基于局域波和混沌的微弱故障信号检测方法

为了利用微弱信号准确诊断转子系统早期故障,提出了一种基于局域波法和混沌振子相结合的信号检测方法。利用局域波法将微弱的故障信号分解为有限的并且具有不同基本模式的分量,每个分量是单一成分信号,实现了信噪分离。将局域波分量输入混沌振子,通过混沌振子系统行为由混沌状态变为大周期运动状态,表明检测信号中含有特征成分,实现了利用混沌振子对低信噪比的微弱信号识别。故障诊断结果表明:所提出的检测方法是可行的,能准确诊断转子系统早期不对中故障。     

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

小波包神经网络在卸船机电机故障模式识别中的应用

针对卸船机中异步电机故障率高的问题,本文采用小波包分解和神经网络技术相结合的方式,将采集到的电机振动信号进行小波包分解,通过分析观测信号在小波包某一分解层次上不同时频分辨空间中的能量分布,进行电机运行状态的特征提取,对提取的特征用RBF神经网络技术进行故障诊断,为卸船机的电机故障诊断提供了一种新的思路和方法。     

基于小波分析和神经网络的异步电机早期故障诊断

针对异步电机早期定子故障诊断,根据电机定子故障的特点,采用小波变换极大模分析法检测故障信号突变点的位置;利用小波包各个频带能量的变化完成能最特征提取,采用BP神经网络故障识别算法识别电机的各种运行状态来诊断电机早期故障.仿真实验结果表明,小波分析和神经网络算法的结合能有效定位并检测异步电机的早期故障.     

一种交流电机故障诊断中的特征提取与强化

为提高电机故障诊断的准确率和有效性,提出了一种故障特征提取与强化的新方法.即在对所采集的交流电机振动加速度信号进行数据预处理之后,用盲源分离方法进行独立振动源的分离,然后采用小波包分析方法进行特征提取,并进行特征频带的简化及特征强化处理,特征强化后的数据作为交流电机故障诊断模型的输入.该方法通过对振动加速度信号进行分离,能够分离出混合信号中的独立振动源,提高了故障特征提取的正确率和准确度;通过对特征频带化简,减少了故障诊断模型的输入,进而简化了模型的结构;特征强化使模型能够更有效地识别故障状态.     

基于双通道Teager能量重组的滚动轴承故障诊断方法研究

针对在列车轴箱采集到的故障信号伴随有较强背景噪声干扰这一问题,提出了一种基于双通道IMF(Intrinsic Mode Function)相关重组的滚动轴承故障诊断方法,其依据峭度选取最优共振带,通过EMD(Empirical Mode Decomposition)与相关系数求取合理的IMF分量,以Teager能量算子实现解调并基于相关函数对信号进行重组,削弱噪声干扰的同时强化故障信息。通过铁路轴承综合实验台验证,该方法可有效降噪并提取故障特征频率。     

航空发动机转子碰摩故障信号广义S变换方法

为了有效提取航空发动机转子碰摩故障信号,提高碰摩故障诊断的准确性,采用广义S变换方法,把碰摩信号变换到相空间中,在相空间检测和提取故障特征,并与连续小波变换的结果进行了比较。变换分析结果表明:在广义S变换域可以更清楚地反映出信号的时频局域化特性和奇异点位置,易于检测出碰摩点的位置,广义S变换有较好的抗干扰能力,在变换域易于信号与噪声的分离。     

基于盲源分离的共振解调技术在齿轮齿面接触故障诊断中的应用

提出一种运用基于盲源分离的共振解调技术对齿轮齿面接触故障进行诊断的方法.该方法利用盲源分离算法对传感器采集的混合信号进行分离,获取纯粹的故障源信号;采用共振解调技术对分离后的故障源信号进行频谱分析,成功地提取了齿轮齿面直接接触的故障特征.     

基于深度迁移学习的车辆悬架高频异常振动故障诊断

在车辆悬架故障诊断过程中,深度学习故障诊断模型在面对少量样本数据时模型训练效果不佳,导致诊断模型的接收者操作特性曲线(receiver operating characteristic, ROC)的曲线下面积(area under curve, AUC)较小的问题,利用经验模态分解(empirical mode decomposition, EMD)方法,对采集的车辆悬架高频振动信号进行分解处理,根据每个经验模态分量(intrinsic mode functions, IMF)的能量,提取高频异常振动故障特征,构建了基于深度迁移学习的诊断模型;以深度卷积神经网络算法为基础,对小样本特征矢量信息进行故障知识迁移处理,通过参数微调更新权值,优化故障诊断模型。实验结果表明：优化后模型的AUC值为0.89,模型故障诊断结果具有较高准确性。     

基于EEMD和小波包的机车轴箱轴承故障诊断方法

提出了一种基于聚合经验模态分解(ensemble empirieal mode decomposition,EEMD)和小波包的机车轴箱轴承故障诊断方法.首先对轴承振动信号进行小波包分解,分别对小波包分解得到的小波包系数进行阈值去噪处理,将降噪后剩余的小波包系数进行信号重构.然后再对重构后的信号进行EEMD,计算EEMD分解得到的IMF分量和原信号的互相关系数,最后对满足相关条件的IMF分量进行故障诊断分析.为了验证该方法的正确性,搭建了轴承试验平台,通过对轴承实测数据进行故障诊断分析,实验证明该组合诊断方法能克服单一信号处理方法的局限性并能初步诊断出轴承发生的故障.     

