柴油机振动信号谱估计的自回归方法

介绍了经典谱分析和现代谱分析中自回归(AR)谱分析的各种常用方法，比较了各种方法对模拟信号(样本总数N=32)和柴油机爆发信号(N=128)的处理效果。结果表明，经典谱分析方法的稳定性好，但分辨率受信号样本数影响，不适于小样本信号。现代谱分析方法比经典谱分析方法有更高的分辨率，因而可用于柴油机小样本数据段的分析，但使用时要注意模型阶次p的选择。当p太高时，各种方法都出现不稳定的现象。自相关法的分辨率略低，但其稳定性较好，可优先考虑使用。柴油机振动过程中有许多小样本信号，如爆发、阀开关、喷油信号等，它们引起的振动信号都非常短，采用AR谱估计方法是非常合适的。     

AR模型在阵风载荷飞行试验中的应用

摘要：功率谱密度（PSD）函数在阵风载荷飞行试验数据分析中占有重要的地位。经典谱分析方法具有信号丢失、分辨率低等缺点,现代谱分析方法提高了谱估计的分辨率和真实程度。本文将基于AR模型的现代谱理论引入飞机阵风载荷飞行试验数据分析中,取得了比较满意的结果。     

时间序列在建筑结构振动分析中的应用

采用时间序列方法对工程爆破引起的邻近建筑结构振动信号进行了谱分析，算倒结果表明，与传统方法相比，采用AR模型的时间序列分析方法具有谱分辨率高的优点，可以获得建筑结构振动谱分布的细节特征。     

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD)。使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量。应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行谱估计,并得到有效IMF分量的AR谱与AR累加谱。将AR累加谱的特征频率点与振幅作为特征向量,使用支持向量机(SVM)进行机器学习与分类。研究结果表明:EEMD-AR-SVM模型在实验中的分类准确率达到了93.9%,平均耗时46.1 s,达到了工业中自动检测的标准。     

小波消噪和AR谱技术在汽车传动轴故障诊断中的应用

为了解决传统的谱分析方法难于提取传动轴振动信号故障特征问题,介绍了小波消噪与AR谱相结合对汽车传动轴振动信号进行分析的方法。通过对处理的结果比较分析,可以看出,传动轴不平衡时,其不平衡能量在其轴频的半频、倍频处表现明显。小波消噪能够有效地消除或抑制传动轴各种噪声,与AR谱相结合,能够为振动信号故障提取提供可靠的依据。     

基于EEMD的柴油机缸套磨损故障诊断

针对柴油机缸套磨损故障诊断问题,在实车上测试了柴油机机体振动信号,应用经验模态分解(EMD)对不同磨损状态下的柴油机机体振动信号进行了分析,然而,EMD存在的模态混叠问题使其难以获得准确的基本模式分量(IMF).为此引入基于总体经验模态分解(EEMD)的改进的局域波分析方法,利用EEMD获取无模式混淆的IMF,通过Hilbert边际谱分析信号能量随瞬时频率的变化特征.工程实测分析结果验证了应用该方法进行柴油机缸套磨损故障诊断的有效性.     

平稳时间序列AR(P)模型的判别

在资料〔1〕中,曾经讨论过已给一组有序的历史统计资料: (?)(1)如何判断它是平稳时间序列的一个现实的问题。但实际作时间序列统计预报时,常常用P阶自回归模型〔以下简称AR(p)模型〕来预报,即满足下面的随机差分方程的零均值的平稳时间序列:X(n)-sum from j=1 to p(b_j X(n-j)=N(n)) (2)其中N(n),n=0,±1,…为平稳白噪声,E|N(n)|~2(?)0,bj,j=1,2,…,p 为实数且6_p(?)0,p为正整数 (以下均假定有上述条件)。     

基于旋转森林法的滚动轴承故障诊断

为了寻找一种高精度、可测试样本大的滚动轴承故障诊断方法,提出了基于旋转森林法的滚动轴承故障诊断方法。设计基于SSA(奇异谱分析)和AR(自回归)模型的特征提取算法以及基于RF(旋转森林)算法的故障模式识别算法,并采用美国西储大学滚动轴承实验台的振动数据进行实验验证。实验结果表明:(1)AR模型的NMSE(归一化后的平均绝对误差)达99.45%,说明通过线性自回归模型拟合原始信号拟合的效果很好,确保了结果的可信性;(2)在训练和测试样本总数为232个基础上,分析了训练样本数和基分类器数对分类精度的影响,得出采用3个基分类器、少量训练样本在不同转速条件下即可达到较高的精度,验证了旋转森林算法的有效性。经最终实验表明,在训练集720和测试集2 296条件下,可识别故障类型数达40个,平均测试精度达98.5%~100%,相对同类方法在精度上有所提高,并且测试样本大,可应用于城轨列车滚动轴承的故障诊断中,为车辆的日常检修提供参考。     

浅谈一种基于AR模型的电厂电动机故障诊断新方法

电动机是电厂的重要设备,对发电厂的电动机故障进行诊断有重要意义。本文采用虚拟仪器系统作为开发平台,根据电动机振动信号的特点,对其进行虚拟诊断测试,在实际测试中,提出倒谱分析方法,是基于自回归AR模型的一种电机振动信号检测方法,首先是AR建模,并进行阶次预测和系数预测,得到相关参数;再进行倒谱变换,快速准确地提取出所需要的频谱信息,从而判断电机是否出现故障。     

基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法.对采集的轴承振动信号采用高、低正交共轭镜面滤波器组,将信号划分到不同频道上.滤波器每作用一次,数据点减半,采样的时间增至两倍.选取轴承缺陷所在频段的数据插零,将其他频带补零重构提高缺陷信号的时频分辨率;然后通过AR功率谱分析轴承运行状态,诊断出轴承对应的故障.对207滚动轴承的早期缺陷作了实际诊断,诊断结果与实际较为符合.证明该方法是一种有效的弱信号缺陷提取与诊断方法.     

