柴油机加速振动信号的阶比双谱特征提取

针对发动机加速过程振动信号的非平稳性和混有大量噪声的特点,提出计算阶比跟踪和双谱相结合的方法,将振动信号按等角度间隔进行软件重采样,得到阶域内的平稳信号,再进行双谱分析,通过仿真信号验证了该方法优于传统双谱。为了充分利用阶比双谱图中的信息,提出双谱特征阶比面的概念,通过比较阶比平面内的累加能量来反映不同工况的变化。诊断实例表明,该方法能有效提取柴油机曲轴轴承的故障特征。     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

基于谱峭度的滚动轴承故障包络阶比跟踪分析

通过对旋转机械变速运行工况的齿轮箱振动分析研究,提出一种基于谱峭度的滚动轴承故障包络阶比跟踪分析方法。该方法利用旋转机械运行过程中滚动轴承故障引起的冲击性振动会激起其周围结构共振的原理,应用谱峭度方法自适应地确定优化的共振解调带通滤波中心频率和滤波带宽,进而通过共振解调算法获得包含轴承故障初始阶段振动特征的包络信号,再将变速工况下的非平稳包络信号通过等角度重采样转化为角度域的准平稳信号,进而获得消除了频率模糊的阶比谱,实现对旋转机械变速运行工况下的滚动轴承故障诊断。仿真和测试试验结果验证了本方法的有效性。     

非平稳振动信号的角域重采样小波解调分析方法

对于旋转设备的非平稳多分量振动信号,在已知转速变化规律的情况下,采用转速跟踪分析中的角域重采样方法使其变成阶比值固定的信号,再利用小波解调方法的带通滤波与解调分析两重功能,就能从混合振动信号中提取出各个阶比分量并获得对应的解析信号。该方法成功地解决了旋转设备严重非平稳振动信号的分析问题,并可拓展应用于至其它非平稳信号的分析。拓展算法具有类似HHT的算法结构,适用面广。文中同时给出的数值计算方法配合采用了细化分析及快速解卷积运算,保证了整体算法的稳定性、精确性和快速性,克服了HHT稳定性差的缺陷。论文最后对航空发动机试车过程中的振动数据采用本文方法和其它方法的应用效果进行了分析对比,证明了本文方法的有效性。     

角域AR谱技术在齿轮故障诊断中的应用

利用时频分布平面内信号能量峰脊与瞬时频率之间的对应关系,对信号瞬时频率进行估计;在此基础上利用代数方法求解鉴相时标积分方程,并对经插值重采样得到的角域信号进角域平均处理,提高了角域信号的信噪比;最后对角域信号进行AR建模实现信号的阶次谱分析。实际测试结果表明:采用角域AR谱技术处理齿轮箱非平稳振动信号,能够有效地避免传统频谱方法无法解决的"频率模糊"现象,克服了传统阶次谱分辨率较低,谱线毛糙,易受噪声及轴频调制影响等缺点,对齿轮箱的早期故障有较好的识别能力。     

计算阶次分析中避免阶次混叠的滤波定阶方法及其应用

针对计算阶次分析中的阶次混叠现象,分析了各阶次信号分量在频域范围的对应关系,提出并分析了在相同转速区间内信号的各阶次分量会发生频率重叠的问题;在此基础上提出了使用滤波器限制频率、确定阶次的方法,推导了滤波器截止频率选择和滤波后信号角域重采样阶次的确定原则。通过仿真信号分析和实际信号验证,提出的方法成功均能有效的阶次混叠问题,有效确定和降低了角域重采样阶次。     

改进的风力发电机组噪声音调评估方法

摘要：针对目前风力发电机组（Wind Turbine,WT）噪声音调评估方法的不足,提出了相应的改进方法。首先,采用Gabor阶比分量提取技术从WT运行状态下采集的噪声数据中,提取出与WT本身音调相关的噪声信号,消除了用停机状态下背景噪声修正开机状态下的WT噪声所造成的误差;然后,利用基于转速的最优分割法将一分钟WT噪声信号划分为尽可能平稳的子段信号,避免了由非平稳信号FFT变换引起的频率混叠现象;最后,采用基于谱平面的音调判定法代替IEC标准中基于心理声学模型的音调估计法,消除了初始音调预测的误差并简化了音调辨识的过程。新疆达坂城的试验研究表明,提出的音调改进技术能够消除IEC中音调辨识方法的不确定性和不一致性,在WT的音调噪声评估中具有良好的应用前景。     

