基于谐波小波包变换的高速列车走行部故障特征提取与识别

文章针对高速列车行走部故障识别难的问题,提出了一种基于谐波小波包分解和相像系数的故障特征提取与分类识别方法,用谐波小波包分解法对各类故障信号进行多层分解,从中提取能反映各类故障特征的频带能量信息组成特征向量,通过计算和比较信号特征向量与不同故障特征向量的相像系数,实现对故障的识别与分类。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆及横向减震器全拆4种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

Wigner-Ville分布在发动机转子故障诊断中的应用

发动机转子系统实际测得的信号很多都是非平稳信号,而且背景噪声比较大。对于这种非平稳信号,仅用功率谱和傅立叶变换等传统信号处理方法分析很难从根本上解决问题,频谱及功率谱无法判断某个故障频率分量出现的具体时间和变化趋势。因此,需要了解信号频率随时间变化的情况。在对发动机转子故障特征进行分析的基础上,提出了利用Wigner-Ville分布的方法对碰摩故障进行特征提取与故障识别。并利用仿真信号和实测信号,证明了Wigner-Ville分布在发动机转子故障诊断中的有效性。     

采用时域与时频域联合特征空间的转子系统碰磨故障诊断

针对转子系统早期碰磨故障,提出了一种基于时域和时频域联合特征提取和分析的方法,并采用该方法对简单转子模型进行了故障诊断。基于BP神经网络和影响函数法,建立了滑动轴承单盘转子碰磨故障动力学模型,并对转子系统碰磨故障进行了数值模拟;分别采用统计学和小波包分解方法,对振动信号的时域和时频域特征进行了提取,综合两者建立了碰磨故障的特征空间,并采用支持向量机(SVM)模型对比分析了基于时域、时频域和综合两者特征空间的故障诊断效果,在此基础上,通过引入可分度函数,将正常振动信号与故障信号同时考虑,对各特征的可分度进行了分析和排序;根据特征分析结果,将特征空间分为高可分度区域和低可分度区域,分别针对单特征和组合特征对碰磨故障进行识别。研究结果表明:单特征的碰磨故障识别率与其可分度函数值呈正相关;组合特征识别效果要优于单特征,且高可分度区域内的组合特征识别效果要明显优于低可分度区域,针对本文所建碰磨故障样本空间,高可分度区域内随机三特征组合平均故障识别率达到90%以上。文中提出的故障特征提取和分析方法可为复杂故障的识别提供参考。     

基于小波包和Elman神经网络的异步电机转子断条故障诊断方法

提出了一种基于小波包分析(WPA)和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明:基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

基于Hilbert变换和小波包能量分析的转子断条故障诊断

转子断条是笼型异步电机最常见故障之一.基于Hilbert变换和小波包频带能量分析方法,提出了一种新的笼型异步电机转子断条故障检测方法.对采集的定子电流信号进行Hilbert变换,消去定子电流中包含的直流分量,解决了转子断条故障特征分量容易被基波湮没、难以检测的问题.采用基于小波包频带能量分析方法,对转子断条故障进行识别.实验结果验证了方法的有效性.     

EMD与ICA相结合的复杂转子系统早期故障诊断

为了提取复杂转子系统微弱故障信息,对其早期故障进行预知诊断,针对某型涡桨发动机的减速器传动机构接连发生的齿轮毂裂纹故障问题,通过布置多组加速度传感器对多组正常齿轮毂和预制早期裂纹故障的齿轮毂进行正常试车下的振动信号采集。采用EMD(empirical mode decomposition)方法把测试信号分解成多个IMF分量,选取合适IMF分量利用基于非高斯性极大的ICA(independent component analysis)固定点算法进行混合再分离,得到了信息较为独立的特征分量。通过对特征分量进行解调分析得到能清晰反应故障状态的调制信号信息。结果表明基于EMD与ICA相结合的特征信号分离提取技术加包络解调法能有效地识别复杂转子系统早期故障信息。     

小波分析中频带能量泄漏及对策

为了寻找信号特征提取优化的方法，排除误诊断，分析了Daubcchies小波系列的频带频率特性，指出了小波分析存在着频带能量泄漏的问题。频带能量泄漏不利于信号的特征提取和分析。通过仿真研究，得到了频带能量泄漏的基本规律，提出了频带能量增量比较法。该方法通过比较小波分析的相邻三个频带的能量增量，确定信号的特征频率分量所在的频带，进而以该频带的能量增量作为信号变化的特征。实验证明，运用该方法可以优化信号特征的提取。     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号.通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量.应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射.现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障.     

