基于EMD的船舶动力系统振动信号分析

为了提高船舶动力系统的故障分析和诊断能力,需要对振动信号进行模态分解和特征分析,提取有用的信号特征量,实现故障检测,提出基于经验模态分解(EMD)的船舶动力系统振动信号分析方法,采用宽带非平稳信号建模方法进行船舶动力振动信号建模,采用匹配滤波检测器对振动传感器采集的原始信号进行降噪滤波处理,对降噪输出的信号进行经验模态分解,提取信号的所有局部极值点,用三次样条曲线分析方法提取振动信号的复包络,实现信号特征提取和分析。仿真结果表明,该方法提取的信号特征量能有效反映船舶动力系统的工况特征,实现船舶动力系统的运行状态实时监测和故障分析,信号分析的抗干扰能力较强。     

大型船舶轴系故障非接触式监测方法

大型船舶轴系故障具有多变性,导致当前故障识别方法无法有效对各种类型的大型船舶轴系故障进行准确识别,为了提高大型船舶轴系故障识别的效果,设计一种新型的大型船舶轴系故障非接触式监测方法。首先采集大型船舶轴系故障识别信号,采用小波对其进行去噪,然后换提取大型船舶轴系故障识别信号特征,最后采用最小二乘支持向量机设计大型船舶轴系故障识别的分类器,并进行了具体的大型船舶轴系故障识别模拟实验。与其他大型船舶轴系故障识别方法相比,本文方法通过小波抑制了大型船舶轴系故障识别信号中的噪声干扰,提高了大型船舶轴系故障识别成功率,加快了大型船舶轴系故障识别的训练时间,建立更高效率的大型船舶轴系故障识别分类器。     

Ship propulsion shafting bearing fault diagnosis based on holographic SDP similarity visual recognition北大核心CSCD

[目的]针对船舶推进轴系轴承的故障诊断问题,提出一种基于全息对称点图形(SDP)和相似性识别的可视化诊断方法。[方法]首先,多方位采集轴承振动信号,全面监测轴承发生故障时的规律性冲击在时域和频域中引起的非平稳性变化特征;然后,基于SDP对称点分布原理,将多个维度信号的时域和频谱融合至同一个二维图形,以放大信号之间的差异性;最后,基于相似性识别方法对轴承进行简易诊断。[结果]轴承故障实验平台的验证结果表明,该方法可以实现多个信号的有效图形融合,全面展示设备信号的状态特征,从而准确地诊断故障。[结论]研究成果可为船舶推进轴系轴承的可视化故障简易诊断提供参考。     

大型船舶动力装置故障的诊断研究

大型船舶动力装置工作负荷较大,故障诱因较多,为了有效准确排除大型船舶动力装置,提高工况稳定性,提出一种基于喘振谱特征提取的大型船舶动力装置故障检测诊断方法。采用多传感器进行大型船舶动力装置的物理信息采集,提取动力装置的振动信号和喘振信号,对提取的信号进行时频变换和离散谱特征分析,采用自相关匹配滤波器进行船舶动力装置振动传感信号的滤波处理,对滤波输出信号进行喘振谱提取,对提取的谱特征量输入到神经网络分类器中进行故障判别。仿真及结果表明,采用该方法进行大型船舶动力装置故障诊断的准确性较高。     

基于冲击脉冲和EMD包络谱的电动消防泵轴承监测诊断研究

电动消防泵是船舶的重要装备,一旦发生故障,直接影响船舶的作战性能.针对某电动消防泵振动噪声大的问题,文章提出了基于冲击脉冲和EMD包络谱的轴承故障诊断方法.该方法首先通过振动烈度和轴承冲击脉冲监测,判断轴承状态,随后将电动消防泵轴承振动信号分解为多阶固有模态函数(IMF)之和,并对前几阶IMF进行包络谱分析,结合轴承故...     

