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,本文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,构建多维综合健康评估指标向量。然后基于一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1DCNN）构建健康状态评估模型,将得到的健康评估指标向量输入模型中进行训练与健康状态评估。本文通过柴油机实验台开展气门退化模拟实验验证了该方法的有效性,与传统方法相比解决了健康指标的筛选问题以及人为主观经验带来的影响,并具有更好的健康状态评估效果。     

小波包隐Markov模型刀具状态识别研究

针对切削过程中振动信号的特点,利用小波包得到信号能量分布,借助于隐Markov模型(HMM),并以信号的能量分布为特征进行分类,得到一种基于小波包和HMM的切削过程监测新方法.利用实测的钻削振动信号,对该方法进行验证.结果表明该方法能够较有效地识别切削过程刀具的工作状态.     

电主轴振动加速度信号特征提取

针对电主轴振动加速度信号存在噪声问题,本文研究了利用小波理论进行电主轴振动加速度状态信号的监测处理方法．介绍了电主轴的基本概念和简单结构;分析认为小波理论非常适合电主轴振动加速度状态信号的处理,它是非常重要的理论基础;阐述了小波基本理论以及Mallat算法;最后针对电主轴加速度信号,利用小波理论分析了信号与噪声呈现的不同特性,进行小波逆变换重构信号,解决了加速度信号去噪和恢复,这样可以准确提取电主轴的振动运行状态信息,为科学研究和数控系统的决策和控制提供了很好的依据．     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．     

振动信号小波分解系数压缩编码方法

针对机电设备远程状态监控与健康评估需采集大量振动信号数据,为数据储存与传输带来巨大压力的问题,基于整数提升小波分解的多分辨率特性与稀疏分解特性,利用改进的自适应阈值方法对小波系数进行阈值处理,实现信号去噪;提出一种基于小波系数幅值分布规律的系数分组编码与区间差分编码结合的压缩编码方法;采用硬阈值方法、Minmax阈值方法与本文中所提方法对振动信号进行对比试验。结果表明,该压缩编码方法不仅能够实现较高的压缩比,而且能够完整保留信号的特征频率。     

基于小波分析及振动信号灰度矩的水电机组振动区建立方法研究

通过对仿真振动信号进行连续小波变换,选择合适的小波分解尺度和小波类型,得到能够反映振动特征的小波系数图。由于系数图不能定量地反映机组振动强弱,需要人工介入辨识;于是在信号的特征提取中,引入"灰度矩",并把一阶矩作为定量指标,发现灰度矩数值能定量表征振动信号强弱。基于此理论方法,结合云南某水电厂的实际振动数据,提出一种建立水电机组振动区的新方法;并以上导水平摆度的振动数据为例确定出该机组的振动区;该方法比传统的仅仅通过振动峰峰值确定振动区方法更加准确,没有遗失振动的大量信息;而且以机组自身振动为参考标准,更有说服力。     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断

针对柴油机失火故障诊断特征提取分辨率较低和分类评估容易出现过拟合的问题,提出了一种同步压缩小波变换和极限梯度提升树融合的诊断方法。在不同转速下进行柴油机失火性能试验,采集缸盖振动信号,对信号利用时域统计、同步压缩小波提取特征,再采用局部线性嵌入方法进行特征降维,最后利用极限梯度提升树进行失火评估分类。不同工况与评估方法下的对比实验结果表明,所提方法的分类准确率最高可达99.828%,相比小波包特征提取的评估方法提升至少10%。在低模型复杂度下,所提方法具有最小的模型预测均方根误差,证明了方法的鲁棒性和抑制模型过拟合的能力。     

车辆传动系监测信号突变与渐变识别

为识别车辆传动系运行状态的变化,讨论利用小波变换处理传动系监测信号,提取信号在时域的突变特征;利用折中阈值法对监测信号进行消噪处理,从而识别监测信号的渐变趋势,并提出了一种阈值改进方案. 从能量谱和特征频率分布的角度,研究了监测信号的变化趋势在频域的表征,并提出了一种解决小波包混频现象的方法. 研究结果表明,利用小波变换能同时在时域和频域上提取出监测信号所隐含的表征系统运行状态变化的信息.     