柴油机故障诊断技术的现状及展望

柴油机作为一种复杂动力机械,其运行状态监测和故障诊断技术越来越受到人们的关注。在柴油机故障诊断领域,信号处理、故障特征提取及识别方法已初具雏形,但离实用化还有一定距离。笔者分析了柴油机常见故障及影响因素,综述了现代柴油机故障诊断技术中常用的各种基于振动信号的时频分析法、瞬时转速波动法、铁谱及光谱分析法、灰色系统理论诊断法、神经网络诊断法及专家系统诊断法的原理、特点及不足,最后指出了柴油机故障诊断的难点和发展方向。     

车用柴油机振动信号的去噪声处理

针对柴油机振动信号的瞬时非线性特点,论述了车用柴油机振动信号处理理论与方法.采用柴油机振动信号的IMF分量进行特征频带识别,将柴油机振动信号经验模态分解,去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构得到柴油机振动信号.重构后的信号反映了车用柴油机机身振动的真实信息.     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

基于单缸柴油机表面异常声发射信号的活塞组件摩擦磨损故障诊断与研究

为了诊断并分析某型单缸柴油机的异常声发射信号,在柴油机缸体上安置振动传感器和声发射传感器。利用小波多分辨率算法对比分析了两个传感器的信号。首先通过几何估算提出了异常信号可能对应的两种故障形式,随后根据拆机检查,确认声发射信号中的故障特征来源于活塞组件之间的异常摩擦事件。诊断结果表明:该型号单缸柴油机的活塞组件的结构尺寸设计不合理,在柴油机正常工作中,连杆小头和活塞内部发生了摩擦事件,导致了声发射信号在固定的曲轴转角上出现异常峰值响应。声发射技术为以后有效监测活塞组件摩擦磨损提供了更准确的诊断方法。     

基于ReliefF-PCA和SVM的发动机故障诊断方法研究

针对柴油发动机机组振动信号非线性和非平稳性以及机组实际故障案例样本数据少的特点，提出了一种基于ReliefF、主成分分析（PCA）以及支持向量机（SVM）的柴油发动机故障诊断方法。首先提取发动机冲击信号的特征参数，运用ReliefF选择出其中的敏感特征以降低处理过程的计算难度；然后采用PCA进一步提取敏感特征，消除各特征之间的相关性，避免冗余；最后利用SVM实现机组的故障分类，诊断不同类型的故障。将本文方法应用于柴油机实际典型故障案例中，结果表明该方法能有效提取柴油机缸盖振动信号中的故障敏感特征，并实现多种典型故障的诊断。     

基于缸盖振动信号包络线相关分析的柴油机故障预警方法研究

针对柴油机故障特征易受到环境、载荷等因素的干扰,从而导致许多传统意义上的故障特征参数不再敏感的问题,提出了一种基于缸盖振动信号包络线相关分析的柴油机故障预警方法,对一台6缸柴油机的缸盖振动信号对比了希尔伯特变换和n阶极值插值两种方法的包络线提取效果,并对其包络线进行相关分析,得到了相似系数、距离标准差以及余弦相似度等相关分析结果。研究结果表明：在传统特征参数不敏感的情况下,相关分析可以更好地反映机组的故障状态。本文研究结果可为实现柴油机故障的早期预警奠定基础。     

基于振动信号的柴油机气门间隙异常故障诊断

为探讨简易诊断柴油机气门间隙异常的有效方法,采用柴油机缸盖表面的振动信号进行试验研究。采集了柴油机在不同气门间隙下的振动信号,用时域法和频域法相结合的分析方法对故障特征信号进行分析,得出了气门间隙异常的频率特性和判断依据。结果表明,采用振动检测技术可以实现不拆卸配气机构就可简易诊断柴油机气门间隙异常故障。     

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法--Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.     

基于小波变换的柴油发动机辐射噪声线谱分析

对小波变换(多分辩率分析)用于柴油发动机辐射噪声分析.利用小波变换的"变焦"性能,并基于其多分辨率分析,以柴油发动机辐射噪声信号为对象,使用Daubechies小波及快速小波算法———Mallat算法对其进行塔式分解,然后进行各级小波波形结构特征提取,再结合经典谱估计的方法分析其线谱特征,进而提高线谱的分辨率,以获得更多的信息量,为柴油发动机降低噪声提供理论依据.分析表明,将小波变换应用于柴油发动机辐射噪声线谱分析具有重要的意义.     

基于深度学习的柴油机气门健康状态评估

柴油发动机在运行过程中,其气门间隙会随其性能状态退化发生改变,为了解决传统的健康状态评估方法健康指标确定困难、权重人为经验依赖性大的问题,提出一种基于深度学习的柴油机气门健康状态评估方法.首先通过小波包分解算法对柴油机缸盖振动信号进行分解,对分解得到的节点信号分别提取常见的14个时域特征和小波包分解信号能量比向量,构建...