一种细节信号提取方法及其在信号处理的应用

液压泵性能退化过程中,振动信号复杂度高、非线性强,导致特征信息微弱,为此,提出一种基于MUWDF与LCD-BSS的液压泵故障细节信号提取方法。首先,利用MUWDF对双通道振动信号进行融合,通过对不同分解层近似信号的筛选与融合,有效降低噪声及干扰成分的影响,改善重构信号中的特征信息;在此基础上,提出LCDBSS方法,利用BIC准则与互信息相结合选取独立性较高的ISC分量,通过盲源分离得到包含故障特征信息的细节信号;最后,通过对液压泵不同松靴程度下振动信号的应用分析,验证了该方法的有效性。     

运用振动和压力传感器信息融合技术实现液压泵的故障诊断

根据液压泵故障特征的分散性和模糊性,提出了振动和压力传感器的信息融合技术来进行故障诊断的方法．它是在分析液压泵球头松动故障机理的基础上,而对振动信号和压力信号进行小波消噪处理,再有效提取球头松动的故障特征,然后将不同类型特征参数进行特征层融合,并利用主成分分析和改进算法的BP神经网络,从而实现液压泵球头松动故障诊断。根据一些试验表明,对不同类型传感器信息融合故障诊断方法,的确可以有效地实现液压泵微弱故障的诊断,且效果较好、精度准确。     

基于EMD包络谱分析的液压泵故障诊断方法

在对液压泵常见故障模式进行分析的基础上,针对液压泵早期故障诊断时故障特征信号微弱且传统的包络分析需要预先依靠经验确定分析频段的问题,提出了基于经验模式分解(EMD)和包络谱分析的诊断方法。该方法首先将采集到的液压泵壳体的振动信号利用EMD分解为有限个固有模式函数(IMF)之和;然后对前几个IMF分量进行包络分析,并求出包含主要故障信息的包络谱;最后通过对包络谱的分析,判断液压泵的工作状态和故障类型。实验结果表明,该方法有效提取了液压泵的早期故障特征,准确实现了液压泵正常、滑靴松动、滑靴与斜盘磨损及缸体与配流盘磨损四种状态的分类,是进行液压泵故障诊断行之有效的方法。     

改进AMD广义形态分形维数和KFCMC的液压泵故障诊断方法

针对液压泵故障诊断问题,提出了一种基于改进解析模态分解(AMD)、广义形态分形维数(GMFD)和核模糊C均值聚类(KFCMC)相结合的新方法。根据故障特征频率先验知识,在有效二分频范围内对实测液压泵多模态故障振动信号进行AMD分解,并基于欧氏距离法选定实现最优分解的二分频;将基于最优二分频所提取含有丰富运行特征信息的故障分量信号作为数据源,并提取GMFD作为特征向量;利用KFCMC实现对液压泵不同故障的诊断。此外,还利用原始AMD、经验模态分解(EMD)、集总经验模态分解(EEMD)、局部均值分解(LMD)、变分模态分解(VMD)和模糊C均值聚类(FCMC)方法对上述信号进行分析,结果表明所提方法效果要优于上述传统分解和诊断方法。通过对仿真和实测液压泵故障振动信号的实验验证,表明该方法可以有效地诊断液压泵不同故障。     

变转速工况下液压泵故障振动信号的角域烈度特征提取方法

提取对故障敏感的特征信息是提高液压泵状态评估准确性的关键;由于目前变转速工况下液压泵故障的敏感特征信息严重匮乏,导致评估准确率偏低;为此,针对液压泵滑靴磨损故障,提出角域烈度特征的新概念和新的特征提取方法。该方法利用阶比分析方法将时域非平稳振动信号转换成角域平稳信号,依据振动烈度的定义和频域计算方法,得出角域平稳振动信号的单边幅值谱和谐波频率,由此推导出三种振动信号类型(位移、速度和加速度)的角域烈度特征因子计算公式。以液压泵滑靴内边缘磨损故障为例,在变转速工况条件下提取故障振动信号的角域烈度特征因子,通过与阶次能量特征因子进行定性与定量分析比较,证实了角域烈度特征因子对滑靴磨损故障的劣化发展具有更强的敏感性。     

