变转速旋转机械不平衡量实时计算方法

针对现有旋转机械不平衡量计算方法在转速变化时的不足,提出了基于角度域积分的旋转机械不平衡量计算方法。传统的傅里叶变换方法需要计算频域所有分量的大小后提取与转速相同的分量大小计算不平衡量,文中方法根据转速直接只提取基频信号进行不平衡量计算。仿真结果表明,该方法在转速变化的情况下误差亦能保持在较小范围内,且时间和空间复杂度比传统傅里叶变换方法低。     

传统傅里叶谱分析与最大熵谱分析对于振动分析的比较

一、概述对测振传感器得到的信号进行特征分析,功率谱密度是丛本描述之一,并且已很成功地应用于确定运动机械的动态特性方面。功率谱密度通常是用专用计算机进行计算,这种专用机对信号采样和数字化处理,而后用离散付里叶变换算法(一般为快速付里叶变换)计算谱估计值,算法本身已编入专用的处理器。这种计算功率谱密度的方法受到“泄漏”和“窗函数”的     

变工况下滚动轴承的故障特征提取

滚动轴承常被用于风力涡轮机、发动机等旋转机械中,由于负载、电流变化等因素将导致旋转设备中的滚动轴承在变速条件下运行。在变转速的工况下,现有时频分析、共振解调等故障诊断方法并不能有效提取故障特征,且考虑到强大背景噪声下存在故障特征提取困难的问题,本文提出了一种基于广义变分模态分解(Generalized variational mode decomposition, GVMD)和分数阶傅里叶变换(Fractional fourier transform, FRFT)的变工况故障特征提取方法。首先将在变工况下故障特征频率呈非线性分布的原始振动信号广义解调为近似线性分布,其次对解调后的信号进行变分模态分解(Variational mode decomposition, VMD)得到本征模态函数分量(Intrinsic mode functions, IMF),根据相关系数准则选取最优的分量进行分数阶域的滤波,最后通过分析滤波后信号的1.5维包络谱提取故障特征频率。通过滚动轴承仿真数据和实验数据的验证表明本文所提方法能够有效提取变工况下滚动轴承的故障特征频率。     

基于最优窗函数Gabor变换的变工况行星齿轮箱故障诊断

强噪声背景下变工况行星齿轮箱振动信号具有非平稳、调制等特点,传统时频分析方法难以获得高时频分辨率的时频图像.本文提出一种分数域最优窗函数Gabor变换方法,利用分数阶傅里叶变换(Fractional Fourier Transform,FrFT)处理线性调频信号的优越性,在分数域优化时频窗函数,获得最小广义时间带宽积原...     

旋转机械转速波动检测及故障诊断

针对旋转机械运行转速波动导致信息获取及诊断决策困难问题,以非平稳信号的瞬时频率估计为切入点,结合快速路径优化算法进行非平稳信号的瞬时频率估计,以实现转速波动信息的准确获取。基于参数化时频分析理论的短时阶比原理,依据估计的振动信号瞬时频率变化函数构造匹配旋转算子,将转速波动信号的时频特征进行旋转,获得各时频窗内的短时阶次谱,进而完整保留转速波动信号的瞬态信息。仿真及实验结果表明,该方法可以准确提取出旋转机械转速波动工况下的状态信息及故障特征,为后续故障精密诊断奠定基础。     

基于Rife-Vincent窗衰减信号插值离散傅里叶变换

频谱泄漏和栅栏效应是影响衰减信号离散傅里叶变换精度的主要因素。为了提高多频衰减信号离散傅里叶变换频谱参数的校正精度,提出一种加窗两点矢量插值校正算法。对信号加M阶余弦窗并计算加窗后信号的离散傅里叶变换,利用真实频率附近的两根谱线的矢量比建立方程,通过求解方程获得频率偏移量和衰减因子,利用上述获得的两个参数计算出信号的频率、幅值和相位。余弦窗的最大旁瓣衰减特性能有效的降低频谱泄漏的影响,两点矢量频域插值可以消除栅栏效应,两者结合极大地提高了算法的参数校正精度。仿真和试验结果表明,算法具有较高的参数校正精度和稳定性,且计算效率较高,适用于实时处理及对计算资源要求苛刻的场合,为多频衰减信号的特征提取提供了一种可选的方法。     

基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断

针对变速行星齿轮箱信号频率模糊且受噪声影响的问题,提出了基于非线性短时傅里叶变换（NLSTFT）无键相阶次跟踪与变分模态分解的故障诊断方法。用NLSTFT算法估计信号瞬时频率,对其积分获得瞬时相位曲线,通过重采样得到角域信号;利用NCOGS算法对角域信号降噪,采用VMD算法进行角域信号模态分解,通过各模态分量信号包络谱解调实现故障诊断。实验结果表明,新方法计算效率高、鲁棒性好,提高了变转速行星齿轮箱故障诊断性能。     

应用阶比跟踪技术破解“频谱模糊”现象

正信号特征提取是旋转机械故障诊断中非常重要的环节,直接影响着对故障的正确判断,傅里叶变换是旋转机械振动故障诊断的基础,但是对于风电机组等转速变化频繁的设备,直接采用傅里叶变换会产生"频谱模糊"现象。解决这一问题的方法是通过跟踪转速变化,将等时间间隔采样的时域振动信号转换为等角度采集的角域信号,消除转速变化带来的影响,这一过程被称之为阶比跟踪采样。计算阶比跟踪技术是一种新的振动信号阶比跟踪采样和分析方     

