基于联合时频分析的设备状态评估方法

在机电设备状态评估过程中,提出了一种基于联合时频分析的振动、噪声信号测量与分析方法.该方法可以通过综合利用机电设备运行过程中的振动与噪声信号中的有用信息,完成对整机运行状态评估.最后,以某舰船的电机作为实验对象,构建一套振动和噪声测量系统,并运用戈勃变换对所测得的振动和噪声信号进行联合时频分析,从而得到电机真实的运行状态.实验结果表明所提出的测量与分析方法是正确有效的.     

柴油机气门漏气故障时频分析诊断研究

气门是柴油机的关键部件之一,故障率较高,如果出现故障将严重影响柴油机的性能.文中介绍了时频分析理论.利用时频分析方法对柴油机正常和排气门漏气故障状态下的缸盖和机体表面振动响应信号进行了分析,2种状态下结果区别明显,说明时频分析方法能够应用于柴油机的故障诊断和状态监测.     

基于倒阶比谱的滚动轴承故障诊断

为从变速滚动轴承振动信号中提取轴承故障特征,利用了基于倒阶比分析的诊断方法.该方法利用计算阶比跟踪算法,采集转速信号和振动信号,并对振动信号进行角度域重采样,获得角度增量恒定的角度域周期平稳信号,再进行倒谱分析,最后依据倒阶比谱分析结果进行故障识别和诊断.由于阶比分析能将非平稳时域信号转换为平稳的角度域信号,而倒谱分析能很好的抑制频率模糊,所以将阶比分析和倒谱分析相结合,充分利用二者优点,能从干扰中准确识别故障特征,适合于变速滚动轴承信号的故障特征提取.实验证明该方法有效,能够提取变转速滚动轴承故障特征,具有一定的工程应用价值.     

基于维格纳高阶矩谱的柴油机故障诊断

为解决柴油发动机故障振动信号分析过程中的不稳定性和非线性,使用切片维格纳三谱来分析柴油机振动信号的时频分布,柴油机故障信号的切片维格纳三谱表明,每一种故障均具有各自的特征,从而为区分不同柴油机故障提供了信息依据.     

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。     

基于维格纳高阶矩谱的柴油机故障诊断

为解决柴油发动机故障振动信号分析过程中的不稳定性和非线性,使用切片维格纳三谱来分析柴油机振动信号的时频分布,柴油机故障信号的切片维格纳三谱表明,每一种故障均具有各自的特征,从而为区分不同柴油机故障提供了信息依据.     

基于时频分析的柴油机活塞环故障振动诊断研究

活塞环是柴油机的关键部件之一，如果出现故障将严重影响柴油机的性能．文中介绍了时频分析理论，利用时频分析方法对柴油机正常和活塞环故障状态下的机体表面振动信号进行了分析，提取了特征信息，两种状态下结果区别明显，说明时频分析方法能够作为柴油机的故障诊断和状态监测的有效工具和方法．     

小波分析在滚动轴承故障诊断中的应用

主要是针对故障滚动轴承的非平稳振动信号提出了一种应用小波函数的时一频分布分析方法,对故障特征进行提取,并借助Matlab语言编程实现对故障滚动轴承信号特征频率的仿真,与理论公式计算结果基本吻合。     

时频分析在心电信号分析中的应用

从理论上研究了时频分析方法中的短时傅立叶变换和W inger-V ille分布,并对正常心电信号和心室纤维颤动心电信号进行了仿真试验.仿真结果表明,利用时频分析方法研究时变的非平稳信号的特征变化是有效的,可以为临床诊断提供更充分的诊断依据.     

柴油机振动信号二阶循环平稳特性分析

柴油机等往复机械的振动信号具有较强的循环平稳特性.分析了循环平稳的统计特性,基于调幅信号模型分析了仿真信号的自相关函数和谱相关密度函数的特性,指出如何识别信号的循环平稳特性,分析了柴油机实测振动信号的二阶循环平稳特性,得到了柴油机振动信号循环频率的特性.结果表明,柴油机的振动信号具有二阶循环平稳特性,且循环频率与柴油机转频有关.     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题，提出了一种基于深度时频特征的机车轴承故障诊断新方法；利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取；为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征，上通道使用一维CNN，为使输入的二维时频域信号能多角度地反映出信号的细微局部变化，下通道使用二维CNN；在融合层中将上下通道特征自动融合成一个新的深度时频特征，并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别；在此基础上，分析了某局机务段实测的7种机车轴承数据，验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%，与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比，平均诊断精度分别提高了0.7%、1.9%和2.2%；本文方法提取的深度时频特征中每类故障分布间隔规则有序，类内间距很小，而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则，类内间距较大，说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越，是一种解决机车轴承故障诊断问题的有效模型。      

