转子共频相关故障源源数估计与子带盲分离

针对转子异常振动产生含交叉频率的响应,其共频相关故障源不满足统计独立要求,提出利用非负矩阵法在频域中计算故障源个数,不计及源信号和混合系统特性,可以正确估计出故障源数目或源数上限。提出利用小波包分解故障信号,选择互信息较小的子带进行重构,剔除共频信号并进行盲分离,得到独立非相关的源信号,保留了故障信息。理论及实验结果证明了所提出方法的有效性。     

基于局域均值分解的机械故障欠定盲源分离方法研究

结合局域均值分解(Local mean decomposition,LMD)和盲源分离各自的特点,提出一种基于局域均值分解的欠定盲源分离方法.该方法利用LMD对观测信号进行分解,得到一系列的生产函数分量,将所得到的生产函数(Production functions,PF)分量和原观测信号组成新的观测信号.对构成的新观测信号进行白化处理和联合近似对角化,得到源信号的估计.该方法能有效解决传统的盲源分离方法要求源信号满足非高斯、平稳和相互独立的假设,且要求观测信号数多于源数的不足等问题.仿真结果表明,所提出的方法是有效的,在处理非平稳信号混合的欠定盲分离方面,比传统时频域的盲源分离方法得到了更好的分离效果.将提出的方法应用到滚动轴承的混合故障分离中,试验结果进一步验证该方法的有效性.     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

基于阶比滤波的单通道缸盖振动信号盲源分离

传统盲源分离方法要求传感器观测信号数目不小于源信号数目,且在源信号平稳、相互独立的前提下,才能得到较为准确的分离信号,但对于发动机缸盖振动非平稳信号,由于激励源较多,这些条件不易满足。为实现缸盖振动信号盲源分离,提出了基于阶比滤波的单通道缸盖振动信号盲源分离方法。利用燃爆激励信号频率随转频变化的先验信息,通过阶比滤波得到阶比分量,将阶比分量和单通道信号组成多维观测信号,通过快速独立成分分析方法得到了缸盖振动非平稳信号的分离信号。仿真和应用研究证明了该方法的有效性。     

故障源信号的频域盲分离及其应用研究

盲源分离可以对相互统计独立的信号源经线性组合而产生的一组混合信号进行分离,从中得到各个独立的源信息.针对混合信号相位差对独立分量分析算法性能的影响问题,提出一种故障源信号的频域盲分离方法.该方法利用频谱的线性叠加性和无相位性,先将工程实测信号转换到频域,再对得到的信号频谱进行盲源分离.仿真实例和涡流传感器失效检测的成功应用表明,根据信号结构选择预处理方法十分重要,正确的预处理可以大大提高独立分量分析提取故障源特征的有效性.     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

融合小波分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离是一个病态问题,且传统的振动信号盲源分离方法往往忽略信号的非平稳性的问题,提出了一种融合小波分解与时频分析的单通道振动信号盲源分离方法。首先利用小波分解与重构将单通道信号转化为多通道信号,解决了盲源分离的欠定问题;然后利用基于时频分析的盲源分离算法分析非平稳信号,得到源信号的估计信号,实现了非平稳信号盲源分离。仿真和实验结果表明,该方法可以有效地解决单通道非平稳振动信号的盲源分离问题。     

基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用

提出一种利用盲源分离技术对齿轮箱混合故障进行诊断的方法。该方法以最小互信息量为准则,采用自然梯度的自适应算法求解统计独立源信号的估计值,并根据分离信号的频谱成功地提取了混合故障的特征信息,有效地诊断出齿轮箱所处的故障状态。     

独立分量分析在转子多源故障自适应时频分析中的应用

针对短时傅里叶变换(STFT)和Wigner-Ville分布等传统时频分析方法对转子多源故障分析效果不理想的问题,提出了一种基于独立分量分析(Independent Components Analysis,ICA)和自适应时频分析结合的抗干扰转子故障非平稳信号分析方法。该方法首先对采集的信号进行ICA处理得到独立分量,然后对独立分量进行自适应时频分析,提取出故障频率信息,最后对独立分量进行阶比跟踪分析得到的瀑布图,更加充分地验证了试验结果。仿真和试验对转子不平衡和地脚螺栓松动故障进行了研究,分析结果验证了本方法的可行性和有效性。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

转子启动信号处理中的低频分量提取研究

针对传统滤波方法处理非平稳信号的不足,提出利用经验模态分解法来处理转子启动信号,通过此方法的自适应滤波特性来提取这类信号中的低频分量。首先,用模拟信号对此方法进行验证。然后,应用于实际转子启动信号的处理中。结果表明,隐含在信号中的低频分量被成功地提取出来。根据转子系统的特性进行分析,指出此低频分量实质上是转子公转时所围绕中心点的漂移轨迹,其幅值必须在一定的范围内,否则转子系统可能存在故障。因此,该物理量的提取对转子系统的故障诊断有重要作用。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

电机断条故障下液压动力源特性仿真研究

以异步电机和齿轮泵组成的液压动力源为研究对象,深入分析了电机转子断条故障引起的电磁转矩、转速和功率产生脉动的机理。利用多回路法建立了电机转子断条故障下液压动力源的动态数学模型,并对其主要机、电、液参数进行仿真分析,结果表明,电机发生断条故障时,由于定子电流边频分量与转子系统的耦合作用,使得液压动力源的输入输出参量均出现不同程度的脉动,脉动程度与频率均随故障程度的加剧及负载的增大而增大,影响液压动力源的平稳运行;同时证明,电机发生转子断条故障时,液压动力源的效率亦大幅下降。     

Separation of fault features from a single-channel mechanical signal mixture using wavelet decomposition

This study reports a joint wavelet decomposition and Fourier transform approach to the separation of periodic mechanical source signals from single-channel signal mixture. With this method, the signal mixture is first decomposed to certain wavelet scales. The resulting wavelet coefficients are then Fourier transformed to extract the information pertinent to each signal source from these scales. Next, the number of signal sources is determined and the wavelet coefficients for each signal are constructed in all scale levels. Finally the source signals can be reconstructed using these wavelet coefficients. Since this method does not require the number of sources to be known a priori, it is particularly suitable for mechanical fault signal separation as the number of source signals varies with time and is unpredictable. It is also important to point out that the number of sources is determined without the commonly adopted sequential extraction/learning process and hence the proposed method can be used for on-line fault detection due to the reduced computing burden. The application of this method has been demonstrated using mixed bearing data containing both inner and outer race fault signals.     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

基于信号共振稀疏分解的转子早期碰摩故障诊断方法

提出了基于信号共振稀疏分解的转子早期碰摩故障诊断方法,该方法用信号共振稀疏分解从转子系统振动信号中提取早期碰摩冲击信号。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现早期碰摩故障时,振动信号由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。利用信号共振稀疏分解方法从转子早期碰摩信号中提取冲击成分,根据冲击的周期可进行转子早期碰摩故障诊断。算法仿真和应用实例验证了该方法从转子系统中提取早期碰摩冲击信号的有效性。
     

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点-转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

波叠加法在机械噪声故障特征提取中的应用研究

声学故障诊断中,测量到的噪声信号是现场所有声信号的混合.为提取待诊设备噪声故障特征,建立机器系统的多声源宽带相关混合声场模型,使用波叠加法重建源表面为任意形状的空间声压场分布,计算出未知声源的数目与位置.提出的算法具有计算速度快、重建精度高,能够消除其他噪声源信号的干扰,从较小的信噪比的观测信号中分离待监测源信号的功率谱,有效提取机械噪声故障特征.实验结果验证模型与算法的可行性.