基于模态动能法的行星变速箱测点优化

由于某型行星变速箱结构较为复杂,故障检测和状态监测时振动传感器的安装位置往往凭经验确定,为使传感器安装位置更科学、更合理,利用模态动能法对行星变速箱测点进行选择。针对变速箱箱体结构建立了三维模型,利用ANSYS软件进行了有限元仿真分析,得到各阶模态、固有频率和振型,导出低阶振型并利用模态动能法计算箱体表面的模态动能值,初选箱体表面六个测点,从中选取四个模态动能值最大的作为最终测点。设计试验方案,获取了箱体表面六个初选测点的振动信号,计算得到各测点实测信号的均方根、均值三个指标对测点的敏感度进行评价,试验验证了测点选择的科学性,为变速箱状态监测打下基础。     

基于α稳定分布参数和支持向量机的齿轮箱故障诊断方法

针对含有尖脉冲的齿轮箱振动信号故障特征难以提取且样本较少的问题,提出了一种基于α稳定分布和支持向量机故障诊断的新方法。先设计齿轮箱故障测试方案,获取齿轮箱振动信号;然后提取齿轮箱振动信号的α稳定分布参数,用它作为故障类型的特征样本,并结合决策树和投票法构造多分类支持向量机齿轮箱故障决策系统。该方法较好地解决了小样本学习问题,避免了人工神经网络进行诊断时的过学习、收敛速度慢等缺点。实际齿轮箱故障诊断实验结果表明所提方法有效。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于小波包能量谱的往复式隔膜泵故障诊断研究

针对往复式隔膜泵故障的多元性、不确定性和并发性的特点,提出了基于小波包能量谱的往复式隔膜泵故障诊断方法。小波包能将振动信号分解到不同子频带,通过各子频带信号的能量变化反映设备运行状况。通过采集往复式隔膜泵振动信号,进行小波包分解为多个子频带,求出各频带的能量和能量比例,然后对比故障振动信号和正常振动信号的频带能量谱比例图,找出发生故障的频带,进而找出往复式隔膜泵的故障特征频率,诊断出故障。实验表明:通过小波包能量谱对往复式隔膜泵进行故障诊断是有效可行的。     

基于改进的自适应回归时序模型故障诊断

汽车变速箱的故障诊断工作比较复杂,由于传统的诊断方法已不能满足复杂的故障现象,文中提出了一种基于改进的自适应回归时序模型故障诊断方法;方法采用了基于时间序列故障诊断技术,首先测取工作环境下的振动信号,然后建立被诊断对象的时间序列数学模型,最后用信息距离判别法诊断出故障类型,提高了诊断效率;最后在变速箱进行了实验研究;选用型号为621B40型ICP加速度传感器测取变速箱的振动信号,通过设置模型参数(n,m)来模拟故障检测,实验分析表明,提出的算法可以有效地识别变速箱系统中不同严重程度的故障,且与传统的故障诊断算法相比,提出的算法对提高识别率和降低计算复杂度都有着明显的优势。     

基于广义多重分形维数算法的汽车变速箱故障诊断研究

提出了一种基于扩展广义多重分形维数算法的汽车变速箱故障诊断方法。该算法是基于传统的G-P关联维数算法扩展而形成的,通过该算法对变速箱上采集的不同工作状态下的振动信号进行处理,提取变速箱齿轮的振动信号的分数维,观察及分析分形维数与变速箱齿轮的磨损规律的关系,发现其反映变速箱齿轮的真实运行状态,故可以此作为齿轮磨损预测和诊断的有效依据。     

基于非线性压缩变换的某型航空发动机整机试车排故分析

基于非线性压缩变换对某型航空发动机整机试车振动信号进行了特征提取与故障诊断;非线性压缩变换由于其幅值无关性,能够增强微弱信号特征的表征能力,同时能够提高时频图的能量聚集性;对某型航空发动机进行地面整机试车试验,并通过数据采集装置获取各测点的振动信号,然后利用非线性压缩变换良好的微弱特征表征能力与时频聚集性,并结合其他信号分析方法,对采集到的振动信号进行分析;最终,结合航空发动机的结构与理论知识,实现了对其可能存在故障的排查与猜测,同时验证了非线性压缩变换在航空发动机实际试车振动信号分析中的有效性与实用性。     

天然气压气机械设备故障信号时频分析特征提纯

天然气压气站压气机械设备工作环境恶劣,故障多发,而机械设备的故障状态下的振动噪声信号是研究机械设备故障诊断的有效载体。为有效进行故障诊断,需要对机械设备的故障信号进行提纯分析和特征提取等研究。提出基于时频分析技术的WVD和Hough变换结合的方法对低信噪比的故障信号进行提纯算法。首先分析了非平稳信号处理技术的基本原理,对原始信号的滤波和检测、频谱分析等处理,分析了时频分析特性和对应的条件,提出采用时间均值、频率均值、时间散布和频率散布四个特征值作为时频分析的特征提取量。仿真实验以某天然气压气站某型压缩机故障振动下采集信号样本为研究对象,进行提纯滤波和特征提取仿真,仿真实验得到降噪滤波和WVD及Hough变换算法下的检测结果,表明在强干扰背景SNR为-8dB下,有卓越的滤波降噪和检测性能,特征提纯检测性能相比传统算法提高18％以上。为天然气压缩机故障诊断奠定了可靠的理论基础。     

BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

基于振动模型的采煤机摇臂齿轮局部故障频谱分析

从齿轮传动机理出发,考虑直齿轮局部故障对啮合振动的调幅调频作用,建立了直齿轮局部故障振动信号模型;在直齿轮局部故障模型的基础上,分析了行星齿轮结构特征及振动信号产生和变化规律,建立了行星齿轮局部故障振动信号模型。对带有不同齿轮局部故障的摇臂进行加载试验,对采集的试验振动信号进行了频谱分析,分析结果表明,所建立的齿轮故障振动信号模型能客观、准确地反映摇臂齿轮故障状态,应用频谱分析方法可实现摇臂齿轮局部故障诊断。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于MSET和SPRT的导弹振动故障诊断

提出了一种基于多元状态估计技术(MSET,multivariate state estimation techniques)和序贯概率比检验(SPRT,sequential probability ratio test)的导弹机构振动故障诊断方法.首先建立常规情况下导弹3处振动传感器所收集的振动信号的关联模型;然后根据导弹3处异常振动信号的当前观测测特征向量与各建模样本特征向量之间的相似性程度,使用MSET对当前异常信号特征向量进行估计,得到与异常信号特征向量相对应的估计残差;最后使用SPRT对异常信号的估计残差进行均值和方差检验,确定系统的工作状态.仿真结果表明,MSET可有效地增强故障状态下的信号特征呈现,而SPRT可在较少的周期内实现对弹体机构异常工作的识别,MSET和SPRT的结合有效地实现了对导弹机构异常工作的早期诊断.     

多级平行轴齿轮传动系统动力学仿真

为分析多级平行轴齿轮传动系统内部难以直接测量的振动信号,建立了4级齿轮传动系统非线性动力学46自由度仿真模型,并基于势能法对时变啮合刚度进行精确求解,采用4阶Runge-Kutta法对集中参数模型进行Matlab编程,进而分析时变啮合刚度对模型响应结果的影响.基于分析结果,探究了引起多级平行轴齿轮传动系统振动的重要原因.同时,通过模型振动时域响应及频谱分析,发现各级传动齿轮之间存在耦合振动现象,能够为实际多级平行轴齿轮传动系统健康监测与故障诊断提供理论支撑与科学指导.     

变压器振动的影响因素分析及一种铁心松动故障诊断方法

变压器振动分析法仍是当下在运变压器故障诊断研究重要研究方向。为了研究变压器振动的影响因素,对某电网公司若干台在运变压器在不同运行工况下的振动信号进行采集,通过大数据拟合训练、频域图谱特征分析等方法,研究了不同电流谐波畸变率、功率因数、温度、运行年限等对振动的影响情况,得到了电流畸变率对振动信号频谱影响的修正曲线、温度对振动幅值的修成公式;在本文提出的修正曲线、修正公式以及对大量数据进行分析总结的基础上,针对变压器铁心松动问题,提出一种考虑振动信号影响因素的变压器铁心松动故障诊断方法,即基于50Hz、150Hz、100Hz、200Hz频率分量变化趋势,建立特征量提取模型,通过比较正常、松动故障下的特征向量判断变压器状态,最后运用模拟试验检验该诊断模型的有效性。     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

Energy and entropy-based feature extraction for locating fault on transmission lines by using neural network and wavelet packet decomposition

The aim of this paper is to estimate the fault location on transmission lines quickly and accurately. The faulty current and voltage signals obtained from a simulation are decomposed by wavelet packet transform (WPT). The extracted features are applied to artificial neural network (ANN) for estimating fault location. As data sets increase in size, their analysis become more complicated and time consuming. The energy and entropy criterion are applied to wavelet packet coefficients to decrease the size of feature vectors. The test results of ANN demonstrate that the applying of energy criterion to current signals after WPT is a very powerful and reliable method for reducing data sets in size and hence estimating fault locations on transmission lines quickly and accurately.     

基于小波分析的柴油机振动信号降噪处理

针对柴油发动机缸盖振动信号信噪比低且呈非平衡特性,对柴油机在工作过程中的缸盖振动信号进行小波噪处理,突出了缸盖在不同时刻受到的激振,为柴油机在线控制和故障诊断提供了进一步的处理和识别的依据。本文对消除柴油机振动信号的随机成分,提高信噪比提出了一种新的方法－小波变换方法。分析中利用3次B样条小波对2135G柴油机的缸盖振动信号按Mallat算法进行分解,运用小波的滤波性能去除随机干扰,对振动信号进行了重构,获得了预计良好的分析结果,显示了小波技术在柴油机信号处理－控制领域的广阔应用前景。     

基于马田系统的设备健康监测技术研究

提出了一种基于马田系统的设备健康检测与故障分类方法,利用设备运行的振动信号作为信号源进行了验证;首先介绍了马田系统的实施步骤,提出了基于马田系统的设备故障诊断与分类方案;其次,分别利用信号小波变换模极大值估计得到的Lipschitz指数和Hilbert-Huang变换进行特征提取;最后利用凯斯西储大学电气工程实验室的轴承振动数据对方法进行了验证,采用滚动轴承的5种状态振动信号:正常,滚动体故障(轻微、严重),内圈故障(轻微、严重),基于信号奇异性特征的故障检测率为100%,故障分类率为81.8%,基于信号能量特征的故障检测率和故障分类率均为100%;结果表明了方法的正确性,利用Hilbert-Huang变换提取特征进行诊断和分类的正确率更高。