基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

断路器操作三维振动信号差异特征的研究

针对单轴传感器在断路器中应用的缺陷与不足,为了获取更多断路器分合闸时的状态信息,利用三维振动传感器同步采集断路器操作时振动信号,在时域、频域方面以及时频联合对X、Y、Z 3个方向的信号进行分析对比。在时域方面,运用X、Y、Z3个方向振动信号各个特征和能量的分布;在频域方面,运用快速傅立叶算法得出频谱分布图和功率谱图;在时频联合方面,运用小波包分解将三维传感器信号进行分解,并求出能量在各节点的分布和Wigner-Ville分布,说明三轴传感器放置方向对断路器测量信号故障诊断正确率的影响。实验分析结果表明,三维振动传感器采集的断路器振动信号时频特征均有显著差异,可更全面反映断路器分合闸时的状态信息。     

电力变压器铁心振动特性分析

作为电力变压器的主要部件,变压器铁心的振动信号主要与铁心紧固状况、绝缘程度密切相关,具有较强的非线性非平稳特性。本文以电力变压器铁心为研究对象,将希尔伯特黄变换(HHT)时频分析方法引入变压器铁心非线性振动信号分析领域,并结合传统频谱分析法对六种不同型号的电力变压器铁心振动信号进行了分析及实验研究,从时域、频域及时-频域等几个角度分析了铁心本体振动特性、油箱表面空载时振动特性及负载时绕组振动对铁心振动的影响。该研究分析结果为电力变压器的状态检测与故障诊断提供了一个良好的基础。     

电机滚动轴承故障诊断的新方法

基于希尔伯特变换解调原理，提出一种对电机滚动轴承振动信号进行包络处理的方法，它根据振动信号、解析信号和包络函数在频域上的关系来制定算法，并同时在频域上直接实现带通滤波，而不用在时域上对信号进行滤波。最后从包络谱中提取轴承故障特征信息，达到诊断电机滚动轴承故障的目的     

基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法

负载在滚动轴承的运行过程中通常是变化的,针对变负载下滚动轴承不同故障位置及不同性能退化程度多状态识别困难的问题,提出一种基于集合经验模态分解–希尔伯特(ensemble empirical mode decomposition-Hilbert,EEMD-Hilbert)包络谱和深度信念网络(deep belief network,DBN)的滚动轴承状态识别方法。该方法首先对滚动轴承各状态振动信号进行EEMD,然后选取敏感本征模态函数(intrinsic mode function,IMF),并对其进行Hilbert变换求取包络谱。最后将各状态振动信号的IMF包络谱按顺序构建新的高维数据,输入到经遗传算法优化各隐藏层节点结构的DBN中,实现变负载下滚动轴承的多状态识别。实验结果表明:在运用DBN进行滚动轴承10种状态识别过程中,训练数据采用某种负载,测试数据选用其他负载的情况下,EEMD-Hilbert包络谱比时域或频域幅值谱能更好地体现出滚动轴承不同负载下的多状态特征;且DBN相对浅层学习的支持向量机和BP神经网络算法,具有更高的识别率,各数据集识别率均达到92.5%以上。     

电机滚动轴承故障诊断的新方法

基于希尔伯特变换解调原理，提出一种对电机滚动轴承振动信号进行包络处理的方法，它根据振动信号，解析信号和包络函数在频域上的关系来制定算法，并同时在频域上直接实现带通滤波，而不用在时域上对信号进行滤波，最后从包络谱中提取轴承故障特征信息，达到诊断电机滚动轴承的目的。     

基于 ACMD 和脊检测的滚动轴承非平稳故障诊断

针对非平稳状况滚动轴承振动信号易受速度波动、幅值或频率调制、噪声和其他无关分量的干扰,导致生成的时频面复 杂,难以识别滚动轴承故障特征频率等问题,提出一种新的基于自适应调频模式分解和脊检测相结合的方法。 所提出的方法构 建了高分辨率的时频表示,提升了诊断的准确度,而且具有非常强的自适应性。 通过对不同健康状况滚动轴承振动信号分析发 现,所提方法非常适合于变工况下的滚动轴承故障诊断,且诊断效果优于最新发展的时频分析方法。     