基于运行模态分析的船舶推进轴系状态监测

论文提出一种基于运行模态分析(OMA)的新的船舶推进轴系状态监测方法。论文以船舶推进轴系试验台为试验对象,获取轴系运行时不同加载工况下的扭振信号,利用基于数据的随机子空间法(DD-SSI)识别扭振的固有频率,并与已知的试验模态分析(EMA)识别的轴系静态时同一加载工况下的结果进行对比,验证运行模态分析识别结果的准确性,并研究不同加载工况下轴系扭振固有频率随加载工况的变化规律。试验结果表明,运行模态分析能够准确识别轴系的扭振固有频率,且扭振固有频率的增量与加载量呈正相关,因而运行模态分析可以用作一种新的船舶推进轴系状态监测方法。     

基于机器学习的舰船轮机设备多发故障信号监测

针对舰船轮机设备故障信号监测中存在的运算量大、缺少故障数据、模型训练复杂、检测效率低、准确度不高等问题,设计了基于机器学习的舰船轮机设备多发故障信号监测方法。通过多种传感器采集舰船轮机设备振动信号,经小波变换降噪后,通过EMD经验模态分解提取舰船轮机设备振动信号特征,将其作为孤立森林算法输入进行异常信号检测,以异常信号检测结果为依据,构建决策二叉树支持向量机故障信号分类模型识别故障信号,实现舰船轮机设备多发故障信号监测,实验表明,该方法可以高效、准确地检测并识别舰船轮机设备的故障信号,而且适应性广泛,在舰船轮机设备的各种工况下,监测性能都十分良好。     

基于小波能量谱分析与SVM的柴油机气阀间隙异常故障诊断

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机气阀间隙异常的故障诊断,由于柴油机气阀间隙振动信号噪声多,利用SVM对柴油机气阀间隙进行预测时需要进行特征提取。鉴于此,研究了基于小波能量谱分析的SVM柴油机气阀间隙的故障诊断方法,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备当前状态。     

基于时间序列与小波分析的船舶柴油机故障诊断

模拟柴油机气阀间隙异常的几种情况,并实时监测柴油机缸盖振动信号.采用时间序列分析方法对船舶柴油机缸盖振动信号功率谱进行识别,采用小波变换方法对各信号进行小波包分解,并提取故障特征频段信号进行功率谱估计,实现精确故障诊断.     

基于数据驱动和神经网络的船舶机械轴承故障预测

本文针对船舶机械轴承故障预测问题,首先进行轴承典型故障的数学模型转化,然后提出一种基于模态分解算法和小波神经网络算法的故障预测方法,利用小波变换对轴承振动信号进行特征提取,构建一个多层感知的神经网络模型和较准确的轴承故障预测模型。最后,通过实验验证了该方法的有效性和准确性,具有一定的实用价值。     

基于CEEMD-参数优化Morlet小波变换的柴油机振动信号冲击特征提取方法

针对船舶柴油机振动产生的非平稳信号,提出一种基于完备的总体平均经验模态分解（complementary ensemble empirical mode decomposition, CEEMD）与参数优化Morlet小波分析相结合的振动信号特征提取方法。利用CEEMD方法对振动信号进行分解,在分解出的各种分量中,去掉无用的周期成分分量,保留含有冲击特征的分量,然后结合参数优化Morlet小波分析方法,根据Morlet小波与冲击信号的相似性,将冲击成分提取出来。通过仿真信号以及柴油机振动信号的应用分析验证了该方法对柴油机振动信号冲击特征提取的有效性。     

基于ARM的轴系振动状态监测系统设计

为了对船舶轴系振动状态进行在线监测,提出了一种基于ARM和Linux的船舶轴系振动监测系统的设计。该设计以高性能ARM处理器S3C2440A为核心,利用ICP压电加速度传感器、A/D转换器、信号调理模块实现振动信号的高速精确采集。在ARM上移植Linux操作系统,并以此为基础开发应用软件,将采集到振动信号的时域、频域图形显示在LCD上。     

