重载铁路电化区段信号机械设备故障自动检测方法

为解决重载铁路电化区段信号机械设备故障在检测中存在检测结果误差大、错检与漏检率高等问题，设计了重载铁路电化区段信号机械设备故障自动检测方法。分析重载铁路电化区段信号机械设备的组成，以及机械设备运行的自动化控制过程，确定机械设备故障类型；针对不同故障类型设置故障自动检测判据，利用传感器设备采集实时运行数据，通过滤波和融合后输出初始数据样本，提取信号机械设备实时信号特征，通过计算检测判据相似度，确定信号机械设备故障类型，输出故障自动检测结果。实验结果表明，所提方法综合信号机械设备故障位置、程度等多个方面，使平均检测误差低于1.0,错检率和漏检率均低于1%,提升了重载铁路电化区段信号机械设备故障自动检测的有效性。     

皮带机故障诊断中基于自适应小波阈值去噪法的应用

皮带机故障信号中包含大量运行信息，采集故障信号进行去噪处理有利于故障状态识别。为了进一步提高小波阈值去噪方法在强噪声背景下微弱故障信号提取能力，设计了一种基于改进自适应阈值的小波阈值去噪法的皮带机故障诊断方法。研究结果表明：进行小波阈值去噪时未进行阈值函数优化，在阈值选取缺乏灵活性。以自适应小波阈值去噪时，可以获得更平滑的阈值曲线，能够满足最优去噪性能。采用小波阈值去噪时并未达到理想去噪效果，存在明显噪声成分，并且获得了更大均方根误差；完成小波阈值改进后获得理想去噪效果，更准确保留有用信号，使噪声信号被充分去除，实现信噪比的明显提升。该研究可以拓宽到其它传动设备上，对后续的故障状态识别奠定理论基础。     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

基于改进小波包变换的机械设备故障信号捕捉研究

为了避免机械设备出现非常规运行状态,其表现出的故障信号特征能够被准确提取,提出了基于改进小波包变换的机械设备故障信号捕捉的方法。通过定义小波包性质的方式,对机械设备故障信号实施分解处理,完成基于改进小波包变换故障特征的提取。在此基础上,计算机械设备的故障特征熵值结果,根据单值特征参数的实时数值水平,定义特征值捕获区间的范围,完成基于改进小波包变换的机械设备故障信号捕捉方法的设计与应用。实验结果表明,在改进小波包变换原理的作用下,既定机械设备元件在运行过程中表现出的奇异值水平明显降低,对故障信号特征的准确捕获与提取起到较强的促进性作用。     

EEMD和分形组合技术对ECS涡轮轴承故障特征提取的研究

针对飞机环控涡轮轴承运行时的非线性动力学特性,为了更加准确地分析轴承的故障,从振动信号分析的角度,提出基于EEMD和分形维数相结合的轴承状态特征量提取方法。先对轴承正常、内圈故障、外圈故障和保持架故障等不同运行状态下的振动信号进行EEMD分解,滤除噪声信号,提高信噪比,以减小背景噪声对分形的不利影响。然后对去噪信号再进行相空间重构,计算其关联维数并进行对比分析。实验结果表明:关联维数作为非线性几何不变量可以作为环控涡轮轴承运行状态的特征量;该方法能够准确有效地识别轴承的运行状态。     

基于EMD-ICA去噪的滚动轴承故障诊断方法

针对轴承故障信号易受环境噪声影响、信噪分离难的问题,提出了一种基于经验模态分解和独立成分分析相结合去噪的滚动轴承故障诊断方法。给出了该方法在故障诊断信号去噪领域的应用原理、方法步骤和评价指标;并通过仿真信号和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断,验证了该方法在轴承故障信噪分离中的有效性。结果表明,采用文中提出的方法消噪后提取故障信号特征频率,压制了噪声干扰,能明显区别出轴承的状态及其故障的类型,有效提高了轴承故障诊断的准确性。     

小波阈值分析与EMD结合的机械设备故障诊断方法

针对采集的机械设备故障信号中夹杂着噪声干扰的问题,提出一种基于贝叶斯估计的小波收缩新阈值和EMD结合的机械设备故障诊断方法。新阈值的选取考虑了故障信号经小波变换后在不同尺度上的去噪特性,更符合噪声在各层中的分布情况;改进阈值函数对故障信号进行降噪处理,然后以互相关系数和峭度准则提取经EMD分解降噪信号的分量,突出高频共振部分,避免了IMF分量选择的盲目性。通过对仿真信号分析和实例分析,结果能够准确地检测出设备故障。     

