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。     

基于改进人工免疫网络的配电网单相接地故障辨识方法

配电网故障辨识有利于线路的全面分析与后续检修,但过渡电阻较高时单相接地故障稳态特征不明显,辨识正确率受到影响.提出了一种基于改进人工免疫网络的单相接地故障辨识方法,利用希尔伯特-黄变换提取故障暂态过程中零序电压的固有模态分量,得到反映波形变化程度的频域特征,进而构造特征向量;采用记忆细胞方差自适应调整环节对人工免疫网络进行改进,以生成能够体现原有特征且均匀分布的记忆细胞来进行故障判断,可以克服训练数据样本少、分布不均匀的问题,并且网络训练速度快.在MATLAB/Simulink中建立仿真模型,测试集的验证结果表明本文辨识方法在小样本训练的情况下能对故障与正常扰动进行识别,训练时间短,不需要人为设置阈值;同时,在中性点接地方式变化、信号存在噪声以及系统拓扑结构变化时,该方法适应性依然良好.     

基于粒子群优化的MCKD算法在轴承故障诊断中的应用

针对最大相关峭度解卷积(MCKD)算法在提取轴承故障特征过程中对滤波效果评价的不足,提出以峭度和故障特征频率能量比值组成的复合评价指标来评价故障诊断结果的优劣;MCKD算法中影响故障诊断结果的参数为滤波器结构元素长度L,本文中通过粒子群算法对参数L进行自适应寻优。仿真信号和实测信号表明:采用该方法得到的最优L对信号进行处理,可以提取出故障特征,找到故障频率;对比发现,该方法明显提高了轴承故障诊断的精度和准确度。     

基于FRICA算法的非高斯过程故障检测方法

独立元分析(ICA)是一种有效的非高斯过程故障检测方法,但其建模过程仅仅使用正常工况数据,忽视了对先验故障工况数据的利用.针对此问题,提出了一种基于故障相关ICA(FRICA)算法的故障检测方法.该方法使用ICA算法提取正常工况数据中的非高斯特征成分;再将正常工况数据集和先验故障工况数据集融合在一起构成多工况数据集,利用非局部保持投影进行二次特征提取,获得故障判别成分;在两种特征成分的基础上构造新的监控统计量,并利用核密度估计得到相应的置信限,完成对实时数据的监控.连续搅拌反应釜(CSTR)系统的监控仿真结果表明:与基本ICA方法相比,FRICA方法能更有效地检测出过程故障.     

变压器绕组短路故障多特征融合诊断

绕组匝间短路是变压器最常见的初期故障类型之一.为了提高轻度故障的诊断准确率,考虑绕组短路电流、绕组温度、电流密度和磁通偏移特征,提出了变压器绕组短路故障的多特征融合诊断方法.首先建立了变压器绕组短路的COMSOL空间模型,将仿真结果和理论计算结果进行对比,证明空间模型的正确性.然后,对变压器轻度故障时进行了故障模拟和故障特征分析,提取其电流特征参量、温度特征参量、电流密度偏移率和磁通偏移率作为故障特征.采用BP网络进行故障识别.变压器的工程诊断实例验证了本文方法的有效性.     

基于信息融合的配电柜故障电弧预警系统研究

针对目前配电柜故障电弧预报警系统存在预警准确性差、误报率高等问题,结合信息融合技术在故障检测诊断中应用,提出了基于信息融合技术的配电柜故障电弧预警系统的一般模型。该模型以燃弧前的弧声信号为预警信号,运用贝叶斯最小风险准则进行融合计算;进而得出故障电弧燃烧前的预警判决信号。并用仿真结果证明了该算法的有效性。     

考虑磁滞回线的变压器仿真及保护算法

针对变压器事故有所增加及保护正确动作率普遍偏低的现状,在研究电力变压器励磁涌流和故障电流特性的基础上,利用仿真软件Saber,建立了变压器的精确仿真模型;并对变压器的空载合闸和包括匝间短路的多种故障情况进行了全面系统的仿真计算.最后,基于小波分析理论,利用其对突变信号的强大检测能力,提出了实现变压器保护的新方法,该方法能有效地区分变压器的内外部故障,对匝间短路也同样能精确检测.数字仿真结果验证了所提算法的有效性.     

基于门控双卷积神经网络的机动车发动机故障检测

采集并构建一个包含正常和故障机动车发动机的声信号数据集，提出基于门控双卷积神经网络的机动车发动机故障检测方法.在门控卷积神经网络基础上设计门控双卷积神经网络.对比不同方法的实验结果可知：支持向量机(support vector machine,简称SVM)方法的检测准确率最低，该文方法的检测准确率最高；对声信号进行加噪和调音时，该文方法表现出好的鲁棒性.     

基于无源观测器的小波神经网络故障诊断方法

针对自主化、智能化的动力定位船舶传感器故障诊断性能降低,漏报、误报频发,进而影响作业安全的问题,提出一种融合模型和数据的诊断方法.该方法将非线性无源观测器与BP(误差反向传播)神经网络结合,并引入小波包分解方法对数据集进行处理,得到故障信号各个频段上的能量,细化分类特征.基于一艘动力定位船舶模型进行仿真,结果表明:该方法克服了单一观测器输出结果存在未知干扰、模型精度不高的问题,解决了神经网络历史数据集缺乏、代表性未知的问题,提升了故障识别性能.     