大型船舶轴系故障监测方法研究

不能定位故障发生模块,处于轴系中的具体位置,进而造成故障清除时间较长,是普通船舶轴系故障监测方法存在的主要弊端。为解决上述问题,建立新型SOM大型船舶轴系故障监测方法。通过船舶轴系故障表现形式分析、轴系故障特征提取,完成故障的特征诊断。在此基础上,通过自组织轴系故障网络的搭建、船舶数据处理,完成SOM大型船舶轴系故障监测方法的建立。设计对比实验结果表明,新型方法与普通方法相比,能够准确定位故障发生模块在轴系中所处位置,大大缩减清除故障所需时间。     

船舶推进轴系故障特征信息识取方法比较

为研究不同船舶推进轴系故障特征量提取方法的优缺点,针对船舶推进轴系故障振动信号的瞬态(脉冲)和周期性2个特点,介绍快速傅里叶变换(FFT)、EAF和EEAF3种周期故障特征信息识取方法,并在实船试验中就这3种方法的适用性、准确性和复杂程度等进行比较分析。结果表明:EEAF相比FFT和EAF,能快速、准确地提取船舶推进轴系周期性故障信息的特征频率及其振幅,具有良好的稳定性,可专门用于船舶推进轴系故障分析和诊断。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

基于改进EEMD的船用柴油机缸套-活塞环故障诊断方法

船用柴油机缸套-活塞环发生故障时，振动信号呈现非线性、非平稳性特征且故障特征模糊、隐蔽。文章提出一种基于改进集成经验模态分解（EEMD）的故障诊断方法。通过设计固有模态函数（IMF）信息筛选准则对EEMD分解出的固有模态分量（IMFs）进行重新排序，筛去低质量的IMFs，以此获得包含更多能体现故障特征成分的重构信号，经该方法处理的信号再送入到分类器中进行识别和分类故障，实现船用柴油机缸套-活塞环的故障诊断。试验结果表明：与原EEMD诊断方法相比，该改进方法识别率更高，故障诊断效果更好。     

AR模型在船舶旋转机械故障诊断和状态预测技术的应用

旋转机械如齿轮、轴承等,是船舶动力系统的关键部件,其安全性、可靠性直接决定了船舶的使用寿命。通常,旋转机械的故障与其振动特性密切相关,通过监测旋转机械的振动频率信号,可以分析和匹配相应的故障类型。本文首先介绍船舶动力系统齿轮、轴承的工作原理和特征频率,结合时间系统AR模型构建了船舶旋转机械故障诊断和状态预测系统,通过分析旋转机械部件的时间序列信号,分析和预测旋转机械部件的故障和工作状态。     

DX—2船舶推进轴系振动计算监测分析系统

本文简要介绍了一套船舶推进轴系振动计算、监测、分析用微机程序系统。该系统可实现船舶推进轴系的扭振、纵振、横振及耦合振动计算，还可对各种振动信号及轴心轨迹信号进行监测和数据分析．     

基于集合谱峭度法的轴承故障诊断

轴承早期故障引起的微弱振动变化信号往往淹没在机械传动系统的背景振动噪声中,其故障特征提取困难。本文针对滚动轴承故障振动信号的非平稳性及调制特性,提出集合经验模式分解和谱峭度法合的滚动轴承故障特征信号提取及其故障诊断的新方法——集合谱峭度法(Ensembled Kurtogram,EK)。该方法应用集合经验模式分解将振动信号分解为多个固有模式函数,分别计算各个固有模式函数的峭度值及其与故障工况下振动信号、正常工况下振动信号之间的相关性,根据IMFs自动选取规则选取合适的IMFs进行轴承故障信号的重构;然后针对重构后的信号进行谱峭度计算得到对应的峭度图,根据峭度图上最大值原则选取最佳带通滤波器进行滤波;最后运用包络解调后的信号进行故障诊断。本文通过模拟仿真和实验验证,验证了该算法的故障信号提取有效性和故障诊断能力。     

基于极点对称模态分解和支持向量机的船用齿轮箱故障诊断

针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。