基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

针对船用齿轮箱故障类型诊断精度不高的问题,提出一种结合变分模态分解(Variational Mode Decomposition, VMD)与核模糊聚类(Kernel Fuzzy C-Means, KFCM)的故障诊断方法。先对齿轮箱振动信号展开VMD分析,获得含有大量故障特征信息的固有特征模函数(Intrinsic Mode Function, IMF),然后计算出各IMF分量的奇异值并构建故障特征向量矩阵,最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练,并对模型性能测试与评估。结果表明,所提方法具有较高的故障识别准确率。     

基于EMD的柴油机失火故障诊断

提出了一种基于经验模式分解（Empirical Mode Decomposition,EMD）和自回归（Auto Regression,AR）模型的柴油机失火故障诊断方法．对3110型柴油机断油故障及正常情况下的缸盖振动信号进行了测试分析,采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数（Intrinsic Mode Function,IMF）,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机（Support Vector Machines,SVM）进行分类,判断柴油机的工作状态和故障类型．实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机失火故障,能实现故障的实时自动化诊断．     

船用多轴齿轮传动过程耦合非线性振动特性分析

船用多轴齿轮故障识别以振动特性作为判定依据,为提高后期故障识别质量,提出基于改进EEMD算法的船用多轴齿轮传动过程耦合非线性振动特性分析方法。该研究分为两部分,前一部分利用谐振传感器采集多轴齿轮振动信号;后一部分利用改进EEMD算法(集合经验模态分解算法)分解多轴齿轮振动信号,得到若干个包含故障特性频率的IMF向量,并计算每个IMF向量的奇异值熵,利用奇异值熵定量表示多轴齿轮振动特性。结果表明:正常状态下的船用多轴齿轮运行下,奇异值熵一般小于0.1,而一旦当齿轮发生故障,其奇异值熵就会大大增加,一般会超过0.1。     

基于时频分布图像的柴油机故障诊断

为研究柴油机故障诊断中图像分析法存在的问题,提出了一种基于时频分布图像分析的柴油机故障诊断方法.采集缸盖表面振动信号进行经验模态(Empirical Mode Decomposition,EMD)分解,得到各阶内禀模态函数(Intrinsic Mode Function,IMF),由前2阶IMF重构振动信号,并经Hib...     

基于支持向量机的典型船体结构裂纹损伤模式分类研究

为了识别典型船体结构裂纹损伤,提出基于支持向量机(SVM)的分类方法,采用固有时间尺度分解(ITD)和奇异值分解(SVD)方法对振动信号进行特征向量提取,得到训练样本和验证样本数据,应用SVM算法对训练样本数据进行正确的分类。为评估SVM分类准确性,引入BP神经网络算法进行对比分析,2种算法对验证样本进行分类预测,结果证明SVM方法对小样本试验数据进行模式分类具有更高的准确率。对十字加筋板的损伤模式进行分类研究,可对船体局部结构的维修和管理提供更好辅助决策支持。     

基于EMD和2（1/2）维谱的直升机声信号特征提取

利用经验模态分解（Empirical Mode Decomposition,EMD）的方法将直升机声信号进行分解,得到一系列本征模态分量（Instrinsic Mode Function,IMF）。计算实际直升机声信号及由其分解得到的每个IMF分量的四阶累积量对角切片谱,并由此得到实际信号及每个IMF分量的四阶累积量对角切片谱的幅度绝对值之和E。计算每一个IMF的E值与实际信号E值的比值构成直升机声信号特征矢量。采用神经网络分类器,对两种不同机型的直升机声信号进行分类和识别。仿真实验验证了该方法是可行的、有效的,分类识别取得了较好的效果。     

船用空压机气阀监测诊断系统研究

气阀是空压机中关键的零部件,对其磨损故障进行监测诊断研究具有重要的工程意义。文章采用希尔伯特-黄变换(HHT)得到CZ60-30船用往复式空气压缸盖表面振动信号的时频谱图,并从中提取标准差、峭度、不变矩等时频特征参数,用支持向量机(SVM)实现故障的识别,并基于Lab VIEW虚拟仪器软件开发了船用空压机气阀磨损智能监测诊断系统。结果表明:通过时频联合分析判断气阀故障正确率可达到96.97%。     

