NOFRFs频谱散度Bootstrap分析法辨识旧零件内部损伤

旧零件内部损伤的检测与辨识是再制造工程的关键热点问题。针对旧零件内部损伤的非线性,采用锤击法激励旧零件,获取输入/输出信号,进而估算旧零件的多阶非线性输出频率响应函数NOFRFs,并构建反映NOFRFs频谱差异度的散度指标(divergence index,DI)作为敏感故障特征量来实现对旧零件内部损伤的检测与辨识。为了提高统计分析精度,引入Bootstrap方法对敏感故障特征量进行统计分析。首先,估算不同状态的系统NOFRFs;然后,计算NOFRFs散度指标DI,并利用Bootstrap方法对其进行统计分析,获取指标的均值DI和置信率为95%的样本区间;最后,计算被测零部件的DI',并依据DI'所落的样本区间,推断被测零部件的损伤情况。将该法应用于不同使用时长的旧连杆的损伤检测中,结果表明,能以95%的置信率推断被测连杆的工作时长为296 h,实查为288 h,准确率较高。该研究为实际工程中旧零件内部损伤程度的检测及识别提供了一种全新的有效方法。     

基于非线性频率分析的主泵故障诊断技术研究

针对非线性系统的故障诊断问题,采用非线性频率特性分析的故障监测方法,对主冷却剂泵转子的开裂纹故障进行定位识别.该方法建立主泵开裂纹故障的数学模型后,使用两个幅值不同正弦信号激励系统,从非线性输出频率响应函数得到主泵振动信号的频率响应,通过计算系统频域的故障特征值,定位出了裂纹故障的位置.使用Matlab和Simulink的仿真工具验证了该方法的有效性,因此该方法可以应用于主泵裂纹故障诊断的研究之中.     

基于智能算法的涡流检测自然裂纹形状重构

人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹涡流检测(ECT)信号进行了去噪预处理及信号特征提取,通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型的基础上,利用经过处理的裂纹ECT信号与裂纹形状参数样本库对径向基函数(RBF)神经网络进行训练.采用遗传算法,通过创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号;然后运用改进的遗传策略进行迭代反演优化,对裂纹形状最优解进行搜索.重构结果表明该方法具有快速、精确的优点.     

基于神经网络正向模型和遗传算法的涡流检测自然裂纹形状重构

提出了一种基于神经网络正向模型与遗传优化算法从疲劳裂纹涡流检测(eddy current testing, ECT)信号重构裂纹形状的方法.人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹ECT信号进行了去噪预处理并提取了信号特征.随后通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型基础上,利用经过处理的裂纹ECT信号和裂纹形状参数样本库对径向基函数(Radial Basis Function, RBF)神经网络进行训练.遗传算法首先创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号,然后运用遗传策略进行迭代反演优化,搜索裂纹形状最优解.重构结果表明该方法具有快速、精确的优点.     

基于非线性输出频率响应函数的转子系统碰摩故障的定位方法研究

提出采用一种新的基于非线性输出频率响应函数(NOFRFs)的方法,进行转子系统碰摩故障的定位识别.NOFRFs由非线性系统的Volterra级数理论发展起来.对多自由度振动系统中的非线性环节具有定量的检测能力.对不同碰摩位置的转轴横向振动进行有限元仿真,进而计算NOFRF函数的值,用于对碰摩所处的区间位置进行判定.     

基于PSO-LSSVM的疲劳裂纹漏磁定量识别技术

针对疲劳裂纹难以定量识别的问题,提出一种将主成分分析（PCA）和粒子群优化的最小二乘支持向量机（PSO-LSSVM）相结合的建模方法,通过建立漏磁信号与疲劳裂纹宽度、深度之间的非线性映射关系,对疲劳裂纹宽度、深度进行定量识别.搭建漏磁检测系统,采用疲劳拉伸试验制备一系列疲劳裂纹样本,通过疲劳裂纹漏磁定量识别实验,建立漏磁缺陷样本库,对基于PSO-LSSVM的疲劳裂纹漏磁定量识别方法的可行性进行验证.结果表明,该方法能够有效定量识别尺寸小于1 mm;疲劳裂纹的宽度、深度,误差在0.1 mm左右.      

基于EMD的旋转机械裂纹松动耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,建立了含有裂纹-松动耦合故障的转子-轴承系统动力学模型,并用龙格库塔法求出故障模型振动信号。利用EMD(Empirical Mode Decomposition)方法对振动信号进行分解,得到含有故障特征的本征模式函数(IntrinsicMode Function,简称IMF)。对IMF做希尔伯特变换得到振动信号边界谱,通过分析边界谱的倍频情况并与单一故障信号作比较,诊断出故障信号同时含有裂纹和松动故障特征,说明该故障系统存在裂纹松动耦合故障,并证明EMD方法在旋转机械耦合故障诊断方面的有效性。     

Volterra核函数在齿轮裂纹故障识别上的应用

针对非线性条件下齿轮裂纹故障信号微弱以及受输入量变化的影响,进而给故障精准度带来的严峻考验,提出利用二阶Volterra核函数从系统整体角度分析裂纹故障与非线性因素变化之间的内在联系。利用时间序列辨识齿轮裂纹故障二阶Volterra核函数,分析谱图中反映齿轮运行状态的非线性信息。结果表明:二阶Volterra核函数考虑了输入因素对系统诊断精度的影响,对齿轮箱因工况改变而引起的非线性因素的变化反映十分敏感,从而解决了传统齿轮边频带故障诊断理论的模糊性和不确定性问题,可以将其应用于齿轮裂纹故障诊断。     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

利用AR模型和支持向量机的调速阀故障识别

提出一种基于时间序列的自回归(AR)模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系...     