基于 VMD 的数控机床旋转机械运行路径偏离故障检测方法

为精准提取数控机床旋转机械设备故障信息,量化数控机床旋转机械运行路径偏离程度,提出一种基于 VMD 的旋转机械运行路径偏离故障检测方法。分析数控机床旋转机械设备运行频率和振动情况,运用突变检测算法优化采集效率,使用自适应脉冲法采样机械信号;创建约束变分模型,利用遗传算法搜索信号变量最优值,通过 VMD 法分离信号频域分量,提取机械信号故障特征;通过聚类法评估路径偏离水平,构建胶囊网络进行路径偏离故障检测,利用 squash 函数挤压处理胶囊矢量并提升矢量维度,运用特征编码和归一化处理获得高精度偏离故障检测输出值。实验结果表明,所提方法检测的数控机床旋转机械运行路径偏离故障效果较好,且检测效率较高。     

基于小波去噪的机车牵引电机轴承故障诊断仿真研究

轴承是牵引电机重要的传动部件,其性能直接影响机车的运行状态,机车运用时间过长,运行环境恶劣往往导致轴承不同程度的磨损、烧结,为降低牵引电机轴承故障率和机车维护成本,方便获取牵引电机轴承运用信息,本文提出基于小波去噪提取轴承特征的分析方法,利用LabVIEW编译软件对采集到的仿真试验台轴承振动信号进行小波包去噪处理,结合Hilbert包络分析提取去噪后信号的故障特征频率进行故障识别,为机车牵引电机故障诊断提供理论依据。     

基于AMD和小波阈值去噪的电机轴承故障诊断

轴承是异步电机常见故障类型中发生故障概率最大的部件.谐波法是目前轴承故障诊断的常用方法,想要准确的获取故障特征谐波分量,需要对故障信号进行去噪预处理.针对故障信号提取特征频率的噪声干扰问题,结合电机轴承故障机理分析,提出运用解析模态分解(AMD)算法和小波阈值去噪算法相结合的谐波检测方法来提高电机轴承故障特征谐波分量提取的准确性.实验结果表明,所提方法能够准确的提取故障信号的特征分量,可有效提升故障诊断的准确性和可靠性,降低了电动机故障发生概率.     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

基于粒子滤波与负向选择算法的GIS设备故障检测

为了及早发现故障合理安排设备检修计划,提出一种基于粒子滤波与负向选择算法的GIS故障检测方法。首先,选取GIS设备金属外壳振动信号分形维数作为特征变量,有效削弱了设备负载变化对外壳振动的影响。同时,基于粒子滤波及支持向量回归算法处理设备正常状态下的振动信号分形维数特征样本,建立GIS设备振动特征估计器。将实时测量的振动特征输入特征估计器,计算估计器输入值与输出值之间的残差并作为检测指标。最后,利用负向选择算法处理正常状态下检测指标数据,间接获取GIS故障状态下检测指标区间,进而实现设备故障的检测。通过对现场实际测量数据的仿真分析,验证了所提方法的可行性。     

Nonlinear machine fault detection by semi-supervised Laplacian Eigenmaps

A semi-supervised Laplacian Eigenmaps algorithm for machine fault detection is proposed. The purpose of the algorithm is to efficiently extract the manifold geometric characteristics of nonlinear vibration signal samples, and to determine fault classification of operating equipment so that the accuracy of fault detection can be improved. The data acquisition and pre-processing of the vibration signal is firstly implemented from monitoring equipment, then hybrid domain feature is obtained, and the initial sample set can be built. This is followed by implementing the semi-supervised Laplacian Eigenmaps algorithm so that the sensitive nature characteristics of manifold can be obtained from the device initial sample set. In order to establish the intelligent diagnostic model, the Least square Support vector machine (LS-SVM) is then adopted, which fault diagnosis and decisions can be achieved in the feature space of the low-dimensional manifold. The experiment results of using the IRIS data, gearbox and compressor fault data show the proposed method has more advantage when compared with the PCA and Laplacian Eigenmaps on improving the accuracy of fault detection.     

