拖拉机发动机电气故障诊断方法研究——基于信号瞬态成分稀疏表示方法

由于拖拉机发动机工作时的噪声较大,其故障信号较难采集,而电气信号的输出较为平稳,因此可以通过电气信号的特征提取来诊断发动机的故障。发动机电气的故障信号一般是特征较为明显的瞬态信号,有多种检测方法,信号的特征不同,各种方法的检测性能也会存在差异。本次提出了一种基于小波和稀疏表示的瞬态信号检测方法,并搭建了虚拟仪器平台对发动机的故障信号进行了检测。结果表明:采用小波和信号成分稀疏表示可以成功地提取发动机电气故障的瞬态信号特征,然后将信号特征和经验特征进行比对,便可以判断发动机电气的故障类型,为拖拉机发动机故障诊断的研究提供了重要的数据参考。     

数学形态学在故障信号提取中的应用

数学形态学滤波是一种非线性数字滤波方式,它可以有效地提取信号的边缘轮廓及信号几何特征。针对旋转机械信号的故障特征,对传统形态学滤波进行改进。根据故障特征多为脉冲信号的特点,采用指数衰减信号作为形态学滤波中的结构元素。仿真证明该方法可以有效提取噪声中的故障特征。      

齿轮典型故障特征分析及其振动信号处理方法

论文主要介绍了齿轮故障的类型和故障产生机理,以及齿轮典型故障产生机理和时频特征,分析了借助传感器采集齿轮故障振动信号的过程、以及信号预处理与故障振动信号的分析方法,为后续研究中进行信号的处理和特征提取打下理论基础。     

基于双谱特征量的滚动轴承损伤部位识别

针对故障滚动轴承振动信号的非线性、非高斯性特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了正常及外圈、内圈、滚动体局部损伤4种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量,并利用灰色关联度法识别了故障轴承局部损伤的发生部位。试验分析表明,对于损伤元件不同的轴承故障,振动信号的能量分布不同,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取。     

基于数学形态学的水泵振动故障诊断研究

基于多尺度数学形态谱及形态谱熵等理论,对多组实测水泵故障信号分析对比其形态谱特征和形态谱熵,提取故障信号特征,并结合信号时域图,达到故障识别的目的。研究表明：采用数学形态谱和形态谱上理论能够对杂乱无章的故障进行特征提取,故障信号识别成功率在90%以上,较好的达到了故障诊断的目的,这为信号处理和水泵故障诊断提供了新方法,具有较高的实用价值和学术价值。     

形态小波降噪方法在齿轮故障特征提取中的应

针对齿轮故障特征往往被强背景噪声淹没的问题,采用形态小波降噪方法来提取故障特征.形态小波降噪方法适合于对具有一定形态特征的齿轮故障信号进行特征提取.首先采用形态小波对信号进行分解,然后对各层的细节系数进行软阈值降噪处理,最后根据处理得到的小波系数重构信号以提取故障特征.仿真与实例证明,该方法可有效地提取隐含在噪声中的齿轮故障特征.形态小波降噪算法只涉及加减和极大、极小运算,运算简单且执行高效,适合于齿轮故障的在线监测与诊断.     

感应电机故障诊断研究现状与发展趋势

感应电机在工业中扮演重要角色,它的可靠安全运行至关重要.由于感应电机结构、湿度以及温度的影响,感应电机的故障时有发生.感应电机在线故障诊断的基本步骤包括提取故障信号、提取故障特征信息以及故障状态识别.首先在线提取故障信号,然后通过信号处理技术提取故障特征信息,最后通过算法确定故障类别.文章对当前的感应电机在线故障诊断的研究现状和发展趋势进行探讨.     

