基于非线性输出频率响应函数的斜裂纹转子故障诊断方法研究

以斜裂纹为研究对象,将非线性输出频率响应函数(Nonlinear output frequency response function,NOFRF)应用到含有斜裂纹转子系统的故障诊断中。对比分析了斜裂纹不同倾角,不同裂纹深度和不同裂纹位置下的NOFRF值的变化情况,得到了具有一定价值的结论。实验结果表明,系统的NOFRF值对裂纹的不同倾角、裂纹的不同位置和裂纹深度的变化相当的敏感。因此,根据系统的NOFRF值的变化情况,可以有效监测转子系统中的斜裂纹故障。     

基于NOFRF裂纹转子非线性频谱分析

建立了裂纹转子非线性逼近模型,论述了非线性输出频域响应函数(NOFRF)及其非线性频谱分析理论,基于该理论对裂纹转子系统的各阶NOFRF进行了仿真分析,该分析结果说明了裂纹转子系统新频域成份是如何产生的,对裂纹转子的超谐波成份和亚共振现象进行了解释,并进行了试验分析,结果表明了高阶NOFRF比一阶对转子裂纹深度更敏感,为裂纹转子的精确故障诊断提供了理论基础。     

基于非线性输出频率响应函数的转子不对中-碰摩耦合故障诊断方法研究

基于非线性输出频率响应函数(NOFRF)的独特优势,将非线性输出频率响应函数引入到转子不对中-碰摩耦合故障中,提出了基于非线性输出频率响应函数的转子不对中-碰摩耦合故障诊断方法。利用提出的方法辨识得到了不同对中度及其角度的转子系统的NOFRF值,对比分析了不对中度及其角度对转子系统各阶NOFRF值的影响。仿真结果表明随着不对中度和角度的增加,NOFRF中二次谐波二阶非线性输出频率响应函数和二次谐波四阶非线性输出频率响应函数有着较为明显的增幅;一次谐波三阶非线性输出频率响应函数随不对中角度的增加而减小。因此,可以依据二次谐波二阶非线性输出频率响应函数、二次谐波四阶非线性输出频率响应函数、一次谐波三阶非线性输出频率响应函数值的变化规律识别转子系统的不对中程度。最后通过试验结果验证了仿真结果的正确性,研究成果为具有不对中-碰摩耦合故障的转子系统的故障诊断提供了重要的依据。     

基于MSKPCA和SVM的转子故障诊断模型及应用

为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析(Multi-Scale Kernel Principal Component Analysis,MSKPCA)法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机(SVM)进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。     

基于区间B样条小波有限元的转子裂纹定量识别

研究一种基于区间B样条小波有限元的转子横向裂纹定量识别方法.构造包含转动惯量影响的区间B样条小波Rayleigh梁单元,高精度求解裂纹转子前三阶固有频率,获得裂纹相对位置和相对深度作为变量的固有频率解曲面.然后将实测的裂纹转子前三阶固有频率作为裂纹识别问题的输入,利用三条等高线的交点定量识别出裂纹存在的相对位置和相对深度.数值仿真和试验研究结果表明,该方法鲁棒性强,单元数量少,辨识精度和效率高,为转子系统裂纹定量识别提供了新方法.     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

基于非线性频谱的发电机转子系统故障诊断

为了有效识别火力发电系统发电机转子裂纹故障类型,本文通过Volterra核函数法对发电机故障的频谱特征进行分析,找出不同故障类型对应的频谱值的差异性;同时利用辨识算法对核函数进行求解获取非线性频谱特征,然后通过SVM进行分类,实验结果表明,该方法故障特征提取准确率高,在一定程度上降低了故障误诊率。     

基于遗传算法的旋转机械转子裂纹识别的研究

转子裂纹是旋转机械中常见且危险的一种故障,转子裂纹的有效识别和定位也是故障诊断领域一直研究的课题。将转子裂纹的识别作为一反问题,从反问题的求解角度,提出了基于遗传算法的转子裂纹识别策略,该策略的基本思路是借助于有限元分析方法建立裂纹转子的有限元模型,并将转子裂纹识别问题形式化为一优化问题,进而利用遗传算法进行优化求解实现转子裂纹的识别。数值仿真研究表明,所提出的裂纹识别的反问题进化求解策略能以较好的精度和鲁棒性识别转子裂纹,是有效可行的,且适用于更广泛的无损检测和缺陷辨识等应用场合。     

裂纹转子的理论分析与实验研究

对横向裂纹转子系统建立力学模型，求得刚度矩阵，建立运动微分方程。通过运动仿真对裂纹转子基本故障特征进行了分析，得到不同裂纹深度、裂纹方向下转轴的运动特性。并通过实验，得到裂纹轴运动轴心轨迹、三维频谱，证明偏心质量、裂纹深度、方向这些因素对转子振动影响特性，其理论分析和实验结果可作裂纹故障的分析和识别依据。     

基于VMD和AR模型的转子裂纹故障诊断方法

针对裂纹转子振动位移信号不平稳、非线性,故障特征难提取,且在故障初期缺少对样本的收集和整理等问题,提出了一种基于VMD(Variational Mode Decomposition-变分模态分解)和AR(Auto Regressive-自回归)模型的转子裂纹故障诊断方法。采用VMD方法对转子位移信号处理,得到若干个平稳的本征模态函数(Intrinsic Mode Function),再分别对每个IMF分量建立AR模型,利用最小二乘法计算模型参数和残差的方差,将模型参数和残差的方差作为系统状态特征向量,建立马氏距离(Mahalanobis distance)判别函数,通过设置相应加权参数得到综合距离来实现裂纹故障诊断。最后采用VMD和AR方法进行了转子裂纹故障的诊断实验,实验结果表明,基于VMD和AR模型诊断转子裂纹故障是可行和有效的,克服了AR模型在诊断转子裂纹故障的不足。