用连续小波灰度图诊断齿轮故障

为了识别齿轮振动信号中的冲击性故障,利用连续小波变换对正常和故障齿轮的振动信号进行分析,将不同尺度下连续小波分解系数的绝对值用灰度图的方式表示出来,并利用特征矢量法估计信号功率谱进行验证,准确识别出了齿轮轴的不对中故障。分析结果表明,小波分析对信号具有多尺度分析能力,对振动信号中的冲击成分有很强的识别能力;连续小波变换灰度图不仅能直观反应齿轮的正常与故障状况,而且不会丢失冲击信号的时间信息,有利于寻找故障源,实现对齿轮故障的准确诊断。     

HVDC换相失败小波故障诊断方法

将小波变换应用于高压直流输电(HVDC)系统换相失败的故障诊断中,基于多尺度分析分别对不同故障情况下的直流电流进行分解,并利用尺度能量和尺度熵这两种小波处理方法提取故障特征,分别定义两个故障诊断指标作为辨识各种故障的判据,然后针对这两个指标分别设置4个阈值以诊断直流线路故障和换相失败故障.仿真表明,在不同的HVDC系统故障情况下,暂态信号小波尺度能量和尺度熵的分布都具有一定的规律性,可分别作为判断系统故障的有效依据,提出的判据能准确地对换相失败故障做出诊断.     

基于概率神经网络的汽车发动机失火故障诊断

为准确诊断汽车发动机常发生的单缸失火和双缸失火故障, 利用概率神经网络分析发动机转速与曲轴位移角度诊断发动机失火故障。在AMEsim 软件环境下搭建一款四缸发动机模型, 利用故障注入的方式模拟发动机失火, 提取发动机转速和曲轴角度位移数据, 在Matlab 环境下进行数据处理与分组, 建立概率神经网络PNN(Probabilistic Neural Network)进行训练与测试。实验结果表明, 发动机转速与曲轴转角位移能有效反应发动机真实运行情况, 训练好的PNN 可对发动机单缸、双缸失火进行准确的诊断和定位。该方法具有简洁、经济、高效和准确度高等优点。     

基于PCA-BLS的逆变器故障诊断

为了确保电气设备的安全可靠运行,提出基于主成分分析法与宽度学习系统的逆变器故障诊断方法。利用主成分分析法对逆变器输出的电流信号进行处理,提取信号特征;构建宽度学习系统,并编写不同故障模式下的故障编码;利用不同故障模式下的信号特征对宽度学习系统进行训练,利用网络输出编码实现故障分类。仿真结果表明,该研究方法在诊断准确率及训练时间方面优于传统的神经网络故障诊断方法。     

基于小波与神经网络的模拟电路故障诊断融合方法

针对信息不足、噪声会导致模拟电路故障诊断效率降低问题,提出基于小波分解、主成分分析和神经网络的信息融合故障诊断方法。为了减少噪声影响和减低故障特征维数,采用该方法对电路测试信号进行小波多尺度分解、主成分分析和归一化预处理。根据不同测试激励源,分别构造独立神经网络完成故障初级定位,进而运用D-S证据融合初级诊断结果实现故障最后定位。研究结果表明:所提方法能充分利用不同信息源对容差下模拟电路故障进行诊断,且定位准确率高。     

基于实时监测的轴承寿命预测方法

从凯斯西储大学轴承数据中心提取了斯凯孚(SKF)轴承内圈、滚动体和外圈不同故障尺寸的原始振动信号,故障尺寸分别为0.007,0.014和0.021 in（1 in=2.54 cm),对其进行经验模态分解(EMD),发现共有17个本征模函数。进行主成分分析(PCA),发现内圈和外圈故障尺寸与第一主成分和第二主成分的关系可通过主成分拟合公式进行准确拟合,因此,通过实时监测轴承振动信号并进行信号分析,可获得内圈和外圈的故障尺寸,利用Pairs-Erdogan公式和有限元仿真方法对含故障轴承的剩余寿命进行了预测。该研究对预防由含裂纹轴承导致的机械事故具有重要的意义。     

基于小波变换的滚动轴承故障信号包络谱分析

小波变换是一种有效的时频分析方法,广泛应用于许多领域的非稳态数据分析问题.利用小波变换的多尺度分析能力,对滚动轴承的典型故障(如外圈故障)进行特征分析与提取.首先利用小波变换获取故障信号的细节参数,然后利用希尔伯特包络谱分析提取非稳态的故障特征.实验结果表明,基于小波变换及希尔伯特包络谱分析的联合方法可有效突出滚动轴承典型故障的非稳态特征,可以准确地实现故障诊断.     

