内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

转子系统启停过程的谐波特征提取方法研究

在滑动轴承转子系统故障分析中,经常进行启停机扫频激振测试机械结构模态特性及非线性特征.一般采用基于短时傅立叶变换的时间三维谱图进行初步故障提取,然而受固定窗函数的限制,短时傅立叶变换存在一定的局限性.为此借助于波形重构技术、阶次分析技术构造了一种基于等时间采样的阶次切片图分析方法.将时间三维谱图与阶次切片图2种方法相互结合,对柔性转子试验台启停过程的谐波特征进行综合分析,验证了时间三维谱图的直观性和阶次切片图的准确性;并提取出系统存在的故障特征及谐波共振点转速.     

基于振动谱图像识别的智能故障诊断

以滚动轴承为对象,提出了基于Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而生成双谱灰度图,利用双谱灰度图的灰度共生矩阵及其特征统计量来表征谱图特征.对该特征统计量进行主成分分析而得到的主分量,作为故障模式识别的输入向量.将用于故障模式分类的人工免疫网络分类算法,通过人工免疫网络对训练抗原进行学习形成记忆抗体网络,并计算检验抗原与记忆抗体的亲和力,按照正面选择的原理实现分类.在故障特征信号干扰严重的情况下,取得了较好的诊断准确率,验证了基于振动谱图识别的智能故障诊断方法的可行性.     

齿轮箱复合故障振动信号的形态分量分析

在改进形态分量分析系数阈值去噪方法的基础上,将其用于齿轮箱复合故障振动信号的分析。齿轮箱中的齿轮出现局部故障时,其振动信号中往往出现调幅调频成分;而滚动轴承出现局部故障时,其振动信号中往往出现周期性瞬态冲击成分。调幅调频成分的幅值变化相对缓慢,可看作信号中的光滑部分;而瞬态冲击成分的幅值变化较快,可看作信号中的细节部分,故可依据此形态差异实现二者的分离。采用形态分量分析方法将齿轮箱复合故障振动信号分解为包含滚动轴承局部故障信息的冲击分量、包含齿轮局部故障信息的谐振分量及残余分量,根据冲击分量和谐振分量的Hilbert包络解调谱分别诊断滚动轴承和齿轮的局部故障。对齿轮箱复合故障振动信号的分析结果表明,该方法可有效分离滚动轴承与齿轮的故障特征,且效果要优于经验模态分解(Empirical mode decomposition,EMD)方法。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

基于谐波分量的转子系统碰摩故障定量诊断方法

提出一种利用碰摩转子系统响应中的高次谐波分量进行碰摩位置和碰摩力定量诊断的新方法。基于谐波平衡理论分析碰摩故障转子系统的动力学特性,证明了碰摩故障转子系统中任意两节点之间高次谐波分量之比等于无故障转子系统频率响应矩阵的相关元素之比。根据此关系,提出转子系统碰摩故障模型诊断方法和步骤:利用正常转子系统与故障转子系统响应的任意一阶谐波分量之差,结合转子系统的动力学模型,就可以诊断出碰摩的位置;进而可以根据故障转子系统响应的各次谐波分量还原出碰摩力分量。为验证该方法的有效性,对一转子系统进行偏碰和整周碰摩时的数值仿真,并分析支撑刚度及噪声对诊断方法的影响;又在模型转子试验台上进行了试验。该方法仅利用一个转速下两个节点的振动响应即可实现碰摩故障的在线定量诊断,因此便于在实际旋转机械上实行。     

