基于LabVIEW的振动信号分析与报警系统的设计

在利用振动加速度传感器、信号调理器、无线发射器及计算机等硬件资源基础上,借助LabVIEW软件设计振动信号分析与报警系统。通过对振动信号进行时域分析,傅里叶变换,幅值谱分析来判断振动信号情况,出现异常则报警提示。经验证,此系统能够实现对振动信号的时域,频域的分析,为振动信号的分析提供了有效方法。     

采用小波包能量熵的铣削振动状态分析方法研究

颤振是影响机床加工质量的重要原因之一。为实现切削颤振的实时在线识别与评价,采用加速度传感器,获取主轴振动信号,以小波包能量熵值为指标,对铣削加工的稳定状态及振动形式进行识别。通过多传感器对加工过程进行监测,确定加工的稳定性;对主轴振动信号进行频谱分析,了解不同加工状态下的信号频谱特点,分析其振动形式。对信号进行小波包分解,发现在不同的振动状态下,信号的能量分布有显著规律。试验表明,切削从稳定状态到不稳定状态,本质上是强迫振动和颤振的能量强度和分布发生了变化。能量熵描述能量分布的变化,是识别切削状态和振动状态变化的有效方法。     

深孔加工刀具状态监测的研究

通过应变式传感器和振动传感器采集力与水平振动信号 ,提取了切削力信号的四阶中心矩和水平振动信号的特征频率谱峰 ,并将模式识别技术应用于刀具状态监测 ,利用感知器算法得到刀具状态的分类函数进行刀具状态识别 ;试验结果表明 ,该方法具有较高的识别精度和较强的抗干扰能力     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

基于混合积分算法的微小位移量测量方法研究

针对车载平台微小位移量的测量问题,提出了一种基于振动加速度测量的混合积分算法。根据加速度传感器采集信号造成的干扰,设计混合积分算法以减小现有二次积分算法的积分误差,从而控制趋势项误差。首先利用低频衰减积分算法对振动加速度信号进行一次积分得到振动速度信号,再利用多项式拟合积分算法对振动速度信号进行一次积分得到振动位移信号。设计振动台试验对混合积分算法进行验证,结果表明该算法对积分指标ERP和ERS都有所改善。     

基于ReCorre特征优化的气阀故障诊断方法

振动信号包含信息丰富,反应状态直接,振动法是压缩机气阀故障诊断常用方法.振动信号的特征参数繁多,特征向量选择是否合理对故障诊断结果准确性影响很大.研究ReCorre方法对气阀振动信号特征参数进行优化选择,再通过神经网络进行分类识别.实例表明,基于特征优化的模糊神经网络分类识别结果正确率高,识别结果受数据来源影响小,是一种较好的气阀故障诊断方法.     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

混合/流体润滑状态振动信号统计学时域分析

为研究摩擦振动产生机制和特征,通过Stibeck曲线设计混合/流体润滑状态实验,对不同状态下振动信号进行统计学时域分析。结果表明:流体润滑状态下摩擦振动十分微弱,振动信号有效值不随载荷增加而增加,切线方向振动信号自相关函数变化平滑,法线和切线方向振动信号互相关函数相对比较圆滑;混合润滑状态下,振动信号有效值随载荷增加而增大,切线方向振动信号自相关函数和两方向振动信号互相关函数皆具有明显的冲击特性,通过测得信号相关函数可以提取出混合润滑状态下摩擦振动信号的冲击特性。对比分析测得振动信号统计学特征,可以识别2种润滑状态。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

汽车座椅水平驱动器的双通道振动信号特征分析

汽车座椅水平驱动器相对于传统齿轮箱体积较小,振动信号通过夹具传播较弱,容易被噪声信号干扰或淹没。针对以上问题,研究了夹具设计方式、振动传感器安装形式和位置、信号传播途径等内容。研究表明,振动传感器检测方向与振动传递方向一致,可以保证振动信号检测信息相对完整。如果安装多传感器进行振动信号数据融合分析,则需注意相位差的计算。研究结果为水平驱动器振动信号采集夹具的进一步优化提供了帮助。     

基于基座多传感核主元分析的故障诊断

传统振动测试中传感器一般安装在靠近振源位置,此类方式采集的振动信号的故障特征相对明显,但实际应用中常存在传感器安装不便的矛盾。本文提出基于基座的故障诊断方法,以多个传感器采集的基座上的微弱故障特征信号为原始信号,通过核主元分析(kernel principal component analysis,KPCA)进行信息融合,利用支持向量机(support vector machine,SVM)进行模式识别。文章还探析了核参数选取对KPCA性能的影响,最后实例验证了基于基座故障诊断方法的可行性。     

转子扭振特性测试系统试验台设计

将目前国际上流行的虚拟仪器技术应用于扭振测试领域,开发出了一套基于虚拟仪器的扭振测试系统,并且设计制造了转子扭振特性测试试验台.试验台上同时具有转动轴和摆动轴,用以对这两种轴的扭振问题进行研究.试验台上安装有光电传感器、霍尔传感器,以及光电编码器,可实现多种方式对扭振信号进行测试.     