基于小波-能量模式的回转支承故障诊断方法研究与应用

回转支承机械结构和工作条件特殊,导致其故障机制复杂,传统的信号分析方法难以对其进行有效的故障诊断.提出了一种基于小波分解与能量谱相结合的回转支承故障诊断方法.利用小波多尺度、多分辨率的特性,对回转支承振动信号进行多尺度分解;根据回转支承低频故障特性,对小波分解后的低频区进行频谱分析,再结合各尺度频带能量谱进行回转支承故障诊断.通过对回转支承加速寿命试验中各阶段数据分析表明,该方法能够有效、准确地诊断出回转支承故障模式,相比单一的小波频谱分析诊断精度更高、可靠性更好,具有一定的工程实用价值.     

随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断

针对已有的柴油机失火故障诊断方法需要精细且耗时的时频特征提取过程,且对实际含有噪声的样本诊断准确率低的问题,提出了一种随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断方法。在不同的转速工况下进行柴油机失火故障模拟试验,将采集到的原始缸盖振动信号作为深度卷积神经网络的输入,并在输入端引入随机丢弃抑制输入噪声,通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,以减少信号在深度卷积层内部的方差偏移,最后基于多分类函数完成失火故障分类。不同噪声环境和方法的对比试验结果表明,所提方法的分类准确率最高可达100%,同时在保证算法准确率的前提下,其鲁棒性优于依赖时频提取特征的方法。     

数据驱动的在线MW-MSPCA故障诊断

针对动态非平稳过程数据的时变性和多尺度性导致故障诊断准确率下降及故障准确定位难以实现的不足,引入滑动窗口多尺度主元分析(Moving window multi-scale principal component analysis ,MW-MSPCA)〖BP)〗,通过小波阈值消噪解决统计模型偏离与数据相关性降低之间的矛盾,并在各个尺度上利用滑动窗口主元分析实现模型更新,然后借助三维贡献图描述反映过程行为变化的各独立过程变量对统计过程的贡献程度,进而对故障准确定位,最后给出诊断准确性的定量评价机制。在对6135D型柴油机进行数值实验中,并通过与传统的多尺度主元分析及自适应多向主元分析比较,实验结果从故障的漏报率、误报率及诊断准确率三方面表明新方法能更好地实现传感器故障诊断。     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

基于EEMD-多尺度主元分析的回转支承信号降噪方法研究

为较好地提取故障信号,提出一种集成经验模式分解(EEMD)和主元分析相结合的降噪方法,给出EEMD自适应分解后本征模函数(IMF)的选择方法,将提取出的IMF分量进行信号重构,从而达到降噪目的。将多尺度主元分析的EEMD降噪、基于峭度准则的EEMD降噪以及基于相关系数准则的EEMD降噪方法分别对仿真信号和回转支承故障信号降噪性能进行对比。研究结果表明:基于多尺度主元分析的EEMD降噪方法具有更高的信噪比(SNR),提取出更能反映真实故障信息的特征,具有一定的实际工程应用价值。     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

多尺度排列熵在涡旋压缩机故障诊断中的应用

针对传统的单尺度信号分析在故障特征的表达上有很大的局限性,引入多尺度排列熵,对不同尺度下的涡旋压缩机振动信号进行了定量分析,并通过马氏距离实施故障诊断.实验结果表明,与单尺度排列熵相比,多尺度排列熵能够对不同故障的复杂性进行准确的描述,反映了不同尺度下故障特征的变化趋势.此外,选择合适尺度下的排列熵作为故障诊断的特征参数,既节省了时间,又可以提高诊断的准确率.     

