双谱分析及其在机械诊断中的应用

提出基于双谱分析的机械故障诊断方法。分析双谱的性质和物理意义 ,探讨双谱抑制噪声和提取故障信息的能力。利用双谱分析 2种典型的机械故障 ,结果显示 ,双谱分析与传统的基于 FFT的频谱分析方法相比 ,能更加有效地提取故障征兆。     

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。     

基于Lab VIEW平台的转子特征谱分析

本文介绍转子特征谱分析即全谱分析和全息谱分析的概念。并阐述了利用LabVIEW实现特征谱分析的方法。它是进行旋转机械故障监测与诊断的有力工具。     

基于非线性多参数的旋转机械故障诊断方法

应用关联维数、李亚谱诺夫指数等非线性多参数对旋转机械故障诊断进行研究。对所采集的模拟旋转机械振动故障信号,运用相空间重构理论对其时间序列重构。为使重构相空间能充分地反映系统运动特征,对不同故障信号的时间延迟与嵌入维数确定问题进行研究,计算出不同故障信号的关联维数、李亚谱诺夫指数、复杂度和近似熵四个非线性特征量。在此基础上对四个非线性参数进行融合,并定义为非线性度,用这一特征量对故障信号特征进行提取与识别。由于非线性度是关联维数、李亚谱诺夫指数、复杂度和近似熵多参数的综合,更有利于分析识别故障信号,增强可靠性。研究表明:故障类型不同,非线性度指数不同,验证了这一非线性特征量是表征不同故障信息的有效参数。此研究为复杂旋转机械故障诊断提供一种识别方法。     

基于AIS的核动力旋转机械故障诊断方法

人工免疫系统(AIS)具有强大的学习能力和模式识别能力,因此,将其应用到故障诊断领域中来是非常有必要的.从现有故障诊断方法中存在的问题出发,提出了一种新的基于AIS的故障诊断方法,并简要介绍了AIS与其它优化算法(如HMM)相结合的故障诊断方法.     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构中提取一维信号的低频系数作为特征向量，将其输入到各个状态HMM来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

基于CHMM的旋转机械故障诊断技术

隐马尔可夫模型(Hidden Markov model,HMM)是一种具有较强的时间序列建模能力的信号模式处理工具, 在语音处理中获得了广泛应用,特别适合于非线性、重复再现性不佳的信号的分析。基于振动信号与语音信号的相似性,将CHMM(Continuous Hidden Markov model)引入了旋转机械的故障诊断中。采用12阶LPC倒谱系数进行特征提取,建立CHMM,为防止数据下溢,引入前向一后向比例因子算法求其对数似然概率,并且采用K-means 算法对CHMM进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch 算法实现参数重估,并给出了重估公式。最后,在转子试验台上模拟了四种故障试验,建立了四种故障的CHMM 模型,通过求其最大似然概率值来决定机器的运行状态,试验结果证明了该方法的有效性。     

基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法

针对滚动轴承振动信号的特点,提出一种基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法。这一方法采用集合经验模态分解对滚动轴承振动信号进行分解,可以抑制传统经验模态分解可能产生的模态混淆现象。对于所得到的所有固有模态函数,采用相关因数法自动获取与原信号相关程度大的固有模态函数分量,并进行希尔伯特变换,计算瞬时频率和幅值,进而得到振动信号的时间、频率和幅值三维希尔伯特谱。通过对滚动轴承仿真信号与实际振动信号进行试验研究,验证了利用基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法进行故障诊断的有效性。     

基于小波分析和支持向量机的旋转机械故障诊断方法

提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法.首先运用小波包对振动信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行故障模式识别.通过对实验数据的分析表明,与BP神经网络相比,该方法可以获得更高的旋转机械故障诊断准确率.     

齿轮箱故障时域和频域综合诊断技术

本文陈述了典型齿轮箱故障振动信号的特点,采用振动噪声诊断法,在传统的各种信号处理方法的基础上采用时域和频域综合分析法,准确地诊断出SG135-2型汽车变速器齿轮箱断齿故障发生部位.     

优化奇异谱分解方法在轴承故障诊断中的应用

奇异谱分解在处理强噪声信号时获得的模态分量可能包含期待频段之外的信息,会造成严重的模态混叠现象并影响分析效果,深入研究发现造成上述现象的原因是迭代过程中轨迹矩阵的嵌入维数设定不合理.在大量数据分析的基础上提出了一种优化的奇异谱分解方法(OSSD),以迭代过程中划分的频段及重构分量时特征向量的选择为依据确定新的参数并设定...     

改进支持向量机模型的旋转机械故障诊断方法

针对支持向量机在旋转机械的故障诊断中存在的模型超参数选择的不确定性,利用超参数相关理论和先验知识界定模型超参数选择区间,结合全局搜索和局部搜索实现参数优化组合,运用泛化模式搜索的模型超参数选择方法,并将改进的支持向量机模型引入旋转机械的故障诊断。结果表明,改进的模型具有较高的搜索效率和参数优化选择性能,提高了故障诊断的精度。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

旋转机械故障的拉普拉斯支持向量机诊断方法

在旋转机械故障智能诊断中,收集大量的样本比较容易,而要对所有的样本进行类别标记却较为困难。针对这一问题,提出了一种基于拉普拉斯支持向量机的旋转机械故障智能诊断方法。滚动轴承故障诊断实例表明,有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,基于拉普拉斯支持向量机的诊断方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

旋转机械振动故障诊断中的几个实际例子

在旋转机械振动故障诊断研究中，提供丰富的案例是非常必要的，既可为理论研究提供素材，又可支持理论研究，还可作为广大实际测试人员的参考资料。本文介绍了旋转机械振动故障诊断实践中的几个典型例子，包括联轴器故障的振动频域特征，滑动轴承及滚动轴承某些故障的振动特征，由转子严重失衡引起的１／２亚谐波共振问题等。上述问题对现场故障诊断人员具有一定的参考价值     

基于VMD与Hilbert谱的旋转机械碰摩故障诊断方法

为了有效地诊断旋转机械中的碰摩故障,提出了基于变分模态分解(variational mode decomposition,简称VMD)与Hilbert谱分析的故障诊断方法。首先,利用VMD将碰摩故障信号自适应地分解为若干个不同频率段的本征模态函数(intrinsic mode function,简称IMF),并与集合经验模态分解(ensemble empirical mode dcomposition,简称EEMD)的处理结果进行对比分析;然后,在VMD分解的基础上,利用Hilbert谱对故障信号的时频特性进行分析。实验结果表明:与传统的频谱分析相比,该方法不但可以准确反映故障信号的频率成分,而且可以反映频率随时间的变化情况;与EEMD相比,该方法可以有效抑制模态混叠,更加准确地反映故障信息,从而验证了该方法的可行性与有效性。     

循环自相关函数在旋转机械故障诊断中的应用

在故障诊断领域,循环平稳信号处理方法正逐渐成为一种重要的信号处理工具。基于二阶循环平稳理论,通过仿真信号,指出通过扫描循环频率,对循环平稳信号进行处理,可以对调幅信号进行解调。这一结论通过分析氧压机转轴的实测故障信号加以验证。     

大型旋转机械振动故障诊断新方法

介绍大型旋转机械振动故障诊断的新方法——灰色关联诊断方法及基于人工神经网络的故障诊断方法。并以实测的故障数据为例,证明了其应用的可行性。