基于时域和谱峭度特征融合及指数模型的滚动轴承RUL预测

滚动轴承剩余使用寿命（RUL）预测对保障旋转机械设备平稳运行意义重大。针对时域特征预测精度波动大、数据利用率低等问题,提出一种基于时域和谱峭度特征融合及指数模型的滚动轴承RUL预测方法。从时域和谱峭度提取信号的特征进行平滑处理并基于单调性尺度排序,从而选取优势特征通过主成分分析(PCA)构建健康指标。然后,通过3σ准则确定退化点后对数据再处理。最后,基于贝叶斯理论和极大似然函数估计指数退化模型的参数来预测轴承每时刻的RUL,采用XJTU-SY数据集验证所提方法的有效性。结果表明：所提方法可根据当前观测轴承进行小样本数据潜在信息的挖掘,并能在强噪声背景下准确地表征非平稳信号的退化过程,提升RUL预测的精度。     

非高斯随机振动试验并行控制策略研究

针对非高斯随机振动试验控制中功率谱均衡与峭度均衡相互干涉,影响控制精度的问题,提出非高斯随机振动试验并行控制策略。在提出整个系统控制流程的基础上,分别给出功率谱均衡控制算法和峭度均衡控制算法。对蕴含峭度信息的随机信号产生机理展开研究,先给出信号产生的流程图,然后推导出符合控制系统要求的随机信号设计参数。利用功率谱设计滤波器,通过卷积运算调制出用于系统控制的驱动信号。仿真与试验结果表明,采用非高斯随机振动试验并行控制策略进行系统控制,其输出响应谱与参考谱的误差完全满足工程中常用的±3 dB控制要求,峭度控制也达到很高的精度,满足工程试验要求,从而验证该控制策略的有效性。     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。     

基于无限隐Markov模型的旋转机械故障诊断方法研究

针对传统隐Markov模型(HMM)在机械故障诊断中存在的不足,即HMM过学习或溢出问题以及隐状态数需要事先假定,提出了基于无限隐马尔可夫模型(i HMM)的机械故障诊断方法。在提出的方法中,以谱峭度为特征提取,i HMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型。同时,将提出的方法与传统的HMM故障识别方法进行了对比分析。实验结果表明,提出的方法是有效的,得到了非常满意的识别效果。提出的方法能够有效避免了HMM在建模初期遗留下的不足,可以自适应确定模型中隐藏状态数和模型数学结构,因此,提出的方法明显优于HMM故障识别方法。     

基于阶次跟踪最大相关峭度反褶积的滚动轴承早期故障诊断

针对滚动轴承早期故障冲击信号受到现场噪声的干扰,难以提取周期冲击成分的问题,以及非平稳转速下对故障信号直接进行傅里叶分析会出现频率混叠,无法确定故障特征频率的问题。提出基于角域最大相关峭度反褶积的滚动轴承故障诊断方法。首先对时域非平稳故障信号进行计算阶次跟踪转换为角域内的平稳信号;然后用最大相关峭度反褶积对故障信号进行处理,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域最大相关峭度反褶积方法的有效性。     

基于改进EMD与谱峭度的滚动轴承故障特征提取

针对滚动轴承故障信号的调制特点和其需要依靠经验来选择共振高频带的缺点,提出一种改进经验模态分解(EMD)与谱峭度法结合的滚动轴承故障诊断方法。首先,通过EMD将滚动轴承故障信号分解为若干固有模态函数(IMF);然后通过互信息、峭度、互相关性剔除虚假IMF分量,重构故障信号;最后利用谱峭度设计最优带通滤波器,并对滤波后的信号进行包络解调分析,提取滚动轴承故障特征。滚动轴承故障实验信号分析结果表明,改进EMD与谱峭度方法能有效提取滚动轴承故障特征,且比传统包络分析方法更具优势。     

基于WVD谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于W igner Vil le分布的谱峭度法。将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障 信息。将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析。分析结果表明,时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素。该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义。     

基于ESMD的局部放电信号自适应去噪方法

检测电力设备的绝缘缺陷对确保电网安全可靠运行具有重要意义,但电力设备信号易受到现场噪声干扰。因此,抑制局部放电信号背景噪声是准确诊断电气设备绝缘状态的关键问题之一。本研究提出了一种自适应阈值辅助极点对称模态分解(ESMD)的自适应去噪方法,采用ESMD对局部放电信号进行分解得到一系列模态分量,构建基于相关系数和峭度自适应重构准则,以减小噪声干扰对局部放电特征的影响;针对重构的局部放电信号,引入自适应阈值进一步去除重构信号中的残余噪声,从而实现干扰抑制。本算法分别针对局放仿真信号和现场实测信号进行了去噪实验,结果表明,基于ESMD的自适应去噪算法能够有效抑制噪声干扰,保留局部放电信号特征,波形相似系数接近1,提高了局部放电检测的准确性。     

基于MCKD降噪和改进EWT信号分解的轴承故障识别

为了提高在传动系统振动信号识别过程中经验小波变换(Empirical wavelet transform, EWT)微弱故障识别能力,设计了一种通过MCKD降噪与IEWT相结合得到的新算法。先以MCKD算法完成轴承故障信号的消噪过程;接着通过IEWT算法完成降噪数据的频谱分类,生成多个分量信号的情况下再对信号进行平方包络谱处理;最后再对故障特征开展识别确定故障特征。研究结果表明：轴承外圈和内圈信号冲击特征获得显著增强的效果。根据平方包络谱确定外圈故障特征频率与倍频,由此准确检测轴承的外圈和内圈故障。以MCKD-IEWT算法处理包含强噪声的信号时,可以实现Fourier频谱的准确分段,也可根据峭度指标从中确定最佳信号分量,满足强噪声条件下的故障识别要求。该研究适用于其它的机械传动系统,具有很好的理论支撑价值。     

轴承异常声检测的特征量选择及分析

采用数字仿真和数字检测技术，对轴承异常声检测特征量的选择进行了分析讨论。结果表明，现行异常声检测用特征量平均幅值、有效值、峰值、波峰因数、峭度系数、超门槛脉冲数、超门槛脉冲有效值中，波峰因数和超门槛脉冲数两个特征量相结合，能够对轴承异常声进行最为可靠和有效的检测。