基于EMD柴油机气阀声发射诊断技术试验研究

以4120SG柴油机为研究对象,通过故障模拟试验测试了柴油机在气阀正常状态、气阀漏气状态下的缸盖声发射信号,对燃烧段声发射信号进行经验模态分解(Experience Mode Decomposition,EMD),计算了各个本征模分量(Intrinsic Mode Function,IMF)的能量分布及EMD能量熵。研究表明声发射信号能量主要集中在前3个IMF分量内,随着气阀漏气故障严重程度的增加,代表最高频IMF1分量能量相对增加,而能量熵H减少。通过自定义特征参数,提高了声发射应用于柴油机气阀漏气诊断方法的灵敏度。     

基于EMD和4阶累积量的船舶轴频电场线谱提取

为实现海洋环境电场背景中微弱的船舶轴频电场信号的有效检测,提出一种结合经验模态分解(Empirical Mode Decomposition,EMD)和4阶累积量对角切片功率谱的方法。首先,利用EMD方法的自适应滤波特性将信号进行分解,得到本征模态函数(Intrinsic Mode Functions,IMF),按照K-L散度准则进行有效IMF的筛选;然后利用高阶累积量抑制高斯色噪声的性质,计算各有效IMF分量4阶累积量对角切片的功率谱,并进行多子带中的线谱提取。海上实测数据的处理结果表明,该方法能够实现-15d B下的线谱提取,具有一定的实用价值。     

基于多尺度模糊熵和主成分分析的 轴承故障特征提取

针对滚动轴承故障特征难以提取的问题,文章提出了基于多尺度模糊熵(MFE)和主成分分析(PCA)相结合的滚动轴承故障特征提取方法。首先利用经验模态分解(EMD)将原始振动信号分解成若干个本征模态函数(IMF),并根据相关系数和峭度值准则剔除虚假IMF分量;然后在不同尺度下求取真实IMF分量的模糊熵值,利用PCA对其进行降维处理,形成能表征不同轴承故障的特征向量,最后借用支持向量机对其进行诊断验证。实验表明,该方法可以有效地提取轴承故障信息,对4种轴承状态的识别率为95%,实现了对轴承故障的精确诊断。     

基于经验模态分解的大型轮船锚机齿轮箱故障诊断

经验模态分解法(EMD)是一种针对信号变化的自适应处理方法。针对某大型轮船锚机齿轮箱,首先通过测量不同转速和位置的振动信号预估故障源;其次对采集出的原始故障信号进行处理,提取故障特征,即通过EMD将原始信号分解为若干个IMF分量,不同的IMF分量包含不同频段所对应的能量,然后再对IMF分量进行包络分析和谱分析,最终便可确定故障源,并对其进行修复。通过测试比较,验证了EMD理论方法的正确性和有效性。     

基于VMD和SVM的减速箱故障分析

本文基于VMD和SVM理论,对实验采集到的减速箱正常运行信号波形、缺齿、断齿故障状态运行的信号波形进行VMD分解,选取峭度、能量、散度、样本熵及能量熵五个特征值构建支持向量积,并选取样本集对信号进行SVM训练,训练结果表明本文采用的支持向量机诊断方法效果理想,具有一定的实际应用价值。     

基于深度信念网络在船用齿轮箱故障诊断中的应用研究

文章针对船用齿轮箱故障信号微弱和传统特征提取方法干扰较大的问题,充分结合深度信念网络(DBN)的特征自动提取优势,将深度信念网络应用于船用齿轮箱的故障诊断。首先,借助于u Tkel船用齿轮箱故障模拟试验台获取齿轮箱在不同故障模式下的振动信号;然后将信号作傅里叶变换并划分为训练数据集和测试数据集;最后构建和训练DBN模型,并对模型的预测准确性和鲁棒性进行评估。试验结果表明,DBN模型能够较好地自动提取齿轮箱故障特征,对齿轮箱的故障模式做出准确识别。     

