EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难。谱峭度法能根据峭度最大化原则自动确定带通滤波器参数,取得了一定的诊断效果,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显。为此,提出一种基于EMD降噪和谱峭度法的滚动轴承早期故障诊断新方法,首先采用基于互相关系数和峭度准则的EMD降噪对采样信号进行预处理,突出高频共振成分,再利用谱峭度法选取最佳带通滤波器参数,最后使用带通滤波和包络解调进行故障诊断,并通过实际工程信号进行了验证。     

利用FCKT以及深度自编码神经网络的滚动轴承故障智能诊断

实时、快速、批量地对振动信号进行处理成为故障诊断领域的未来发展趋势,但是可能会带来数据维数灾难问题。针对在样本较大情况下深度学习运行时间较长,以及层与层之间节点数的减少使得故障识别准确率降低问题,提出首先计算原始时域信号的频谱在不同偏移点数下的相关峭度值(FCKT)作为新的样本数据,并结合深度自编码神经网络实现轴承的智能故障分类。新样本相对于原始样本,实现了数据的维数约减,缩短了样本集的分析时间。同时,在保持各样本数据原有信息的基础上,使得样本之间差异性更突出。另外,该方法在避免深度学习算法层与层之间的权值根据经验设定的同时,解决了通过逐层减少隐含层节点数来提高计算效率时带来的分类识别准确率降低的问题。最后,通过试验数据对比分析验证了算法的有效性。     

火焰原子吸收光谱法测定茶叶中的微量元素

建立了湿法消化-火焰原子吸收光谱法测定不同品种茶叶中2种微量元素的分析方法。茶叶样品经湿法消化,用原子吸收光谱法测定微量元素铜和铁的含量。方法检出限分别为Cu:0.04μg/mL、Fe:0.15μg/mL;线性范围分别为Cu:0.2～1.5μg/mL、Fe:0.3～5.0μg/mL,相关系数r>0.9980;相对标准偏差(RSD)分别为Cu:2.16%、Fe:0.32%;回收率分别为Cu:98.00%～102.40%,Fe:98.50%～101.35%。并用该方法检测了20种长春市售茶叶中铜和铁的含量。     

离心式压缩机压力脉动产生原因与作用机理

大型石化压缩机组中,机组易产生气流激振作用下的破坏失效.为了分析大型压缩机的振动故障,对某压缩机试验台进行了现场测试.通过对压缩机内压力脉动产生的原因静子与转子间相互作用进行分析,同时通过试验测试及测点信号的时域分析和频域分析结果证实,压缩机内部的压力脉动总是存在的,其特征频率为压缩机叶片通过频率及其谐频,且设计参数对压力脉动的影响很大.所得试验数据和分析结果对大型压缩机机组与管道系统的设计、监测与运行管理具有指导意义.     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

不锈钢铣削稳定叶瓣图的构建及实验

为了提高压缩机叶轮的加工效率,研究了解析法构建铣削稳定性叶瓣图的方法,并利用该方法实现对FV520B材料加工的参数优化。通过该方法可以选取合适的加工转数和切削深度,避免颤振,使加工后的工件达到要求的精度及表面质量,并能够保护刀具和机床的安全、可靠度。通过实验数据分析获取构建叶瓣图的所需参数,构建稳定性叶瓣图,并在所构建的叶瓣图中选取不同测试点,对叶瓣图进行正确性验证。研究表明,该方法在实际叶轮加工制造中具有重要意义。     

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(emprical mode decomposition,简称EMD)方法进行信号滤波以提高识别的可靠性.应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯.最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性.     

基于振动信号分形特征的柴油机缸套磨损诊断

提出了一种基于总体经验模态分解(EEMD)与形态学分形维数的柴油机缸套磨损诊断方法,以某6缸四冲程柴油机为研究对象,测试并分析了柴油机缸套4种状态下机体振动信号的形态学分形维数。研究结果表明:利用含噪振动信号的分形维数来描述缸套磨损状态是不可靠的,实测信号降噪后的形态学分形维数能够清晰地区分柴油机缸套磨损状态。     

基于循环平稳分析的二重调幅信号识别研究与应用

基于循环平稳分析理论,对滚动轴承部分故障振动信号提出了一种新的模型——二重调幅信号模型。在对二重调幅信号理论进行研究的基础上,采用循环频率扫描分析二重调幅信号的调制源及其载波的分布规律。对仿真信号应用循环自相关函数分析,验证此方法的正确性。并应用该方法对滚动轴承故障进行分析,实践证明此方法能够有效地分离出滚动轴承对应的故障特征频率。     

基于KPCA和WPHM的滚动轴承可靠性评估与寿命预测

为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。