基于三维谱峭图算法的共振解调技术研究及应用

针对滚动轴承出现故障时振动信号表现出的周期冲击性特征,以寻求表征故障信号特征的最优频带为目的,提出了一种利用二分法思想从带宽和中心频率两个角度进行优化搜索的三维谱峭图算法。将该方法应用于共振解调技术带通滤波器参数的确定,形成基于三维谱峭图算法的共振解调技术。为了验证该技术的有效性,在铁路货车轮对跑合实验台上进行了轮对故障轴承的振动测试。采用基于三维谱峭图算法的共振解调技术进行故障诊断分析,并与基于快速谱峭图的共振解调技术进行了对比。结果表明,基于三维谱峭图算法的共振解调技术能够更好地诊断轴承故障。最后,通过对时间复杂度的求解,证明了三维谱峭图算法具有较高的执行效率,在工程应用方面具有一定的参考价值。     

基于角域同步平均技术的内燃机失火故障诊断

在利用缸盖振动信号诊断内燃机失火故障时,由于发动机工作背景噪声复杂,必须消除信号中的非周期分量和随机干扰,保留与发动机工作循环有关的周期分量。为了解决时域同步平均方法在转速波动时振动信号存在的不同步问题,提出了以旋转角度信号作为同步触发基准的角域同步平均技术,对内燃机缸盖振动加速度信号进行了处理,有效地削弱了随机噪声的干扰。分析了缸盖振动信号中不同激励源产生的响应分量与发动机失火故障的关系,利用缸盖振动加速度信号中的各个瞬态冲击响应更加易于识别,能有效地对内燃机失火故障进行诊断。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

基于改进形态分量分析的滚动轴承包络分析方法

滚动轴承出现局部损伤时,其振动信号既包含轴承自身原因引起的谐振分量,也包含故障信息的冲击分量和噪声分量。谐振分量为信号中的相对平滑部分,其品质因子较高;冲击分量表现为信号中的瞬态成分,其品质因子较低。针对这一特点,利用可调品质因子小波变换稀疏表示信号,提出一种改进形态分量分析方法,并将其应用于滚动轴承的包络分析中。采用可调品质因子小波作为稀疏表示字典,实现不同分量的分离,并对冲击分量进行包络分析,判断滚动轴承故障。滚动轴承故障实验表明,该方法能够有效提取故障特征,诊断轴承出现的故障类型。     

基于自适应谐波分量提取的航空发动机附件传动系统变速故障诊断方法

针对当前基于无键相阶次跟踪(TLOT)的故障诊断所面临的转速谐波分量提取存在误差累积效应、瞬时相位难以准确估计等问题,本文提出了一种基于自适应谐波分量提取的航空发动机附件传动系统变速故障诊断方法。首先,通过低通滤波和降采样优化搜索空间并提升计算速度,在此基础上利用自相关平均周期进行自适应辛几何模态分解;其次,采用基于替代数据检验的伪谐波分量识别方法,完成转速谐波分量自适应分离结果的稀疏化表征。最后,基于转速谐波分量瞬时相位计算结果,对原始非平稳信号进行等角度重采样,利用傅里叶变换获取阶次谱以实现旋转机械装备的变速故障诊断。通过与典型信号分解方法对比,验证了所提方法的有效性;此外,对法国Safran某型航空发动机扫频试车过程中附件传动系统实测数据进行分析,所得阶次相对误差为0.059%,优于同类方法计算结果,进一步显示了其工程应用价值。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

Fault diagnosis of rolling element bearing using a new optimal scale morphology analysis method

Periodic transient impulses are key indicators of rolling element bearing defects. Efficient acquisition of impact impulses concerned with the defects is of much concern to the precise detection of bearing defects. However, transient features of rolling element bearing are generally immersed in stochastic noise and harmonic interference. Therefore, in this paper, a new optimal scale morphology analysis method, named adaptive multiscale combination morphological filter-hat transform (AMCMFH), is proposed for rolling element bearing fault diagnosis, which can both reduce stochastic noise and reserve signal details. In this method, firstly, an adaptive selection strategy based on the feature energy factor (FEF) is introduced to determine the optimal structuring element (SE) scale of multiscale combination morphological filter-hat transform (MCMFH). Subsequently, MCMFH containing the optimal SE scale is applied to obtain the impulse components from the bearing vibration signal. Finally, fault types of bearing are confirmed by extracting the defective frequency from envelope spectrum of the impulse components. The validity of the proposed method is verified through the simulated analysis and bearing vibration data derived from the laboratory bench. Results indicate that the proposed method has a good capability to recognize localized faults appeared on rolling element bearing from vibration signal. The study supplies a novel technique for the detection of faulty bearing.     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

