基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于数学形态学的旋转机械振动信号处理方法

介绍了数学形态学滤波的原理,提出一种基于数学形态学的方法来处理现场采集的旋转机械振动信号,以消除噪声污染和直流偏移等问题.该方法通过移动结构元素对采样信号进行形态处理.仿真实验证明该方法切实可行.该方法计算速度快,易于实现,具有较好的适用价值.     

基于相对小波包能量特征向量的故障诊断

在小波及小波包分析的基础上引进相对小波包能量特征向量的概念,提出了一种建立旋转机械故障库的新方法,并结合模式判别的知识,引进欧几里德距离公式作为判据,使故障诊断公式化、定量化。实验结果表明这种方法能够很快地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

改进BP算法在旋转机械故障诊断中的应用

针对BP算法在实际诊断中表现出来的“学习收敛速度慢”、“易于陷入局部最小点”等局限性 ,改进BP算法的神经网络方法已经被提出 ,并且应用于对设备的故障诊断和分析研究。用转子试验台模拟了几种常见的故障 ,对其进行诊断研究 ,从中得出结论 :将代表故障的信息输入训练好的神经网络后 ,由输出的结果 ,便可以判断发生故障的类型 ,此外 ,改进后的BP算法大大地提高了网络收敛速度和稳定性 ,更能满足实时在线诊断的要求     

基于SSWPT的转子油膜失稳故障分析

针对已有的时频分析方法在转子非平稳特征提取方面的不足,提出采用同步压缩小波包变换(SSWPT)方法进行转子油膜失稳故障分析.首先将采集的振动信号进行小波包变换得到小波包变换系数,然后求取信号的瞬时频率,最后对小波包变换系数沿信号瞬时频率方向进行压缩,从而将各频率成分清晰呈现于时频图中.分别利用仿真、实验信号及油膜涡动现...     

基于数学形态滤波器的轴心轨迹提纯

针对旋转机械振动信号数据采集的特点，提出了用数学形态滤波器实现轴心轨迹提纯的新方法。采用形态滤波器提纯轴心轨迹，不考虑转子振动信号的频谱特征，不需要转子故障的先验知识，通过开闭、闭开组合形态滤波器对振动信号滤波处理后即可剔除噪声干扰，得到提纯的轴心轨迹。仿真计算及实例验证了该方法的有效性。与其它方法相比，形态滤波器效果好，算法简单，运算速度快，易于现场采用，有较好的实用价值。     

变转速工况下基于改进奇异谱分解和1.5维包络阶次谱的风电机组轴承损伤识别

为实现变转速工况下风电机组轴承故障损伤的准确识别,提出一种基于改进奇异谱分解(ISSD)和1.5维包络阶次谱的诊断方法。针对奇异谱分解存在的端点失真和奇异谱分量数量判定问题,提出极限学习机延拓结合窗函数的端点效应抑制策略以及基于Person相关系数的分量数量判定策略。首先,通过计算阶次追踪算法对拾取的信号进行等角度重采样,继而对重采样角域信号进行ISSD处理;为便于后续分析,利用排列熵指标从ISSD处理结果中筛选出最佳主敏感奇异谱分量,对其执行对称差分能量算子解调运算,并计算所得包络信号的1.5维谱;最后通过分析1.5维包络阶次谱中的阶次成分准确判定轴承运行状态。实验台信号及实测工程信号验证表明,所提方法能有效提取变转速工况下风电机组轴承损伤特征,具有一定工程参考价值。     

大型汽轮机动静碰磨故障的诊断和处理综述

在高速旋转机械的运行中 ,动静件碰磨是最常见的故障之一。碰磨发生时 ,轻者使得机组出现强烈振动 ,严重的甚至可以造成整个轴系毁坏。因此 ,在介绍汽轮机动静碰磨的机理和振动信号特征的基础上 ,归纳总结引起该类故障的主要因素 ,并提出相应诊断与处理对策     

汽轮发电机定子绕组端部振动在线监测系统的研究

汽轮发电机定子绕组端部在电磁力作用下,常常引起绕组端部松动和振动超标等缺陷,严重影响着发电机安全运行,对定子绕组端部振动进行实时在线监测是很有必要的。首先分析了绕组端部结构特点和受力振动情况,然后基于LabVIEW8.5语言和SQL Server2000数据库开发了定子绕组端部振动在线监测系统,采用FOA100光纤加速度传感器和瑞博华RBH8351采集卡,实时采集定子绕组端部振动数据,利用后台分析软件实时分析振动特征,功能包括信号采集预处理、实时参数设置、实时报警、时频域分析、振动趋势分析和历史数据查看等功能。     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.