柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声,在进行故障特征提取之前必须加以消除.首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比,然后将奇异值分解技术用于信号降噪,最后提出了一种将小波包和奇异值分解相结合的降噪方法.该方法将输入信号进行一次小波包分解,利用奇异值分解方法对分解后的幅值量化系数进行降噪.实例表明,小波包和奇异值分解相结合的方法降噪效果最好.与其他方法相比,用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高,且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号,大大提高了特征提取的准确率.     

基于稳健独立分量分析的转子故障信息增强方法

针对实际转子振动信号中信源相互叠加干扰、故障信息微弱的问题,提出一种基于稳健独立分量分析(RICA)的转子故障信息增强方法。首先引入双树复小波变换,对信号进行降噪预处理,降低分离算法对噪声的敏感程度。再用稳健独立分量分析对降噪后信号进行分离和信息增强。并对比其他2种经典的盲源分离算法,通过数值仿真比较它们的分离效果。结果表明:新方法通过优化步长因子得到全局最优值,采用代数方法得到最优步长参数,实现简单,并且避免了预白化处理,使得算法运算量降低;对小数据量信号,算法收敛速度快、信号分离质量高。此方法可以更有效地分离故障源及提取信号的本质故障特征。     

基于混沌理论的往复式压缩机故障诊断

实测某往复压缩机气缸在正常、活塞体松动及拉缸工况下的振动信号,计算信号的关联维数、Kolmogorov熵及最大Lyapunov指数,并证明信号具有非线性。用奇异值分解(SVD)降噪法对信号进行降噪,通过奇异熵增量曲线选择降噪阶次,用互信息法求最佳延时,并用假近邻域法求最佳嵌入维数,同时用G-P算法、小数据量法求出关联维数、Kolmogorov熵及最大Lyapunov指数。计算结果表明,3种工况下的往复压缩机气缸振动信号均为非线性混沌信号,故障越严重,信号表现出的混沌特性越明显,可依据混沌指标对往复压缩机气缸的状态进行监测。     

天然气压缩机耦合故障的波动熵诊断模型

针对天然气压缩机耦合故障的定性及定量特征难以提取的问题,提出基于信息熵的故障诊断方法,提取机组振动信号构造能量谱向量,进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型,并根据波动熵对耦合故障进行分类。研究结果表明:波动熵模型可准确诊断出压缩机的耦合故障;该模型无需提取信号局部细节特征,可解决故障特征提取及故障建模的复杂性难题,提高诊断的容错性和灵活性。     

基于马尔可夫过程的压缩机组维修决策方法研究

设备维修策略优化的目的是提高设备的可靠性、降低维修费用,目前已受到广泛关注。考虑到设备的劣化可用马尔可夫过程描述,提出了基于马尔可夫过程的压缩机组维修决策方法。并以综合费用为目标函数,定量分析了设备在不同劣化状态、采用不同维修措施的期望综合费用,从而得到了设备的最优维修策略,为设备的维修决策提供了有力的科学依据。     

基于提升小波包的往复压缩机活塞-缸套磨损故障诊断

针对往复压缩机活塞-缸套磨损故障微弱信号特征识别问题,提出一种识别该类信号微弱特征的自适应非抽样提升小波包方法(AULSP)。该方法以分解层信号所有样本的预测差值平方和最小为目标函数,算出与信号特征自适应匹配的初始算子,并构造非抽样算子算出下一层各频带信号。对各层细节信号进行阈值处理并重构,对降噪后的信号再进行小波包分解。各分解频带信号长度与原始信号的长度相同,无须重构即可识别时域故障微弱信号特征。用这种方法成功提取了某往复压缩机活塞与缸壁发生碰磨故障时产生的弱周期性冲击信号。     

基于Volterra级数和ULSP的机械隐含故障特征提取

针对提取机械原始振动信号中的隐含故障特征,提出了一种结合Volterra级数及冗余提升小波包(ULSP)的信号处理方法.先用二阶Volterra模型对信号进行延拓、预测,然后用冗余提升小波包对信号进行分解.对仿真信号的处理结果表明:分解得到的信号在边界没有振荡,有利于微弱特征的提取.工程应用中,完整地提取出了往复注水泵活塞与液缸密封碰磨产生的微弱故障特征信号.     

基于冗余提升小波包及Volterra级数的机械故障预测方法

针对Volterra级数模型在染噪时间序列预测中精度较低,以及收敛速度慢的关键问题,提出了一种基于冗余提升小波包(Redundant Lifting Wavelet Packet,RLWP)及Volterra级数的机械故障预测方法。首先用冗余提升小波包对振动信号进行分解,对分解得到的末层所有频带信号用奇异值分解进行降噪。然后通过构造二阶Volterra级数预测模型对降噪后的各频带信号进行预测。最后用冗余提升小波包重构算法对各频带预测信号重构,获得预测信号。仿真结果表明:结合冗余提升小波包的多分辨率分析及奇异值降噪,能明显提高Volterra级数模型的预测精度及收敛速度。在工程应用中该方法准确预测出了某离心压缩机的不平衡故障。     

基于深度置信网络的齿轮箱智能诊断方法

针对油田现场强背景噪声干扰下,难以实现齿轮箱故障精确诊断的问题,提出基于深度置信网络(Deep Belief Network,DBN)的齿轮箱智能诊断方法。首先运用变分模态分解(Variational Mode Decomposition,VMD)对齿轮箱振动信号分别进行分解；然后依据互相关准则对小于阈值的模态运用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)进行降噪滤波处理,并对降噪后的信号进行重构；最后构造故障特征集,实现基于DBN的故障特征自适应挖掘与故障模式智能识别。对现场的齿轮箱故障诊断表明,本文提出的方法具有自适应性,能显著提高故障分类准确率,为保障油田设备安全可靠运行提供了依据。     

迭代奇异值分解降噪与关联维数在烟气轮机故障诊断中的应用

烟气轮机的振动信号具有很强的非线性特征.提出了将迭代奇异值分解(ISVD)降噪与关联维数分析相结合应用于烟气轮机故障诊断.采用低通数字滤波与ISVD降噪两种方法对实测数据进行降噪处理,对其效果进行对比,并计算烟气轮机在不同故障状态下振动信号降噪前、后的关联维数.结果表明:对于烟气轮机信号,低通数字滤波的降噪效果并不理想,而ISVD降噪则能有效地去除噪声;降噪后,烟气轮机振动信号的伪相图特征清晰,关联积分曲线的标度区明显变宽;不同故障状态下计算得到的关联维数明显不同,可以将关联维数作为故障诊断的定量特征进行提取,从而为烟气轮机故障诊断提供简单而有效的方法.