基于WPES与MEEMD的船用主机振动研究

为揭示船用长冲程低速柴油机健康状态下的振动特征,采用小波包能量谱（Wavelet Packet Energy Spectrum, WPES）和改进的总体平均经验模态分解（Modified Ensemble Empirical Mode Decomposition, MEEMD）结合的特征提取方法,对典型推进工况下低速机的表面振动信号进行3层小波包分解和重构。通过对能量占比较大的节点采用MEEMD方法进行分解,获得IMF1分量频谱。研究结果表明,在40%以下的较低发动机负荷时,各单次燃烧循环的振动波动较小,振动幅值基本一致。提升至50%以上发动机负荷时,燃烧引起振动波动明显增强。50%工况下,中高频能量占总能量的41.51%,为主要振动源。     

基于自编码器的船用柴油机故障诊断

为了提升船舶柴油机故障诊断的泛化能力,引入深度神经网络,文章提出了一种基于自编码器（AE）的船舶柴油机故障诊断方法。通过GT-SUITE船用柴油机故障仿真实验,对数据样本进行分析,结果表明AE在训练集和测试集的故障识别率分别为98.67%和98.33%,优于支持向量机（SVM）和BP神经网络,更适用于船用柴油机的故障诊断。     

基于改进ESMD的轴承故障诊断

轴承故障诊断对于机械设备安全运行有重要意义,为满足在线故障诊断的时效性要求,应用高阶极值中点构造波形平衡线,减少插值运算提高效率.改进的极点对称模态分解方法(ESMD)对振动波进行自适应分解,选取初始模态分量(IMF)作希尔伯特(HT)包络谱分析提取故障特征频率,验证改进ESMD在轴承故障诊断的有效性.     

基于小波包分解的船用柴油机燃油电磁阀故障诊断方法

为了精准识别电磁阀故障,确保船用柴油机安全、平稳运行,提出基于小波包分解的船用柴油机燃油电磁阀故障诊断方法。采用小波包分解法对船用柴油机燃油电磁阀电流信号作分解,获取其多频带特征。通过核主成分分析法对其作降维处理,完成敏感特征选择。将其作为最小支持向量机的输入,自适应蚁群优化算法通过自适应调整挥发因子、状态转移规则确定最优模型参数,实现燃油电磁阀故障的准确诊断。结果表明：故障、正常工况下的燃油电磁阀电流特性曲线存在较大差异;该方法可提取电流信号的8个频带特征、不同频带特征间差异度大;特征选择有利于提高燃油电磁阀故障辨识度。本文方法可实现燃油电磁阀故障诊断,诊断效果突出。     

振动信号监测的船用柴油机配气机构故障分析方法

船用柴油机配气机构故障复杂多样,传统船用柴油机配气机构故障分析方法无法描述故障类型,导致故障分析正确率低,误判现象严重,为了提高故障诊断正确率,提出基于振动信号监测的船用柴油机配气机构故障的分析方法。首先分析船用柴油机配气机构故障研究思路,并提取船用柴油机配气机构故障相关的振动信号,然后从船用柴油机配气机构故障相关的振动信号提取特征,运用层次分析法确定特征的权值,并采用改进支持向量机建立船用柴油机配气机构故障诊断模型,最后采用具体数据对船用柴油机配气机构故障诊断方法进行测试。结果表明,相对于其他故障分析方法,本文方法可以更好区别各种船用柴油机配气机构故障,提高了故障分析正确率,降低了故障的误判现象,具有很高的实际应用价值。     

基于深度信念网络的船舶柴油机智能故障诊断

[目的]为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。[方法]采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。[结果]基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。[结论]与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。     

基于极点对称模态分解方法的聚焦波群演化特性研究

应用相位聚焦技术在船模拖曳水池生成了基于等波陡谱的聚焦波群,采用极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法研究了不同组成波带宽、不同聚焦波幅的聚焦波群的演化特性,重点分析了破碎与非破碎工况聚焦波群波面升高时间历程模态函数的瞬时频率、瞬时振幅和总能量的演化特性,研究发现基于总能量演化的聚焦位置分析可以较为准确地识别非破碎聚焦波群的实际聚焦位置,可以有效地描述聚焦波群发生破碎后继续传播和聚焦的演化过程,这些发现有助于深入理解非线性瞬态聚焦波群的演化特性。