基于轨迹平行测量的发动机异响诊断方法

为了利用机器的声（异响）信号进行故障识别，提出了一种异响信号的故障诊断思路，首先利用连续小波消噪技术对声信号进行消噪和故障源识别，然后将混沌技术中的轨迹平行测量方法应用于异响信号的非平稳特征提取与识别，提取出时间序列动力学轨道运行特征指标，经过对发动机的故障声信号进行实际应用后，表明该方法具有良好的识别效果，为声音信号的故障诊断提供了一种新的工具。     

基于零序电压小波包能量比的配网单相高阻接地故障辨识分析

配网高阻故障大多是架空线接触高阻抗物体引起的单相高阻接地故障,难以通过稳态特征进行识别。基于等值网络分析故障产生高频分量的原因并考虑正常状态对辨识的影响,提出一种基于零序电压小波包能量比的配网单相高阻接地故障辨识方法。利用小波包频段分解对零序电压进行能量特征提取,提取低频段能量与高频段能量的比值作为高阻故障的识别特征量。基于某10 kV配电网对方法进行测试,通过BP神经网络的辨识对比结果,证实了方法的有效性;通过中性点接地方式、拓扑结构及故障条件变化等多种因素的分析及仿真,验证了方法的适用性。     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于VMD-SSA和多频段Hilbert能量的高压直流输电线路单端量保护方法

高压直流(high voltage direct current, HVDC)输电线路对故障暂态电压信号大多数频段都具有衰减作用,而HVDC的物理边界对高频分量会产生较强的衰减作用,对低频分量会产生一定的放大作用。根据上述特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)-麻雀搜索算法(sparrow search algorithm, SSA)和多频段希尔伯特(Hilbert)能量幅值的高压直流输电线路单端量保护方法。利用SSA对VMD参数进行优化后,对故障暂态电压信号进行分解,然后对分解后的各个内涵模态分量(intrinsic mode functions, IMF)进行Hilbert变换求取其200～1 200 Hz低频段和8～12 kHz高频段的Hilbert能量,利用低频段和高频段Hilbert能量之比构造故障区段识别保护判据,通过正极和负极其高低频段Hilbert能量和之比来判断故障极。仿真实验证明,所提出的方法能够有效避免利用经验模态分解(empirical mode decomposition, EMD)故障信号时...     

提取感应电动机转子故障特征的新方法

感应电动机拖动机械负载运行时，如果机械负荷波动较大，通过测取电动机定子电流直接作频谱分析，难于得到正确的结果。作者分析了该种工况下电动机定子电流信号的特点，提出了一种提取电动机转子故障特征的新方法。此法通过对电动机定子电流信号作Ｈｉｌｂｅｒｔ变换解调处理，以调制信号的频谱中是否存在２ｓｆ１频率的故障特征分量，来诊断转子有无断条故障。实测结果表明，这种方法是有效的，尤其适用于这种负荷波动较大的电动机转子故障的诊断。     

多频带分析的配电网单相接地故障选线

针对多年来一直未得到根本解决的配电网单相接地故障选线问题, 在分析故障选线现状和基于小波包选线方法的基础上,提出了多频带分析的选线方法.根据各线路暂态零序电流信号小波包分解的能量分布情况,提出对各线路选择能量集中的特征频带或组合特征频带;并根据故障线路和非故障线路暂态零序电流大小关系原理,比较各条线路特征频带或组合特征频带的暂态零序电流的能量以确定故障线路.现场数据和大量的Matlab仿真试验结果表明:该选线方法可以准确、可靠地实现配电网单相故障的选线.