基于自相关函数的经验模态分解及其在齿轮故障诊断中的应用

齿轮故障信号中包含有着复杂的成分,淹没了齿轮故障信息的周期成分。本文利用信号的自相关函数分析方法对齿轮故障信号中的周期分量进行提取和消噪,将提取出的信号经过经验模态分解,得到各阶振动模态,最终经过希尔伯特变换,从中提取到齿轮的故障特征。     

基于ReliefF和DBN的齿轮箱故障模式识别方法研究

考虑到齿轮箱中齿轮和轴承等零部件振动信号故障特征难以提取,故障模式无法准确识别的问题,提出了一种将齿轮箱振动信号特征利用Relief F算法进行降维,然后利用深度置信网络进行模式识别的分类方法。首先采用变分模态分解算法对齿轮箱振动信号进行预处理,将信号分解成多个包含故障特征的IMF分量;计算每个IMF分量的时域及能量熵特征,运用Relief F算法选取其中的敏感特征以降低原始特征维度;将敏感特征向量输入到深度置信网络中,实现故障类型的模式识别。实验结果表明,使用降维后的特征向量比使用降维前的特征向量,识别准确率更高。     

基于Alpha稳定分布的滚动轴承故障信号分析

提出了基于Alpha稳定分布的统计模型的滚动轴承故障信号分析方法,这种非高斯模型可以准确地描述具有脉冲特性的轴承故障信号。不同故障程度的轴承故障信号的特征指数α由Alpha稳定分布参数估计方法计算得到。实验结果表明,轴承故障信号属于Alpha稳定过程,各轴承故障信号的Alpha稳定密度分布在双对数坐标图中,适合经验概率密度分布以及它们的尾部都具有相同的重尾行为,表明这种统计模型对于不同故障程度的轴承信号都是有效的。     

基于相关分析与小波变换的齿轮箱故障诊断

针对大型机械工作噪声大,测取的振动信号信噪比很低,特征信号频率较高,信号消噪难度大,故障特征信号难以提取的问题,提出了一种基于相关性分析与小波变换相结合的故障诊断方法。该方法利用了相关函数降噪特性和小波多分辨特性,达到有效提取有用信号的目的。通过仿真与实验,证明这种方法能有效去除噪声,对故障特征信号有很强的提取能力。     

基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

基于局域波时频分析的齿轮故障诊断

局域波时频分析方法具有良好的时频性能,将局域波时频分析应用于齿轮故障振动信号分析,仿真和实际应用结果表明局域波时频分析能清晰地描述振动信号的时频特征,有效提取齿轮磨损故障振动信号的特征。为齿轮磨损故障诊断提供了一种更为有效的手段。     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。     

混合特征量提取与FCM聚类在轴承故障模式识别中的应用

信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息。实验结果证明:故障识别采用FCM聚类算法,聚类效果好;将混合多特征量提取与FCM聚类算法应用于轴承故障模式识别中,可以有效进行轴承故障诊断。     

基于扩展Prony算法的煤矿电网单相接地故障选线方法

煤矿中性点不接地电网发生单相接地故障后,其故障线路与非故障线路零序电流的幅值与相位存在显著差异,据此能可靠选出故障线路。传统上采用傅氏算法提取故障信号的工频分量,但该算法建立在故障信号为周期性不衰减的基础上,与实际的信号特征差距较大,影响选线的准确性。基于此,考虑利用扩展Prony算法提取各线路零序电流的工频幅值与相位,然后比较其值选出故障线路。MATLAB仿真分析表明,此种选线方法正确率高,适应性强。     

基于最小熵反褶积与HHT方法的滚动轴承故障特征提取

滚动轴承作为旋转机械的重要支撑部件,对其进行早期故障诊断能提高机械运转的安全性。滚动轴承在故障早期故障信号极其微弱,并夹杂强噪声,采用希尔伯特-黄变换(HHT)分析故障噪声过程中,其分解得到的前几个本征模态函数中会出现端点效应,不利于故障部位的精准定位。本文采用最小熵反褶积方法提取冲击性较大的有效信号成分,提高信号的信噪比,实现滚动轴承故障特征的有效提取。实验结果表明MED能有效的提取滚动轴承故障早期信号的冲击成分,充分抑制了EMD分解带来的端点效应,提高了滚动轴承故障诊断的精度。     

希尔伯特-黄变换在农业机械故障诊断中的应用

在对农业机械故障发生的原因及征象进行分析的同时应用希尔伯特—黄变换方法对农业机械的故障点进行了观测和诊断。由于这类系统故障点冲击引起的信号突变十分微弱,在噪声环境中更难于识别,因此首先通过EMD分解分离噪声,然后从希尔伯特谱中分析出故障振动信号的时频分布情况,从而确定故障发生的时间以及故障前后信号频率和幅值随时间变化的各种信息,以达到提取较为完整的故障特征的目的,实现对这类系统的某些特殊故障的诊断。     

基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.