基于稀疏表示的轴承早期故障特征提取

低速重载机械设备中的滚动轴承由于承受巨大载荷,极易出现内外环故障. 在故障早期阶段,反映故障特征的冲击成分很微弱,极易被噪声覆盖而难以识别. 为准确诊断轴承早期故障,提出基于稀疏表示的故障特征提取方法. 该方法利用K-SVD字典训练算法构造出能准确匹配冲击成分的字典,克服了参数化字典缺乏自适应性的问题;稀疏编码过程中,采用批处理正交匹配追踪算法(batch orthogonal matching pursuit,Batch-OMP)对振动信号进行分解,以逼近信号的峭度值最大原则作为分解结束条件,自适应确定出分解次数;最后,通过对重构的特征成分进行包络谱分析得出故障类型. 对仿真信号和轴承振动信号进行故障特征提取,结果表明所提方法能准确提取出冲击成分,验证了其有效性和实用性.      

基于噪声小波包络谱的主轴承磨损故障诊断

传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率很繁琐,为此,提出了基于噪声和正交小波监测往复式活塞发动机滑动主轴承磨损故障的一种新方法.利用Symlets小波分析将测得的机体噪声信号变换到时频域,得到含有内燃机主轴承间隙磨损状态的时频信息.主轴承磨损故障会使机体噪声信号的高频成分增加,而且高频滤波成分特征与内燃机的冲击过程相对应,所以,需选择合适的高频带加以提取并进行包络谱分析.通过声级计测取了代表主轴承4类间隙磨损程度的噪声信号,发现2个特征频率处的能量对间隙磨损状态比较敏感,均随着磨损量的增加而增加.通过该方法,可利用机体噪声信号监测主轴承的磨损状态.     

经验模式分解在发动机故障特征提取中的应用

针对中高速工况发动机瞬时转速信号波形杂乱、故障特征提取困难的问题,基于经验模式分解(EMD)分析瞬时转速信号、提取故障特征的方法,采用一种"筛"算法,逐次分离具有不同特征时间尺度的信号成分,从揭示信号中内嵌的不同频率的振荡模式;测试了汽油机中速和低速、正常和失火故障时的瞬时转速信号,并进行了EMD分析。结果表明:经验模式分解能够有效地分离发动机中高速工况时瞬时转速信号中存在的高频转速波动,得到经提纯的反映各缸燃爆工况的瞬时转速,从而有效地提取发动机失火故障特征。该方法可以作为发动机故障人工智能诊断的前处理步骤,具有一定的工程应用价值。     

基于EEMD的发动机失火故障检测

针对发动机失火故障信息难以提取的问题, 提出了一种基于集合经验模态分解(EEMD: Ensemble Empirical Mode Decomposition)的发动机失火故障检测方法。该方法能自适应地将曲轴转速信号分解为若干个本征模态函数(IMF: Intrinsic Mode Function), 确定包含故障信息的IMF, 通过该IMF 幅值的异常波动, 可以较准确地判断发动机发生失火故障的时间。并通过AMESim 建立了发动机仿真模型, 从中采集了3 种情况的曲轴转速信号, 分别利用EEMD 分解并最终检测失火故障。实验结果表明, 该方法能有效提取故障信息, 实现失火故障的离线检测, 并可以作为在线检测的基础。     

基于PCA_ICA与SVM的滚动轴承故障诊断研究

针对滚动轴承振动信号复杂多变、包含的信息维度较高且相互交融、故障特征难以提取等问题,提出用主成分分析法与独立成分分析法相结合的方法来降低轴承故障特征的维度并去除特征信息之间的关联,使用支持向量机对得到的信息进行故障分类,试验结果表明,改进后的方法使轴承特征信息更加独立,更有利于分类.该方法诊断准确率高达98.5%,比未改进方法准确率提高了6%,因此,主成分分析与独立成分分析法结合支持向量机是一种有效的滚动轴承故障诊断方法.     

基于固有时间尺度分解与多尺度形态滤波的滚动轴承故障特征提取方法

为了准确提取出滚动轴承的故障特征并对轴承状态进行评估,提出了一种固有时间尺度分解(intrinsic time-scale decomposition,ITD)与多尺度形态滤波相结合的滚动轴承故障特征提取方法。首先,采用ITD方法将滚动轴承故障信号分解成多个固有旋转分量(proper rotation,PR);然后,对比各个PR分量与原始信号的相关性;最后,采用多尺度形态滤波算法对相关性较大PR分量进行滤波降噪,并提取滚动轴承故障特征频率。采用所建立方法对轴承外圈故障和内圈故障实验数据进行分析。结果表明,所提出的故障特征提取方法能够有效抑制噪声,清晰准确地提取出滚动轴承故障特征频率。