基于无监督特征对齐的变负载下滚动轴承故障诊断方法

针对滚动轴承实际工作中缺少某种负载数据,使得源领域数据与目标领域数据属于不同分布,以及目标领域样本不含标签的问题,提出一种多域特征构建和无监督特征对齐的滚动轴承故障诊断方法。该方法利用变分模态分解结合奇异值分解获取振动信号的时频特征,再结合振动信号时域、频域特征构建多域特征集;引入迁移学习中能够实现无监督领域适应的子空间对齐(subspace alignment,SA)算法并进行改进,提出将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间,在高维空间的子空间进行特征对齐,以增加数据类间区分性,实现不同负载下源领域特征向目标领域特征对齐。实验研究表明,与部分降维方法及无监督迁移学习方法相比,所提方法在目标领域无标签的情况下,能够利用滚动轴承已知负载数据识别出其他负载数据对应的状态,并具有较高的故障诊断准确率。     

语言信号时频谱分析

文中采用两种方法对语音信号时频谱进行研究.首先采用小波变换对语音信号进行五层的小波分解,从分解后的各层信号去分析语音信号的时频特征;然后本文还采用傅立叶变换对语音信号的语谱图进行分析.两种时频分析方法的结果基本一致,小波分析能同时对语言信号的时域和频域进行分析;而傅立叶变换只能在时域或者频域对语音信号进行分析.     

基于振动信号的SF_6高压断路器操动机构状态监测

操动机构作为高压断路器开断的一级执行元件,其机械状态的健康程度直接影响断路器的工作状况。而断路器动作时的振动信号是由断路器内部一系列机械部件的运动与撞击产生的,含有丰富的时域和频域信息,为了能够实时有效地监测断路器操动机构的状态,需要对操动机构不同部位不同状态下对应的振动信号进行分析,获取能够反映断路器状态的特征量作为评估操动机构状态的判据。文中的研究对象为弹簧疲劳和缓冲器失灵两种操动机构故障,首先,分别对两种故障和正常工况进行了大量的模拟实验并采集相应的机械振动信号,通过形态学滤波对振动信号进行必要的降噪处理;然后对信号进行时域、频域上的分析对比,并以相对小波包能量法获取振动信号各频带的能量分布;最后,采用支持向量机对各个工况下的频带能量进行训练,并预测了待测试振动信号对应的断路器机械状态。结果表明,该方法具有很高的状态识别准确率,能满足实际工程应用中断路器操动机构的机械状态在线监测要求。     

基于时频变换的断路器凸轮偏中故障诊断

为从真空断路器振动信号中获取凸轮是否对中的状态信息,提出了一种基于时频分析提取特征值的方法。首先,对振动信号进行时域分析,得到信号的能量分布;再通过对断路器合闸的振动信号进行短时傅里叶变换,并采用平滑伪魏格纳–维尔分布对其解析信号进行分析,对比2种时频分析结果发现,后者的时频聚集度更高,且便于提取Renyi信息量特征值。研究表明,对比凸轮对中状态,凸轮偏中状态的时频分布Renyi信息量增加1位左右,或者更多。这种量化的特征值方法为真空断路器振动诊断的可行性提供了新的论据。     

基于 CWD 及分块 SVD 的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。     

基于特征迁移学习的变工况下滚动轴承故障诊断方法

针对滚动轴承尤其是变工况条件下很难或无法获取大量带标签的振动数据,以致诊断准确率低的问题,提出一种基于变分模态分解(variationalmodedecomposition,VMD)及多特征构造和迁移学习相结合的滚动轴承故障诊断方法。该方法利用VMD对滚动轴承各状态振动信号进行分解,得到一系列固有模态函数,对其构成的矩阵进行奇异值分解求奇异值及奇异值熵,再结合振动信号的时域、频域特征构造多特征集。同时引入半监督迁移成分分析方法(semisupervised transfer component analysis,SSTCA),并对其核函数进行多核构造,将不同工况样本特征共同映射到一个共享再生核Hilbert空间,进而提高数据类内紧凑性和类间区分性。采用最大均值差异嵌入法选择更有效的数据作为源域,将源域特征样本输入支持向量机(supportvectormachine,SVM)进行训练,测试映射后的目标域特征样本。实验表明,所提多核SSTCA-SVM方法与其他方法相比较,在变工况下滚动轴承多状态分类中具有更高准确率。     

