基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。     

利用小波尺度谱同步平均的时频脊故障特征提取

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别。小波尺度谱存在受噪声干扰影响大、高频部分频率分辨率低等缺点, 对小波尺度谱进行重排可以提高其时频聚集性。为此,结合小波尺度谱同步平均和小波脊线分析的优点,提出了基于时频脊线特征提取方法。首先对多周期的振动信号进行小波连续变换,并重排小波尺度谱;再根据信号的周期性,对尺度谱进行同步平均;最后提取同步平均后的尺度谱小波脊线,计算信号的包络幅值并进行频谱分析,最终提取出弱故障特征。通过仿真和实例验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法。     

利用随机共振的叶片裂纹微弱信息增强方法

离心式压缩机叶片作为压缩机内最重要部件,长期承受周期性振动和流动诱使激励的作用。而叶片的故障将对压缩机的运行以及现场安全可靠性有严重的影响,因此如何有效地识别压缩机叶片裂纹早期故障显得尤为重要。由于叶片裂纹故障属于低频微弱故障,通常被调制到叶片通过频率处,但是故障频率难以识别,清晰度较低。首先在叶片通过频率处进行信号滤波,然后应用Woods-Saxon and Gaussian Potential随机共振模型对特征频率进行加强,从而得到叶片裂纹故障频率。通过在叶片裂纹附近安装压力脉动传感器,利用压力脉动信号对叶片裂纹信息进行监测。实现模拟叶片裂纹的信号测试,验证了WSG随机共振模型在叶片裂纹早期故障识别中的有效性以及可靠性。同时通过应变试验进行验证此方法的有效性。     

基于改进CNN-LSTM的剩余使用寿命预测方法

机电设备的寿命预测是状态维修中的一项重要任务.剩余使用寿命(RUL)预测不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用装备的工作能力、减少维修成本.为了更好地预测多工况条件下的设备RUL,提出一种基于卷积神经网络(CNN)联合长短时记忆(LSTM)网络的寿命预测模型.通过变窗口取样获得不同长度的时间序列,基于深度学习方法来发现传感器时序信号与RUL之间的隐藏关系,在训练过程中引入带有热重启的随机梯度下降(SGDR)学习率设定策略,通过感官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得RUL.最后,基于发动机退化仿真数据集进行了有效性验证,表明所提方法在预测精度方面具有明显优势.