基于裂纹诱导弦挠度的梁裂纹损伤识别

基于裂纹诱导弦挠度函数的构造特征,研究了任意边界条件下的Euler-Bernoulli梁中裂纹的静力损伤识别方法.首先,将裂纹等效为线性扭转弹簧,得到了任意边界条件下裂纹Euler-Bernoulli梁静力弯曲挠度的解析通解;然后,证明了裂纹诱导弦挠度函数为分段三次多项式函数,并建立了基于挠度测量的、通过拟合裂纹诱导弦挠度函数识别裂纹位置和裂纹等效扭转弹簧柔度的数值方法;最后,数值验证了所提出的裂纹损伤识别方法的适用性和可靠性,考察了挠度测量误差、裂纹位置和深度等对损伤识别结果的影响.结果表明:裂纹位置的识别精度高于裂纹等效扭转弹簧柔度的识别精度,裂纹数量及裂纹识别区间的选取对裂纹损伤识别结果的影响有限,所提出识别方法具有较强的鲁棒性.     

融合Morlet小波与GA优化多模态核的轴承故障检测算法

针对轴承故障检测算法特征分辨性较低、 准确度较低等问题, 提出一种融合Morlet小波和遗传算法优化的多模态核方法轴承故障检测算法. 该算法首先针对原始轴承故障信号提取多个尺度和多个位移条件下的Morlet小波变换特征, 然后设计一个多模态核方法, 包含线性核函数与径向基(RBF)核函数, 最后在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态核的参数, 使用最优化多模态核进行轴承故障检测. 在UoCn的智能维护中心数据集上分别测试了滚珠故障、 内圈裂纹故障和 外圈裂纹故障的检测, 并对单一核与多模态核间的错误率与效率进行对比. 实验结果表明, 改进算法能获得鲁棒的轴承故障检测特征, 且多模态核在GA的优化下能快速收敛, 获得最优化结果, 通过牺牲少量的时间效率而极大提升了轴承故障检测准确率.     

模式分析的核函数设计方法及应用

利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于声发射监测的316LN不锈钢的疲劳损伤评价

疲劳裂纹的萌生与扩展容易导致压力容器及管道的严重疲劳失效.因此就设备的安全可靠性而言,非常有必要对疲劳裂纹扩展过程进行监测,并对疲劳损伤程度进行评估.本文针对316LN不锈钢材料进行疲劳实验研究,利用直流电位法测量实验中的裂纹长度,得到了材料的疲劳裂纹扩展曲线.利用声发射技术对疲劳裂纹扩展过程进行监测,通过声发射多参数分析对疲劳损伤状态进行评价,同时建立了声发射参数与线弹性断裂力学参数之间的关系,并进行寿命预测.研究表明:声发射能够对316LN不锈钢的疲劳裂纹损伤进行有效评估,声发射累积参数如累积计数、累积能量和累积幅值曲线上的转折点标志着疲劳裂纹进入快速扩展阶段,这可以为工程人员提供失效预警;声发射波形和频谱分析表明,噪声信号的幅值较小且信号持续时间较长,信号包含的频率成分比较复杂,而裂纹扩展信号是突发型信号,衰减较快,信号频率主要集中在80～170 kHz范围内;声发射计数率、能量率和幅值率与应力强度因子幅度以及疲劳裂纹扩展速率之间呈线性关系,裂纹长度预测结果与实测值接近.本研究工作对于工程结构的疲劳失效预警和剩余寿命预测具有重要意义.     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

支持向量机及其在机械故障诊断中的应用

针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足，提出了应用支持向量机进行机械故障诊断的方法，研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本，而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明：选用不同核函数及其参数的多故障分类器对分类精度有影响；在样本不带噪声和带15％噪声情况下，支持向量机的分类精度均高于BP神经网络的分类精度，具有更好的分类性能。     

基于EMD和多重分形谱参数的耐火材料损伤模式识别

考虑到耐火材料损伤声发射信号模式识别困难,提出一种结合经验模态分解(EMD)、多重分形谱参数和支持向量机的耐火材料损伤形式分类方法。首先对耐火材料损伤声发射信号进行EDM分解得到若干本征模态函数(IMF)分量,并取前4个分量作为研究对象,然后将整个信号的多重分形谱宽及各IMF分量的多重分形谱宽组成的特征向量输入支持向量机进行学习训练,最后实现耐火材料损伤模式识别。研究结果表明,采用由原信号及各IMF分量的多重分形谱宽值组成的特征向量能够有效进行损伤信号的特征提取。该方法对耐火材料界面相损伤的分类准确率为99%,对其基质相损伤的分类准确率为89%。     

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。