基于振动信号SVM分类的变压器状态识别

为提高基于振动信号的变压器状态识别准确率,提取振动信号的峰峰值、均值、偏度等时域特征量和主频率幅值占比、基频幅值占比、50 Hz及其奇次倍频幅值占比等频域特征量构成特征向量,运用支持向量机(SVM)分类方法对变压器进行状态识别。采集了变压器正常与故障运行状态下的振动信号,结合实测信号分析了各特征量随变压器状态的变化,最后对比了单个特征量与多特征量结合对变压器正常短路、正常空载、故障短路、故障空载4种状态的识别准确率。结果表明,结合振动信号多个特征量的SVM分类对变压器的状态识别准确率显著高于单个特征量的识别准确率。     

风电机组振动检测预防性检修技术的应用

采用WindDAQ振动信号采集软件及Wexp2信号分析软件,对风力发电机组各轴承、齿轮箱等关键设备进行离线式振动检测,通过对机组振动信号时域图和频域图进行分析处理,可以判断运行设备的健康状态,帮助技术人员分析确定机组、设备的故障部位及故障原因。根据测试数据的分析结果,可以对机组的健康状态进行分类,实现风机维护向预防性检修体制的转变。     

换流变压器振动信号多层次特征提取模型研究

针对换流变压器振动信号复杂度高、数据量大、信息利用率低导致基于振动信号的换流变特征提取模型搭建困难、准确度不高等问题,该文研究了一种基于类格拉姆矩阵和卷积神经网络的换流变压器振动信号多层次特征提取模型。首先通过极坐标变换和自定义点积运算将一维振动时序序列和对应细化频率序列转化为类格拉姆矩阵得到时域、频域特征图谱,通过连续小波变换将原始序列转换为时频能量特征图谱,得到振动信号的时域、频域和时频能量图谱。然后利用卷积层和池化层并行对输入图谱进行多层次特征提取融合,解决了传统方法信息利用率低的问题。利用卷积神经网络对融合矩阵进行二次特征提取。分析结果表明,该文模型振动测点分布平均识别准确率为95.4%,工况平均识别准确率为97.82%,优于长短时记忆网络(long short term memory,LSTM)、一维卷积神经网络(one-dimensionalconvolutionalneuralnetwork,1D-CNN)、残差网络(residual network,ResNet)、全卷积网络(fully convolutional network,FCN)等经典时间序列应用网络,可为基...     

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法（IAO）优化支持向量机（SVM）的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。     

基于振动声学的变压器分接开关及绕组变形在线诊断技术∗

有载分接开关故障和绕组变形故障占变压器整体故障的60％以上,确保以上两个核心组成部分安全稳定运行对提高变压器和整个电网可靠性具有重要意义。文章介绍了基于振动声学的变压器分接开关及绕组变形诊断技术,采用加速度传感器检测振动声学信号,提出了时域分析、频域分析、时频分布以及基于小波变换的包络分析、互相关分析和能量分布曲线分析等多种分析方法,实现有载分接开关和绕组变形的在线状态监测。     

风力发电机组齿轮箱故障诊断

由于齿轮箱运行的好坏直接影响整个风力发电系统的运行,因此对其进行故障诊断十分重要.若在故障初期便可分析出来故障部位和故障程度,就能将损失降到最小,为设备提供了技术支持并为维修提供方便.在齿轮箱各种监测信号中,振动信号最能反映设备运行状态,将振动信号作为研究对象,将它经过时域和频域分析处理,判断齿轮箱的运行是否正常.对比...     

不同负载电流下变压器表面三维振动信号特征分析

变压器表面振动信号与绕组及铁芯运行状态密切相关。采集正常运行中变压器表面三维振动信号,结合负载电流和运行电压数据,分析总结不同方向变压器表面振动信号的时域峰值特征和频域能量特征。提出能量—电流灵敏度指标EC-S,用于定量描述变压器表面振动信号各频点能量受负载电流变化的影响,基于该指标分析了可表征变压器绕组振动状态的特征频点。结果表明同一位置不同方向的变压器表面振动信号差异显著,三维振动信号较单一方向振动信号能更全面地反映变压器绕组振动变化。