匹配追踪信号分解与往复机械故障特征提取技术研究

提出了一种自适应提取往复机械振动信号冲击特征的信号处理方法,方法的核心是基于特别选定的基元函数将信号展开,在采用匹配追踪算法分解信号时,应用指数衰减正弦波函数作为信号分解的基元函数,能够十分理想地匹配信号中的冲击响应波形,与往复机械振动信号有最好的相似性,往复机械的故障诊断实例证明,利用该方法提取信号中的瞬态冲击响应特征是可行的,研究结果为机械冲击故障的特征提取与诊断提供了一条新途径。     

基于优化听觉模型的机床工况识别方法研究

准确识别机械制造设备工况,对判断设备的当前健康状态、设备平稳性,以及科学评价设备操作人员的工作效率具有重要意义.运用遗传算法优化后的ZCPA(zero crossings with peak amplitudes)听觉模型对设备的振动信号进行特征提取,通过与各种工况标准听觉谱计算相关性,以识别设备当前工况.优化后的ZCPA听觉模型计算简洁,能够模仿人耳听觉系统对输入信号进行提取,弥补传统听觉模型适应性差、识别率低的缺陷,同时使不同工况特征差异性增大,提高设备工况识别率.以某种普通车床为例,车床振动信号经过优化后的ZCPA模型处理后,工况识别率达到95%以上.     

转子测量面形状误差对振动测量的影响

为了有效地识别振动信号中存在的虚假信号,采用全息谱方法对具有时间延迟和相位延迟的理想测量面和典型测量面形状误差转子的振动信号进行了理论分析和试验研究.同时,分析并讨论了两种情况下测量面形状误差引起的虚假振动信号对实际振动信号的影响,总结了两种情形下的振动和全息谱特征,得到了具有测量面形状误差的转子振动信号特征.通过试验和现场数据验证结果,与理论分析结果一致,从而为现场转子测量面形状误差的诊断提供了新的识别理论和方法.     

基于FrFT滤波和LMS降噪的变转速滚动轴承故障诊断

变速工况下的机械故障诊断逐渐成为旋转机械监控领域的一个热门课题,在变转速下故障更容易发生且伴随更大的噪声,而相应的降噪问题目前却没有可靠的解决方法。因此提出一种基于分数阶傅里叶变换（FrFT）滤波和最小均方算法（LMS）降噪的故障诊断方法,对变转速工况下轴承振动信号进行降噪,进而提取非平稳故障特征。首先,同时获得滚动轴承振动加速度信号和转速信号;然后对Hilbert解调后的振动信号进行峰值搜索FrFT,按照搜索得到的最佳阶次和分数阶域聚集位置进行FrFT滤波;再将FrFT滤波得到的信号作为参考信号,原包络信号作为输入信号,进行LMS自适应降噪;最后对降噪后的信号按照转速重采样进行阶次分析,将包络阶次谱中的突出特征与故障特征阶次对比,判断故障。该方法可成功应用于变转速工况下滚动轴承的试验数据处理,证明了方法的有效性。     

旋转机械振动信号处理中的滤波及特征提取技术

在广泛调研国内外旋转机械振动信号处理技术研究的基础上,针对振动信号处理中的滤波和特征提取技术进行了较为详细的回顾和总结,分析了各种滤波和特征提取方法的优缺点．文中调研和总结的研究方法和技术,可为大型旋转机械振动检测与故障诊断研究提供参考．     

机器振动诊断中信号处理方法的研究

针对传统的时域和频谱分析不很适合处理非平稳和冲击性机器表面振动信号的问题，研究了小波分析和Choi-Williams时频分布两种先进的信号分析方法在机器振动诊断方面的应用，通过对典型诊断实例的研究表明：对此类信号，用小波分析提取信号中的有用成分或用CChoi-Williams分布分析信号的能量分布，并在此基础上进行机器振动诊断，是两种很有效的分析手段。研究结果为进一步深入开展机器故障的振动诊断奠定了一定的基础。     

旋转机械常见故障的振动三维谱特征及其识别

变速过程中振动特征的提取及其识别对于旋转机械故障诊断是极其重要的，本文通过对发电设备旋转机械中常见的不对中、轴裂纹、动静件碰摩、基础部件松动故障的运动微分方程及三维谱图的分析，讨论了变速过程中系统振动所包含的故障信息。分析表明这几类带有故障的转子系统都是非线性振动系统，振动三维谱图中含有丰富的高次谐波分量，可以用对三维谱图进行扫描的方法来发现故障信息。三维谱图可以丰富旋转机械故障诊断系统知识库中的振动特征信息，对于更准确地诊断发电设备中的故障具有重要的意义     

Vibration Feature Fusion for State Evaluation of Machinery

To overcome the problem that a single feature can not reflect the state of machinery in different stages,a method of vibration feature fusion based on self-organizing map(SOM) is presented.Minimum quantization error(MQE) is obtained unsupervised based on SOM network.And trend information of the MQE curve is extracted by the wavelet packet to enhance state differentiating.Experimental flat is designed for bearing accelerating fatigue.And experimental results show that the method of vibration feature fusion based on SOM can reflect the state of machinery in different stages effectively.     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。     

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...