基于加窗频移算法的谐波和间谐波检测方法

在电力系统谐波和间谐波的检测中,加窗插值算法在一定程度上解决了频谱泄漏问题,但在非同步采样下,存在非同步采样误差。该文将频移算法引入到FFT算法检测谐波和间谐波中,该方法首先对原始采样信号离散后进行数据加窗截断,来抑制谐波间频谱泄漏,再利用频谱搬移的方法使采样序列的峰值谱线与同步采样的真实谱线重合,以减小或消除同步误差,最后对频移信号进行FFT,计算出各次谐波参数。通过对加窗插值算法和加窗频移算法的实验仿真比较,结果证明了在噪声干扰下加窗频移算法具有更高的分析精度和良好的抗噪性。     

分数阶全息的转子起停车故障特征提取方法

针对传统起停车过程分析采用短时傅里叶变换提取瞬时幅值和相位会损失瞬变信息的不足,提出了基于分数阶全息原理的转子起停车故障特征提取方法。该方法利用分数阶傅里叶变换从转子起停车振动数据中提取随转速变化的各倍频分量,并通过Hilbert变换求取幅值和相位,克服了傅里叶变换的平均效应,保留了转子振动的瞬变信息。通过结合全息谱理论绘制分数阶全息瀑布图,提取出转子起停车状态下的故障特征。实验结果表明,该方法能够有效提取出起停车过程中振动信号的典型故障特征,对于常见的典型故障有很好的区分能力。     

基于数字微分和脉冲平均的旋转机械转速曲线算法研究

旋转机械的转速是非常重要的特征参数，转速的计算主要有接触式和非接触式两种方式。在深入研究转速计算方式的基础上采用了一种简单有效的方法来计算转速，即对非接触式采集的转速脉冲序列，通过一阶数字微分、脉冲平均和数字平均的方法来计算转速。这种方法具有计算量小、计算简单、精度较高的优点，现场测试效果比较理想。     

旋转机械无线监测中的多普勒效应

由于应用无线通信技术对旋转机械进行状态监测时,无线设备安装在转轴上随轴高速旋转,无线设备之间的相对位置发生变化,因此会产生多普勒效应,影响无线通信。针对这一问题,首先,提出了两种无线设备安装方式;然后,建立了旋转运动中无线设备的多普勒频移理论模型,并分析了影响无线通信的因素;最后,对水润滑轴承水膜压力进行无线监测试验,引入误码率和丢包率研究了其与轴转速之间的关系,并对多普勒频移理论模型进行验证。理论与试验分析结果表明:多普勒频移与无线设备摆动圆直径、轴转速以及电磁波入射角密切相关,尤以转速影响为甚;在433 MHz通信频率下,无线监测方法不能很好地用于转速接近或超过10kr/min的旋转机械;转速对丢包率的影响大于误码率,丢包率为误码率的2~3倍。     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。     

基于ANSYS旋转机械模块的转子动力特性分析

利用ANSYS中的旋转结构分析模块对转子系统进行动力特性分析,特别是对不同结构的转子进行了临界转速的计算。在某种程度上,转子系统受到的激励载荷与转子系统的特性都与转速相关,因此确定转子的临界转速就显得十分重要。利用梁单元和弹簧单元建立了转子有限元模型,通过临界转速图谱法和同步响应法确定了转子的临界转速。     

基于概率神经网络的大机组快速响应智能诊断系统

介绍大机组快速响应智能诊断系统。该系统采用概率神经网络作为故障分类器，收敛速度为反向传播（ＢＰ）算法的２万倍，并稳定收敛于贝叶斯优化解，避免了ＢＰ网络局部最小的弱点，可以在线快速追加故障。进一步提高系统诊断能力；同时，采用智能化信号处理技术自动提取全息话获得丰富的诊断信息．极大降低对操作人员的要求，实现对大机组常见故障快速、简捷、自动的智能化诊断并减少对专家的依赖。研制出实用的“傻瓜”式智能诊断软件，已在国内多家大型石化企业装机使用。     

基于VMD和改进的FastICA算法的旋转机械故障信号分离方法研究

针对分离出的旋转机械故障信号的非线性非平稳性问题,本文提出一种对旋转机械故障信号分离的方法.首先针对以往利用EMD方法分解的特征信号存在的模态混叠问题,利用VMD方法完成对旋转机械故障特征信号的分解.其次,选取相应的分解后特征信号构成观测序列,利用FastICA算法对观测序列进行分离得到源信号,最后针对FastICA算...     

模糊Kohonen神经网络的旋转机械故障诊断

针对传统故障诊断方法不能解决旋转机械故障诊断的模糊性问题,提出一种基于模糊Kohonen神经网络的故障诊断模型,通过模糊量化处理故障样本模式和在Kohonen网络中使用邻域函数自动调整权重程度的改进学习算法,较大提高了网络的学习速度和聚类能力,能对具有模糊性的复合故障进行诊断,是一种适合于复杂旋转机械故障诊断的有效可行的方法。     

管内自旋扭带转速的研究

通过对换热管内流体的运动分析和自旋扭带的转动力矩与阻力矩分析，推导出扭带的转速计算式。扭带转速特性的实验结果与理论推导较一致。理论分析及实验结果均表明，影响换热管内自旋扭带转速的主要因素是流体轴向流速及扭带半扭距。     

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。