滚动轴承故障特征提取的多分量解调方法。与传统的基于单一高频振动分量的解调方法不同,多分量解调方法从多个高频振动分量中提取信号特征信息。首先构建带通滤波器组对原信号进行滤波,然后依据所提高频振动分量获取策略求取原信号中多个高频振动分量,并对各高频振动分量进行包络检波,其次用独立成分分析对所得包络信号进行盲分离,最后对分离信号进行频谱变换以提取故障特征信息。仿真信号和故障轴承信号的分析结果表明,所提方法较传统解调方法更能凸显滚动轴承故障振动信号中的特征信息。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(ISSD)结合奇异值分解(SVD)的齿轮故障特征提取方法。针对奇异谱分解(SSD)算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

齿轮裂纹特征提取和故障诊断方法研究

齿轮作为旋转机械中的关键部件,其健康状态是判断设备能否继续运行的重要指标,因此,准确快速的对齿轮早期故障进行诊断极其重要。提出了一种基于欧氏距离技术(EDT)的齿轮故障诊断新方法,该方法选择提取振动信号的频带能量作为特征参数,然后计算测试样本和各不同健康状态下频带能量组成的矩阵之间的欧氏距离,距离最小者为测试样本所属状态类别。采用实验数据验证该方法的准确性,结果表明,EDT方法能有效的诊断齿轮早期裂纹故障且与同类方法相比具有更高的准确性;同时,分析对比结果可知,频带能量在齿轮裂纹故障诊断中是一个比较敏感的特征参数,可以考虑为后续使用。     

基于张量奇异谱分解的机械故障特征提取方法研究

提出了将张量奇异谱分解运用于机械故障诊断特征提取,张量奇异谱分解(TSSA)是传统奇异谱分解(SVD)的扩展。由于传统奇异谱分解在处理非平稳、非线性的信号效果不理想,故障特征不明显。因此将传统的奇异谱分解延伸到三阶张量分解中,从而将一维的时间序列转换成为三阶的张量,然后运用标准(PARAFAC)张量分解,标准(PARAFAC)张量分解是把秩为R的张量分解为R个秩-1的张量的和,分解出原始张量的因子矩阵和权重,并重构回一维信号进而对信号的时域和频域做出分析。为了证明方法的有效性,将该方法应用于轴承故障信号的特征提取中,分别运用了仿真和实测信号做了分析,结果表明该方法不仅能有效地抑制噪声,明显地提取轴承故障信号特征,而且其效果要优于传统的奇异谱分解方法,具有一定的工程实践价值。     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

一种改进的LCD滚动轴承故障特征提取方法

为了有效提取出滚动轴承振动信号的故障特征,提出一种基于分段三次Hermite插值?局部特征尺度分解PCHIP?LCD的故障特征提取方法.采用分段三次Hermite插值代替LCD中的三次样条插值(Cubic spline interpolation,CSI),提出了改进的LCD方法,完成振动信号x(t)分解,获得若干内禀...     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明:与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。