幅值域无量纲指标对液压泵故障敏感性的实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键。采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,通过包络解调得到各故障的包络信号,在此基础上利用幅值域无量纲特征指标对每种故障进行敏感性分析,找到了各故障的无量纲敏感因子。为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义。     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

一种基于传声器阵列的多弹丸作用情况判定系统及方法

针对常规兵器试验及部队演习过程中地面多弹丸作用情况判定难题,提出了一种采用传声器阵列测量仪器采集声波,采用时域分段和空域滤波分解爆炸声波判定多弹丸作用情况的技术。首先,根据传感器阵孔径在时域上分割信号,将包含较多爆炸声信号的声波数据分割为多段只包含较少爆炸声波的数据;其次运用传感器阵波达角估计技术获取各段信号中爆炸声的来向;再次,将信号通过空域滤波技术分解到相应的爆炸声波来向上,这样,每段信号将被分解为多个信号;最后,检测每个被分解的信号中爆炸声波个数,将其相加即为所有弹丸爆炸数量,据此实现弹丸作用情况判定。应用仿真实验和实弹试验验证了该方法的可行性和有效性,最后分析和探讨了方法使用条件问题。     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

基于SDAE-PSOSVM的航空变压整流器故障诊断方法研究

针对不同故障模式下航空变压整流器二极管故障特征相似程度高导致不易区分的问题,提出一种基于堆叠降噪自动编码器（stacked denoising auto encoder,SDAE）与粒子群优化支持向量机（partical swarm optimization support vector machine,PSOSVM）相结合的故障诊断方法.首先搭建航空变压整流器仿真模型,通过对不同故障模式进行仿真,获取故障数据;然后运用SDAE方法对高维故障信号进行故障特征提取,建立故障特征集;最后采用PSOSVM方法进行故障诊断,并且与常用的故障诊断方法进行对比分析.诊断结果表明SDAE-PSOSVM故障诊断方法准确性达到96%,可以对高维故障数据信号进行特征提取,提高不同故障模式之间的区分度.      

正交小波多尺度阵列观测声信息融合预处理算法

在声阵列信号处理中,为了提高窄带声信号的信噪比,降低信号的失真率,提出了基于q带正交小波多尺度分析的阵列观测声信息融合预处理算法。首先,该算法将多通道阵列声信号随机分组,基于正交小波多尺度分析得到阵列信号的细节信号矩阵函数及近似信号矩阵函数;其次,构建了各组细节信号的互相关函数,给出了细节信号互相关矩阵,以细节信号的均值互相关函数为细节阈值,得到了融合细节信号集合;再次,基于融合细节信号集合和近似信号矩阵函数重构了声信号。最后,通过静态半实物仿真试验及能量比、标准差、相关系数、信噪比四个方面的统计分析,表明融合预处理算法后的观测信号不仅保留了初始观测信号90%的声能,降低了初始观测信号的波动程度,而且还保持了初始观测信号90%的相似度,提高了信噪比,降低了信号的失真率。     

基于小波包无量纲免疫检测器的故障诊断模型

为可靠地检出并识别旋转机械设备轴承故障,提出了一种基于小波包分解和无量纲免疫检测器的轴承故障模式识别方法.该方法采用小波包对原始时域信号进行预处理,分别提取原始时域信号和各频带范围内时域信号的无量纲指标,并计算其敏感因子,根据敏感因子选取敏感特征,结合人工免疫阴性选择算法,生成多个敏感特征无量纲免疫检测器,实现对故障进行识别和分类.仿真实验结果表明,所提方法能有效地识别各种轴承故障.     

基于参考信号频域半盲提取的机械故障特征声学诊断

针对生产现场机械设备零部件结构复杂、设备运行时背景噪声干扰严重等造成的监测诊断难题,以及传统盲信号处理算法在机械声信号处理方面的局限性,提出一种基于参考信号约束频域半盲提取的机械故障声学诊断算法。详细介绍了该算法的关键技术:以频域盲解卷积算法为基础,使用利于全局寻优的人工鱼群算法,构建适用于机械故障特征的改进多尺度形态学滤波器,以最大程度削弱背景噪声干扰;结合机械设备零部件结构参数构建参考信号,通过单元参考信号约束频域半盲提取算法,对降噪后的信号逐段进行复数盲分离;利用改进KL距离,解决复分量间次序不确定性问题,最终实现机械故障特征信号的提取与分离。实际声场环境中的滚动轴承故障声学诊断实验验证了该算法的有效性。     

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.     

基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。     

基于独立分量分析的声发射信号去噪方法

针对声发射信号比较微弱,实际检测信号中常含有强背景噪声的问题,提出了基于独立分量分析(ICA)的信号去噪方法.该方法首先对观测信号进行FastICA分解,得出多导独立分量;再根据一定的时域及频域先验知识,将独立分量中的噪声信号通道置零,利用解混矩阵反演出去噪后的信号.文中通过断铅声模拟发射信号去噪仿真和埋地水管泄漏声发射信号去噪实验,对该方法进行定性和定量分析.结果表明,与常规的去噪方法比较,ICA去噪方法受噪声强度影响较小,能够得到更高的信噪比和更好的相关系数,有利于提高埋地水管泄漏点的定位精度.