Fault diagnosis system for series compensated transmission line based on wavelet transform and adaptive neuro-fuzzy inference system

This paper proposes a new fault diagnosis approach based on combined wavelet transform and adaptive neuro-fuzzy inference system for fault section identification, classification and location in a series compensated transmission line. It performs an effective feature extraction approach based on norm entropy in order to obtain the features represented main frequency, harmonic and transient characteristics of the fault signals. The proposed method uses the samples of fault voltages and currents for one cycle duration from the inception of fault. The feasibility of the proposed method has been tested on a 400 kV, 300 km series compensated transmission line for all the ten types of faults using MATLAB/Simulink for a large data set of 23,436 fault cases comprising of all the 10 types of faults. Fault signals varying with fault resistance, fault inception angle, fault distance, load angle, percentage compensation level and source impedance are applied to the proposed algorithm. The results also indicate that the proposed method is robust to wide variation in system conditions and has higher fault diagnosis accuracy with regard to the other approaches in the literature for this problem.     

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

Detection of signal transients using independent component analysis and its application in gearbox condition monitoring

This paper addresses feature extraction of the higher-order statistics, which can effectively characterize the transients, using independent component analysis (ICA) for the one-dimensional measured vibration signal, and then proposes a novel automatic technique for detecting the transients in vibration signals with the low signal-to-noise ratio by ICA feature extraction. The basic principle of the ICA-based transient detection method is that the independent components (ICs) coefficients of the transients and the noise can be effectively distinguished by their different sparseness properties. Specifically, the proposed method mainly includes three steps: training the ICA basis features from the signal segments, denoising the sparse ICs coefficients using the shrinkage function deduced by the maximum a posteriori (MAP) estimation, and reconstructing the transient segments by the shrunken coefficients through the ICA basis functions. Experimental results through the simulated signal analysis and the vibration signal analysis show that the ICA-based method is very effective for transient detection outperforming the traditional methods and is valuable for gearbox condition monitoring and fault diagnosis.     

基于重分配小波尺度图的转子系统支座松动故障的研究

介绍了重分配小波尺度图，并通过分析仿真信号将传统小波尺度图与重分配小波尺度图进行比较，结果发现重分配小波尺度图可在一定程度上提高尺度图的聚集性，减少干扰项。通过建立转子松动故障的仿真实验台，把实验采集到的发生松动故障的振动信号，利用重分配小波尺度图和三维谱振图进行分析，结果表明，三维谱振图可以大体上显示频谱信息，重分配小波尺度图可以进一步对松动故障信号进行细化分析，两者结合可以更好地识别转子支座松动故障。     

功率二分支齿轮传动系统动载特性与模态分析

为了分析功率二分支齿轮传动系统的动力学特性,构建由斜齿分扭传动级与人字齿并车传动级构成的分扭 并车纯扭转动力学模型;通过高斯消元去除状态方程中的冗余变量,解决了系统动力学方程的奇异性并采用 4 阶 Runge-Kutta 法数值求解;分析了无量纲时间下不同齿型构成的 2 级传动动载特性,采用模态分析法,确定该系统的固有频率与固有振型,并结合三维瀑布图分析激振频率对系统共振特性的影响。研究结果表明:该齿轮传动系统由人字齿构成的并车传动级动力学特性优于由斜齿构成的分扭传动级;系统啮合位移与动态啮合力响应瀑布图表明,在该系统激振频率为 1820 Hz 时,系统出现超谐波共振。