轨道不平顺非均匀采样信号分析

目前的轨道谱分析是基于用等间隔采样数据描述轨道不平顺特征,而机车实际运行速度的变化必然导致采样的非均匀性,传统的谱分析方法必然产生原理误差。为提高非均匀采样信号分析的准确性,研究了平稳随机过程非均匀采样序列,导出了非均匀采样信号的功率谱表达式,应用该表达式分析了采样间隔服从正态分布的非均匀采样情况,证明了非均匀采样信号功率谱表达式包含了均匀采样这种特例,涵盖了经典理论,验证了新公式的正确性,并提出了进行轨道谱分析时用于求取功率谱表达式中所含有的采样间隔的概率密度函数等统计特征量的方法。     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

利用HHT方法对非平稳风力的时频分析

非平稳信号的分析方法是信号分析领域中的一个重要问题。本文以风洞试验获得的非平稳风压信号和升力系数信号为研究对象,采用HHT方法对信号进行时频分析。HHT（Hilbert-Huang transform）方法可以获得有意义的瞬时频率,从而给出频率随时间变化的精确表达;信号最终被表示为时频平面上的能量分布,成为Hilbert谱;该方法适用于分析生活中普遍存在的大量频率随时间变化的非线性、非平稳信号,可将复杂的信号直接分离成从高频到低频的若干阶固有模态函数。分析结果虽然没有表现出明显的频谱分布特性,但与以往HHT分析结果提取的固有模态函数不同,如果对本试验获得的非平稳信号提取的固有模态是低频部分的残余信号,忽略其他高频信号,则风压时程和升力系数时程的残余信号曲线就可以分别回归为一个线性函数和一个正弦函数。这也说明,该非平稳信号的主成分仍然是由平稳信号组成的,可以用分析平稳信号的方法进行时程分析。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

部分加速度测量下结构恢复力与质量非参数化识别方法

传统的基于扩展卡尔曼滤波方法的结构非线性行为识别方法往往要求结构质量以及结构非线性恢复力的参数化模型已知。该研究为解决非线性结构质量,结构参数,非线性恢复力的识别问题,提出了一种两阶段识别方法;为提高计算效率采用遗忘因子扩展卡尔曼滤波算法结合等效线性模型实现结构非线性位置的定位,随后采用无迹卡尔曼滤波算法与恢复力的二重切比雪夫多项式非参数化模型识别结构参数,质量与恢复力。在对一个含形状记忆合金(SMA)阻尼器的多自由度体系的数值模型进行了数值模拟验证的基础上,设计了一个含SMA阻尼器的四自由度框架开展动力试验,验证了所提出方法对结构质量以及恢复力的识别效果。     

基于VMD和改进多分类马田系统的滚动轴承故障智能诊断

为了有效提取滚动轴承的故障信号,选择合适的智能分类器识别故障状态,提出基于变分模态分解及多重马氏距离法的多分类马田系统的故障智能诊断系统。通过变分模态分解将振动信号分解为多个本征模函数并提取相关特征;并采用了多重马氏距离法的马田系统,以特征子集代替特征参与分类器的构建,以解决特征参数众多的问题;通过正交表和信噪比,筛选出各状态的敏感模态分量,并提出多分类马田系统,用于多类故障智能识别;将其应用于滚动轴承故障数据中,验证算法的有效性,并与其他算法对比分析。结果表明,基于变分模态分解及改进的多分类马田系统算法能简化诊断系统、训练耗时少,识别准确率高,是一种更为有效的故障智能诊断方法。     