基于振动烈度的液压泵故障多信息特征提取方法研究

单一信息呈现出模糊性和不完备性,无法准确评估液压泵的工作状态。为此,提出一种基于振动烈度理论的多传感器信息特征提取方法。通过物理量转换法将滤波后的泵出口流量信号和压力信号分别转换成速度信号和加速度信号;利用振动烈度的频域计算方法提取振动、流量和压力信号的烈度特征因子;以滑靴磨损故障为例分析烈度特征因子的敏感性,找出对故障反映敏感的烈度因子。本研究对于增加信息完备性和提高状态评估准确率具有重要意义。     

基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。     

一种基于WMUWD的液压泵振动信号预处理方法

针对轴向柱塞液压泵故障引起的振动信号非线性强、故障信息湮灭在噪声干扰的问题,提出一种基于加权形态非抽样小波分解(WMUWD)的振动信号预处理方法。首先,在形态非抽样小波分解的一般框架下,提出WMUWD方法,利用特征能量因子表征形态非抽样各分解层近似信号对故障特征的贡献量,并以此为依据进行加权融合,以提高有用信息比重,便于特征提取;在此基础上,对WMUWD方法的初始参数设置进行了分析,给出了一套比较系统的优选组合方法;最后,利用仿真信号以及液压泵实测振动信号验证了该方法的有效性。     

形态差值滤波及形态指数在液压泵滑靴磨损状态评估中的应用

针对液压泵滑靴磨损状态的评估问题,提出了一种基于形态差值滤波和形态指数(MI)的方法来有效地诊断滑靴磨损故障并评估其劣化程度。首先,利用形态差值滤波器对现场实测的正常状态和四种不同磨损程度的滑靴故障的振动信号进行滤波处理,提取出清晰的特征信息;其次,对滤波后的振动信号进行有量纲参数和无量纲参数的提取,其中有量纲参数包括首次引入到液压泵健康状态评估领域的MI;最后,通过分析MI对滑靴磨损故障及其劣化程度的敏感性和变化规律,得出MI可以有效地诊断出滑靴磨损故障及评估其劣化程度。     

一种基于ILCD融合与多重分形去趋势波动分析的退化特征提取方法

液压泵性能退化过程中,振动信号非线性强,导致退化特征提取困难、表征能力有限,为此,提出一种基于改良型局部特征尺度分解(ILCD)融合与多重分形去趋势波动分析(MF-DFA)的退化特征提取方法。在对信号进行ILCD分解的基础上,通过构建敏感因子从各内禀尺度分量(ISCs)筛选出包含关键故障信息的敏感分量,并依据融合规则实现多通道振动信号的融合处理,以改善重构信号中的特征信息;在此基础上,利用带有加窗分割的MF-DFA方法对融合信号作进一步处理,选取多重分形谱敏感参数作为液压泵性能退化特征向量;利用液压泵实测振动信号,验证了该方法的有效性。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,同时又以齿轮的故障振动信号为例,进一步表明了该方法在故障诊断中的有效性。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

A Degradation Feature Extraction Method for Hydraulic Pumps Based Upon MUWDF and MF-DFA

Hydraulic pump degradation feature extraction is a key step of condition-based maintenance. Since vibration signals of hydraulic pumps during degradation are strongly nonlinear and the feature information is too weak to be effectively extracted, a method based upon MUWDF and MF-DFA is proposed. Initially, the MUWDF is presented to reduce disturbances and improve feature information. Approximate signals of various decomposition layers are selected by feature energy factor and fused according to the presented fusion rules. On this basis, the fused signal is further processed by MF-DFA with a sliding window. Multi-fractal spectrum sensitive factors are selected to be the degradation feature vector of the hydraulic pump. The proposed method is verified by vibration signals sampled in a hydraulic pump degradation experiment.     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

基于IITD模糊熵与随机森林的滚动轴承故障诊断方法

针对滚动轴承故障微弱振动信号特征提取后难以识别的问题,提出基于改进的固有时间尺度分解(IITD)和模糊熵(FE)输入随机森林(RF)模式识别的滚动轴承故障诊断方法。首先,利用轴承试验台采集正常、滚动体故障、内圈故障、外圈故障等4种状态下轴承的振动信号;通过IITD分解将采集到的振动信号分解成一组固有旋转分量(PRC),然后选取表征故障主要信息的有效分量计算其模糊熵值并构建特征向量,输入到随机森林分类器模型进行识别分类。实验数据分析结果表明,该方法可以有效地实现滚动轴承故障类别的诊断。     

基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。