最小均方盲反卷积法在机械设备振动分析中的应用

将多通道盲反卷积应用于机械设备振动信号的分析,分析了机械振动信号的多通道盲反卷积模型,采用最小均方盲反卷积算法从测量信号中分离振源信号,并进行实验论证.实验内容包括:提取滚动轴承故障源信号,斜齿轮故障源信号以及柴油机活塞-缸套撞击信号.     

基于独立分量分析的诱发电位信号提取方法

诱发电位(EP)信号在检测神经系统状态时有重要意义.但EP信号总是淹没在自发脑电波(EEG)信号中,因此,为利用EP信号诊断神经系统的损伤和病变,需要从二者的混合信号中提取出EP信号.独立分量分析(ICA)是一种新近发展起来的信号分离方法.本文把ICA方法应用于EP信号的提取,并与传统的滤波方法进行了比较.计算机模拟表明,采用ICA方法进行噪声分离的结果明显优于信号滤波方法.     

基于MED-Teager能量算子的滚动轴承故障诊断

针对滚动轴承故障诊断中因实测信号背景噪声较大、信噪比较低,导致表征轴承故障信息的周期冲击成分被淹没于噪声中无法有效提取故障冲击特征的问题,提出一种基于MED和Teager能量算子的故障诊断模型。首先对信号最小熵解卷积(MED)处理消除采样过程中传递路径的影响;而后以Teager能量算子对滤波信号的能量值进行跟踪,从信号能量的角度进一步消除滤波信号中的带内噪声,使故障冲击特征得到二次增强;最后通过包络谱分析得到诊断结果。仿真数据及实验数据分析验证了所提诊断模型的有效性。     

基于奇异值分解技术的轮边减速器故障信号降噪研究

利用改进的奇异值分解技术,用仿真信号验证了该技术对轮边减速器齿轮故障特征提取的有效性,并从模拟信号中提取出了故障特征频率。研究发现,噪声的奇异值分布趋于直线,凸显出了有用信号的奇异值,有利于特征信号提取。仿真结果表明,该方法能在强噪声背景下提取行星系统齿轮故障特征,为轮边减速器故障诊断提供了一个新的思路。     

基于支持向量机的电控发动机故障诊断

为快速准确诊断出电控发动机故障,达到较强的故障有效识别水平,提出振动信号分析与支持向量机(support vector machine,SVM)相结合的故障诊断方法。将振动信号的偏度、峰峰值以及由小波分析理论与熵原理结合得到的小波能谱熵作为实验样本的三维特征向量,并将提取到的故障三维特征向量作为训练样本和测试样本输入到SVM模型进行训练和诊断,并利用BP神经网络进行对比验证。结果显示:采用该方法进行故障诊断时正确率达到90%,相比基于BP神经网络的故障诊断方法,基于SVM的电控发动机故障诊断方法在小样本的数据计算和预测中诊断精度较高、鲁棒性较强。     

经验模式分解法(EMD)在滚动轴承故障诊断中的应用

在非平稳过程中,由于机械设备所受的应力比平稳过程中所受的应力更为复杂．因此,对设备的非平稳过程进行监测有利于发现早期故障,避免故障发展导致的严重破坏,本文将EMD（Emirical Mode Decomposition)法应用于机械故障诊断当中．由于EMD法具有自适应的特性,适宜于非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明谊方法能够突出滚动轴承故障振动信号的故障特性,从而提高了滚动轴承故障诊断的准确性。     

基于互相关奇异值分解的滚动轴承故障诊断

滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱故障检测时,特征信号经常被淹没在噪声中。为了提高该故障特征的识别精度,提出了基于互相关奇异值分解的故障诊断方法。首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标准,选择两个合适的奇异值分量用于互相关包络分析以获得包络谱;最后通过信号的频谱分析,得到轴承的故障频率,从而完成早期微弱故障检测。通过仿真信号和滚动轴承内圈故障实测数据仿真对比,验证了该方法的有效性。     

基于盲分离的轮边减速器故障诊断

研究矿用汽车轮边减速器中太阳轮、行星轮和齿圈局部故障振动信号的频潜结构，对于轮边减速器故障诊断具有重要意义。文中模拟了太阳轮、行星轮和齿圈局部故障振动信号，利用盲分离算法将含噪声的混合信号分离，从信号分离结果来看，达到了预期效果，并应用频谱分析方法分别诊断出了太阳轮、行星轮和齿圈局部故障。为矿用汽车轮边减速器故障诊断提供了行之有效的方法。