一种适用于非平稳、非线性振动信号分析方法研究

Hilbert-Huang变换(HHT)被认为近年来信号分析领域的一大突破。适用于非平稳、非线性信号分析。从往复机械上得到的振动信号往往具有非平稳、非线性特征,因此采用HHT方法分析是一种较佳的选择。然而,该方法提出不久,并不能用一个解析公式表示,影响了对其理论分析及性能评价。建立一多分量仿真信号,并应用HHT、傅里叶变换、小波变换、时频分布对其分析比较,证明它具有较高的分解效率及准确地刻画信号的能力,并由此发展了能消除多分量信号交叉干扰项的时频分析方法。应用HHT对内燃机敲缸信号进行分析,有效地提取故障的特征信息,为往复机械的状态监测及故障诊断提供了一条有效途径。     

基于自身振动信号的液压泵状态监测及故障诊断

为了获得液压泵状态监测及故障诊断的特征信息来进行液压泵的状态监测和故障诊断,通过使用短时傅立叶变换来处理非平稳信号以获得液压泵泵壳振动功率谱,并建立了具体故障诊断监测系统。以ZB轴向柱塞泵的故障诊断为例,验证了利用振动功率谱分析法进行液压泵现场状态监测及故障诊断是一种行之有效的方法。     

变速箱齿轮磨损故障的极坐标角-频表示与诊断

变速箱齿轮磨损将导致振动信号中出现冲击响应成分,通过对每转内冲击响应成分的监测,可实现变速箱齿轮磨损故障诊断。为了提高变速箱齿轮磨损故障可视化监测与诊断效果,该文提出了一种极坐标角频分布方法。将采集的变速箱振动信号通过连续小波变换进行消噪处理并转变为极坐标角频分布,充分表现变速箱齿轮不同磨损工况时冲击成分的变化。以每种磨损工况时6转内的能量作为齿轮磨损特征向量,并将特征向量输入给BP神经网络进行分类训练和模式识别,有效地识别了变速箱的4种磨损状态。该研究结果为极坐标角频分布方法在变速箱状态监测与故障诊断的工程应用提供了参考。     

基于自适应频率切片小波变换的滚动轴承故障诊断

频率切片小波变换(frequency slice wavelet transform, FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform, AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。     

齿轮箱振动与输入能量信号的频域相干分析与关系识别

为了提高旋转设备诊断效率、发展基于设备输入能量信号分析的故障诊断技术,该文提出并论述了输入能量信号分析方法在设备故障诊断技术研究中的有效性。首先从齿轮箱振动机理角度分析了传动能量与振动信号之间的关系,指出轴系扭矩及输入功率是齿轮静态传递误差的激励,进而导致振动信号的产生;其次通过建立齿轮传动能量与振动关系模型,利用相干函数以概率统计的形式揭示了输入能量与振动信号响应之间的关系;最后通过正常与断齿齿轮的对比试验,验证了功率信号的频谱特征与传统的齿轮故障振动频谱相一致,亦具有表征齿轮箱工况的明显作用,同时分析了振动和功率信号的自功率谱和互功率谱,利用相干分析方法,从经典控制理论角度验证了二者所呈现出的强相关性。该文为以能量信号分析为核心的旋转设备故障诊断技术的研究提供参考。     

基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断

为有效利用双树复小波包变换提取齿轮故障特征信息,提出基于双树复小波包能量泄漏特性分析的故障诊断方法。首先根据高斯白噪声频率充满整个频带的特性,通过双树复小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了双树复小波包变换具有较低的频带能量泄漏特性;其次利用双树复小波包变换逐层分解信号,对每层分解所得分量求其FFT谱的峭度,得到基于双树复小波包变换的谱峭度图,根据图中峭度最大的原则,可以自动准确的选择信号分解最佳层数和最佳分量;最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中,对齿轮故障振动信号进行分析,选择最佳分解层数和分量后利用希尔伯特包络解调,有效准确地提取了故障特征信息,验证了方法的可行性和有效性。该研究可为旋转机械设备中齿轮箱故障诊断的故障特征提取提供参考。     

利用缸盖振动信号检测发动机功率的试验研究

用发动机缸盖的振动信号进行了发动机功率检测试验。基于LabVIEW建立的虚拟仪器系统,运用加速度传感器测定了发动机从怠速急加速到高速过程中的缸盖振动信号,对发动机怠速段、高速段的振动信号进行了频谱分析,同时对比分析了低频振动信号与发动机转动时测得的脉冲信号。结果表明,发动机缸盖振动加速度信号中低频振动信号的周期与发动机转动周期有确定的对应关系,用低频振动信号峰值点可以分离出发动机的转速,从而可根据无负荷测功角加速度原理得出发动机不同转速下的有效功率值,因此利用发动机缸盖振动信号进行功率检测的方法是有效可行的。     