基于DSP的风力发电机振动检测系统研究

本文采用了加速度传感器,以DSP为核心设计了风力发电机振动检测系统。系统分为从机和上位机:从机通过加速度传感器检测振动,然后经过8阶低通椭圆开关电容滤波器MAX293进行抗混叠低通滤波,滤波后,传送到DSP进行A/D转换、软件滤波、数据分析、报警设置,完成数字信号处理,再通过现场总线中的CAN总线将处理后的数据传输给上位机存储和显示。保证采集、传输的速度快,精度高,上位机监控软件Labwindows/CVI能显示采集到的实时数据,系统工作可靠,为风场的风力发电机安全运行提供了保障。     

循环气加压透平压缩机振动测试与故障分析

离心式透平压缩机是加氢反应生产工艺系统中重要的循环气加压设备,长期运行后出现振动,并发振动超标报警,严重的影响了正常的工业生产。运用电涡流振动传感器对该透平压缩机进行振动测试,获取转子轴径向和轴向的振动情况。时域分析和频域分析方法相结合,得到了被测位置的频谱特征,与旋转设备振动频谱特征对比,确定了转子轴向出现间隙过大,发生碰摩的故障形式。通过实际检修,验证了分析结论的正确性。     

基于耦合源误差分析的转子振动信号识别方法

转子振动信号实时监测是保障旋转机械健康运行的关键,转子圆度误差和电涡流位移传感器误差的耦合源误差在以往的研究和振动监测中很少考虑,使得转子振动信号有一定的失真,甚至会引起误判。以实际转子为例,提出了圆度误差测量表达式;测量和分析了两种常用电涡流位移传感器的误差,利用傅里叶拟合方法构建了圆度误差和电涡流位移传感器耦合源误差表达式,建立了耦合源误差与转子振动信号之间的映射关系。提出了点-点法、平均值法与最大值法3种转子振动信号识别方法,3种方法都能有效识别转子振动信号,其中点-点法最精确,识别误差占比约20%;平均值法计算简便,识别误差占比约10%;最大值法偏保守,但可有效避免误判,识别误差占比约32%。     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。     

基于PIC单片机的可燃气体泄漏报警器设计

该设计基于PIC单片机为核心,以气敏传感器检测可燃气体的质量浓度,经过信号调理后,通过AD转换器读入单片机中,单片机对检测到的信号进行判断。如果质量浓度超过预定数值时,将发出声光报警,同时切断气源,启动排气扇。系统带有液晶显示和小键盘输入,可设置报警器的相关参数;系统采用市电和电池两路供电;485串行通信,可实现远程控制。该系统电路设计新颖,操作方便,体积小,成本低,功耗低,可靠性高,寿命长。     

一种实用可靠的振动监测及报警装置的设计

介绍了一种实用可靠的振动监测及报警装置的设计 ,着重阐述了振动信号的提取、处理、报警电路的设计以及围绕提高系统可靠性而采取的措施。该装置已在风机及卧螺离心机进行实验取得了满意的效果     

Enhanced eigenvector algorithm for recovering multiple sources of vibration signals in machine fault diagnosis

Many advanced techniques have been developed for vibration-based machine fault diagnosis. One of the prerequisites to use vibration for fault diagnosis is the vibration signal measured from a machine component must be well isolated from other vibrations that are generated by adjacent components. Many machines have numerous and small components that are closely packed together. Due to limited space or accessibility for installing sensors on the inspected machine component, sometimes only one sensor is allowed to be installed. An aggregated source of vibrations could be collected rather than just the vibration generated by the inspected component. Hence, an effective algorithm must be employed to recover the desired vibration out of the aggregated source of vibrations. The blind equalization-(BE)based eigenvector algorithm (EVA) has proven its effectiveness in recovering the overwhelmed vibration signal in the application of machine fault diagnosis. However, the conventional type of EVA can recover only one dominant source from the aggregated vibration. This dominant vibration may belong to the larger vibration generated by the inspected component or a nearby component. Hence, the ability of EVA in recovering signals besides the dominant signal is deemed necessary. In this paper, we proposed an enhanced EVA that consists of channel extension and a post-processing method to recover multiple sources of vibrations. The post-processing method includes the use of correlation and higher order statistics. With the help of these proposed algorithms, the enhanced EVA can recover other vibrations that are less dominant but highly relevant to existing faults. To verify its effectiveness, the ability of recovering the overwhelmed bearing faulty vibration is demonstrated. The results of the experiments using simulated signals and real machine vibrations have proven the effectiveness of the method. Hence, the enhanced EVA is suitable for vibration-based fault diagnosis on machines that have many closely packed components.     

混凝土结构中PZT传感器的多功能性分析及应用

针对混凝土结构被动监测中的压电陶瓷(也称锆钛酸铅,Pb-based lead zirconium titanate,简称PZT)传感器信号的多功能特性,提出了PZT传感器不同用途信号的提取方法。根据不同功能信号的频率范围差异,通过小波Mallat分解,得到用于反映结构整体动态信息的振动信号以及局部断裂破坏引起的声发射信号,通过与加速度传感器和声发射传感器信号比较,验证了提取方法的正确性,并将该方法应用到钢筋混凝土框剪结构模型地震破坏试验的实时监测中。试验结果表明,应用该方法提取到的振动信号能准确测得结构主频率等结构的动态信息,声发射信号部分能清楚捕捉局部损伤引起的能量释放情况。应用该方法可准确提取出结构的振动信号和声发射信号,利用同一PZT传感器能够实时评估和监测结构的整体动态特性和局部损伤状况。