基于风洞试验和数值模拟的双矩形断面涡振气动干扰研究

采用节段模型风洞试验和CFD数值模拟对宽高比为5∶1的双幅矩形断面涡振气动干扰进行了研究。分析了不同水平间距对双矩形断面竖弯和扭转涡振响应的影响。在水平间距比为1.2时进行了动态压力测试,并分别对竖弯和扭转涡振风速下的脉动风压场进行POD分析。结果表明双矩形断面间存在显著的气动干扰,且一般而言下游断面的涡振响应大于上游断面。前两阶本征模态与双矩形断面涡振相关联,由前两阶本征模态可重构脉动风压场。CFD数值模拟的结果表明双矩形断面的涡振符合“撞击剪切层失稳机制”,且一个周期内上游断面下风向以及下游断面上风向区域的流动变化较为显著。CFD模拟与POD分析的结果相符合,两者相结合可用于分析双矩形断面的涡振现象。     

基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法

针对转子裂纹故障特征难于提取,提出了一种基于蝙蝠算法(BA)优化参数的变分模态分解(VMD)诊断转子裂纹故障的方法。将蝙蝠算法应用于变分模态分解,对变分模态分解中参数K和惩罚因子α进行全局寻优,用BA搜索VMD的最优(α,K)组合,迭代过程采用局部极小包络熵为适应度值。仿真分析的结果表明,BA-VMD方法能很好的完成VMD参数K和α的自适应获取,且在抗模态混叠和抗噪声干扰方面的具有明显优势,最后采用BA-VMD方法对裂纹转子的位移信号进行了实验分析,分析结果表明,采用BA-VMD方法处理后的频谱能充分反映出信号的频率特征,且通过频率结构特征很容易识别出转子裂纹的故障特征。     

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。     

电流自适应控制抑制开关磁阻电机转矩脉动

开关磁阻电机(SRM)的强非线性源自其双凸极结构、磁路非线性和脉冲供电方式。传统控制多采用SRM线性转矩模型求得参考电流,导致其运行时转矩脉动大。提出基于转矩偏差的双权值神经网络(DWNN)自适应PID控制与基于有限差分扩展卡尔曼滤波(FDEKF)预测电流的前馈补偿控制相结合的SRM控制策略。(1)加入偏差预处理,对转矩偏差进行非线性处理,实现"小误差,大增益,大误差,小增益"的控制,以此为基础进行双权值神经网络自适应PID的电流控制;(2)采用预测电流,构成参考电流的前馈补偿控制,提高控制系统一步预测能力。基于有限差分扩展卡尔曼滤波预测电流,将其与参考电流之差实时补偿参考电流,优化得到恒转矩下有效的控制电流,间接实现总转矩的有效控制。仿真结果证明所提控制策略能有效抑制SRM的转矩脉动。     

基于时间加权反馈控制的永磁同步风力发电机混沌振荡研究

研究基于时间加权的反馈控制方法抑制永磁同步风力发电机(PMSG)的混沌行为。以两台PMSGs作为驱动和响应的发电系统,利用相同和不同状态变量间的反馈信息建立不同的动力学方程,分析相同状态变量反馈控制和不同状态变量反馈控制对PMSGs系统混沌振荡行为的影响。发现了相同状态变量反馈控制对PMSGs系统可实现混沌同步行为,而不同状态变量反馈控制对PMSGs系统具有抑制混沌振荡的作用。在周期时间内把这两种反馈控制结合在一起,分析不同时间加权下PMSGs系统的动力学行为,发现时间分数因子和耦合参数的不同取值可使PMSGs系统产生混沌、混沌同步和混沌抑制等动力学行为。数值仿真验证了基于时间加权的反馈控制器对抑制PMSGs系统混沌行为的有效性。研究结果对提高风能利用率,保证电力系统的安全稳定运行具有重要的参考价值。     

基于变分贝叶斯理论的机械故障源 盲分离方法研究

摘要：未知噪声环境下机械源信号盲分离方法由于忽略噪声影响往往得到很差的分离效果。针对此问题,本文提出了一种基于变分贝叶斯独立分量分析的机械故障源分离方法,该方法与传统的机械源分离方法相比,具有以下独特特点,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。仿真研究表明,提出的方法优于传统的机械源分离方法,分离误差大幅度降低。实验结果也验证了本文提出的方法的有效性。