基于双树复小波包变换的滚动轴承故障诊断

针对滚动轴承故障的振动信号具有非平稳特性,存在强烈噪声干扰,难以提取故障特征频率的情况,提出了基于双树复小波包变换阈值降噪的故障诊断方法.首先将非平稳的故障振动信号进行双树复小波包分解,得到不同频带的分量;然后对每个分量求其峭度值和相关系数并进行比较;最后选取峭度值和相关系数较大的分量进行软阈值降噪和双树复小波包重构,即可有效地消除振动信号中噪声的干扰,同时保留信号中的有效信息即实现了故障特征信息的提取.本文对轴承外圈故障试验和实际工程数据进行了相关分析,并对比传统离散小波包降噪的效果,本文方法处理后的信号冲击周期性更好,较理想地去除了噪声的影响,验证了该方法可以有效地去除噪声并提取滚动轴承故障的特征信息.     

法布里干涉、傅里叶变换近红外光谱仪采集西湖龙井茶近红外光谱的比较

本文介绍了基于法布里干涉的便携近红外光谱仪的仪器性能和干涉原理,并且以西湖龙井茶为例,与傅里叶变换型近红外光谱仪所采集的近红外光谱进行了比较.结果表明,两种仪器采集的光谱数据之间的相关系数(r)可以达到0.992 7,一阶导数谱数据间的相关系数可达到0.981 5.基于法布里干涉的便携近红外光谱仪在性能方面可以与傅里叶变换近红外光谱仪相媲美.然而,便携近红外光谱仪在农产品品质分析方面更广泛地应用还需要进一步研究.     

变分模态分解结合深度迁移学习诊断机械故障

针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法。首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。     

网络化水轮机组状态监测与故障诊断系统设计

大中型水轮机组的安全运行对于水电站以及电网的运行有重要影响.在分析水轮机组状态监测与故障诊断原理的基础上,设计了一种新颖的网络化水轮机组状态实时监测与故障诊断系统.该系统有过程层、监测层和站控层3个层次,通过RS-485总线和以太网相互联接;现场节点以AVR单片机ATmega8515为核心;监测站是一台高性能的工业计算...     

基于特征迁移学习的变工况下轴向柱塞泵故障诊断

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应（Subspace Embedded Distribution Adaptation with Coupled Classifiers, SEDACC）方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐（Subspace Alignment, SA）方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异（Weighted Conditional Maximum Mean Discrepancy, WCMMD）作为度量进行特征分布的适配。同时,基于结构风险最小化（Structural Risk Minimization, SRM）准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器。通过交替和迭代策略不断优化分类器参数,最后对二者进行加权融合得到最终的诊断模型。通过轴向柱塞泵变工况故障诊断试验进行验证,结果表明,当以垂直于端盖的z方向振动信号为主要数据并使用声音信号（或以平行于端盖的x方向的振动信号）作为辅助数据时,SEDACC方法在6种迁移任务中的平均准确率为99.88%（99.46%）,高于其他方法。此外,所提方法在目标工况样本稀少的情况下仍具有较高的诊断精度,当目标域和源域样本数比值为0.2时,6种迁移任务的平均准确率达到92.66%。研究结果可为更完备与准确的机械故障诊断提供参考。     

基于小波和径向基函数神经网络的滚动轴承故障模式识别

利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一，传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号，有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征，因而非常适于对瞬态或时变信号进行分类, 而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征，首先采用小波包分析对其建立频域能量特征向量，然后利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明，系统不仅能够检测到轴承故障的存在，而且能够比较准确地识别轴承的内外环故障模式，可以满足工程中的需要。     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

柴油机故障诊断系统的数据结构与模型算法

为了实现对柴油机故障诊断系统的最小化和系统诊断模型的通用化,该文主要在机械设备的故障诊断数据处理方面,在对特征量提取算法、主特征量提取算法、神经元网络专家系统进行深入比较研究的基础上,建立了机械设备故障诊断系统统一的数据结构和模型算法,结合MATLAB的工具包实现了机械故障诊断系统（MFDS）软件包的开发。并在6135柴油机上试验,对测量取得的数据经过MFDS的学习与诊断,结果表明该系统可以快速准确地给出诊断结果,对完善柴油机等复杂机械系统的故障诊断理论和水平具有实际意义。