Simulation Study on Multi-Rate Time-Frequency Analysis of Non-Stationary Signals

A new time-frequency analysis method is proposed in this study using a multi-rate signal decomposition technique for the analysis of non-stationary signals. The method uses a multi-rate filter bank for an improved non-stationary signal decomposition treatment, and uses the Wigner-Ville distribution (WVD) analysis for signal reconstruction. The method presented in this study can effectively resolves the time and frequency resolution issue for non-stationary signal analysis and the cross-term issue typically encountered in time-frequency analysis. The feasibility and accuracy of the proposed method are evaluated and verified in a numerical simulation.     

典型时频分析技术在故障诊断中的应用

针对旋转机械发生故障时振动信号的不平稳性,利用典型时频分析技术对故障特征进行提取分析。该方法利用信号构造矩阵,再根据典型时频分析技术的变换特性,均值化时频分布参数,然后重构信号以实现降噪。仿真和试验结果表明,该方法能有效地提取故障特征信息,在机械故障诊断领域有广泛应用前景。     

车辆传动系统变参小波流形融合故障诊断方法

应用流形学习方法非线性融合信号在不同小波参数下中央尺度对应的小波包络,研究了强背景噪声下车辆传动系统振动信号故障瞬态脉冲包络的有效提取问题,并与传统信号时频分解方法进行了对比研究;采用不同小波参数对振动信号进行连续小波变换,提取了每组参数下中央尺度上的小波包络;采用基尼指数选择若干包含故障瞬态脉冲信息的小波包络,构造了高维小波包络矩阵;采用局部切空间排列算法对高维小波包络进行流形融合,获得了反映故障瞬态脉冲包络本质结构的小波包络流形;为了验证所提方法的有效性和优越性,采用不同方法对轨道车辆轮对轴承和汽车变速齿轮箱的故障振动信号进行了对比分析。研究结果表明:在分析轴承外圈故障信号时,所提方法基尼指数比传统信号时频分解方法提高27.32%以上;在分析齿轮磨损故障信号时,所提方法基尼指数比传统信号时频分解方法提高26.74%以上。可见,所提方法通过综合具有不同形态的变参小波包络,可以在无需优化小波参数情况下,对车辆传动系统中的不同关键部件故障振动信号具有较好的自适应性,提取的故障脉冲包络中的带内噪声少,故障脉冲特性明显,容易识别其频谱中的故障特征频率,是检测车辆传动系统故障的一种有效方法。      

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

一种改进时域同步平均的滚动轴承故障诊断方法研究

复杂结构设备的滚动轴承其振动信号成分复杂,故障信号微弱,信噪比很小,常规诊断方法难以有效消除背景噪声,有效提取故障信息.文中研究了基于相位补偿时域同步平均的滚动轴承故障诊断方法,并根据轴承故障信号存在调制的特点,探讨了同步周期的合理选取.通过对轴承内圈故障的仿真研究,验证了相位补偿时域同步平均方法的有效性,它能够同时提取故障特征频率与调制频率,为精确诊断轴承故障提供了新的途径.经进一步实验研究,证明该方法是有效的.     

Fault diagnosis for wind turbine based on improved extreme learning machine

A fault diagnosis method based on improved extreme learning machine (IELM) is proposed to solve the weakness (weak generalization ability, low diagnostic rate) of traditional fault diagnosis with feedforward neural network algorithm. This method fuses signal feature vectors, extracts six parameters as the principal component analysis (PCA) variables, and calculates correlation coefficient matrix among the variables. The weight values of control parameters in the extreme learning model are dynamically adjusted according to the test samples’ constantly changing. Consequently, the weight fixed drawback in the original model can be remedied. A fault simulation experiment platform for wind turbine drive system is built, eight kinds of fault modes are diagnosed by the improved extreme learning model, and the result is compared with that of other machine learning methods. The experiment indicates that the method can enhance the accuracy and generalization ability of diagnosis, and increase the computing speed. It is convenient for engineering application.     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.