基于ZigBee的无线振动检测系统设计

针对机械设备的振动信号检测问题,采用ZigBee技术设计了一套无线传感器网络振动检测系统,详细介绍了系统结构,硬、软件设计方案和通信方法。基于Zig Bee技术并结合MEMS传感器开发的无线传感器系统,能够实现无线检测运行机械设备的三轴振动信号,利用Qt框架设计的上位机软件系统可以实现三轴振动信号的波形显示、数据存储以及利用快速傅里叶变换获得的频谱图检测设备的运行状况。实验表明,通过该系统可实时无线检测现场机械设备的振动信号,提高了机械设备故障诊断的自动化水平。     

基于小波分析的离心式注水泵机械振动实时监测方法

为保证注水泵机组安全稳定运行,减少管理人员工作量,提出基于小波分析的离心式注水泵机械振动实时监测方法。探究注水泵作业流程与结构特征,结合多种常见故障类型分析结果,构建水泵输入、输出功率与生产效率的动力学模型;考虑到注水泵特性,以压电加速度传感器作为主要监测设备,明确信号采样要求,通过量化处理将模拟信号变换为数字信号,便于信号分析;当监测信号内低频成分丰富时,确定母小波和变换系数,经伸缩与平移处理完成连续小波变换与反变换;当低频分量不足时,引入小波包理论,分割小波空间,合理分解不同频带的信号,保证监测信息不丢失,获取信号特征,实现机械振动实时监测。仿真实验证明,该方法具有较强的信号处理能力,可通过监测信息准确判断出设备故障类型。     

基于白噪声统计特性的振动模式提取方法

针对机械设备状态监测和故障诊断过程中的特征提取问题,提出一种基于白噪声统计特性来实现机械振动信号振动模式提取的方法。该方法是对经验模式分解算法(Empirical mode decomposition,EMD)的一种发展,应用归一化白噪声在EMD中具有的统计特性,可以自适应地消除机械振动信号经EMD分解产生的高频噪声分量及低频虚假分量,得到反映信号实际物理意义的振动模式分量集。对该振动模式分量集进行Hilbert变换,提取出信号的Hilbert时频特征。整个特征提取过程不需要构造任何参数表达的基函数及相关滤波函数,也无需有关信号的任何先验知识,因而在实际应用中具有更好的适用性。仿真信号和转子试验台试验信号验证该方法的可行性和有效性。     

基于动态特征矩阵的k近邻风电机组故障检测方法

受风的间歇性和随机性影响风电机组运行状态频繁切换,导致设备状态异常检测误报和漏报情况严重,风电企业运维成本居高不下。为此,提出了基于动态特征矩阵的k近邻故障检测方法,该方法采用基于互信息的动态特征矩阵描述风电机组的动态特性,通过加权k近邻同时考虑动态特征矩阵中的特征贡献率与累计互信息的影响,利用动态阈值计算降低运行状态突变造成的误报。分别以美国可再生能源实验室5 MW海上风机基准模型的常见传感器和执行器故障以及SCADA数据中记录的变桨系统故障为例,将所提方法的故障检测结果分别与PCA、KPCA、FD-kNN以及PC-kNN故障检测方法进行对比,结果表明所提方法能够准确进行故障信息的检测,所提方法优于其他对比故障检测方法。     

基于深度学习理论的机械装备大数据健康监测方法

机械装备正在朝着高速、高精、高效方向发展,为了确保这些装备的健康运行,健康监测系统采集了海量数据来反映机械的健康状况,促使机械健康监测领域进入了“大数据”时代。机械大数据具有大容量、多样性与高速率的特点,研究和利用先进的理论与方法,从机械装备大数据中挖掘信息,高效、准确地识别装备的健康状况,成为机械装备健康监测领域面临的新问题。深度学习理论作为模式识别和机器学习领域最新的研究成果,以强大的建模和表征能力在图像和语音处理等领域的大数据处理方面取得了丰硕的成果。结合机械大数据的特点与深度学习的优势,提出了一种新的机械装备健康监测方法。该方法通过深度学习利用机械频域信号训练深度神经网络,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,因此克服了传统智能诊断方法的两大缺陷：需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征;使用浅层模型难以表征大数据情况下信号与健康状况之间复杂的映射关系。试验结果表明,该方法实现了多种工况、大量样本下多级齿轮传动系统不同故障位置不同故障类型的故障特征自适应提取与健康状况准确识别。