基于VMD消噪处理的滚动轴承早期故障识别

提出了一种基于变分模态分解(VMD)消噪和核模糊C均值(KFCM)聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法,弥补了VMD方法通常按经验选取预设尺度数方法的不足;然后对振动信号进行VMD分解得到K个限带的内禀模态函数(BIMF)分量,利用归一化的自相关系数函数能量集中比大于0.9的原则确定含有噪声的BIMF分量,并剔除这些含噪BIMF分量,再将剩余的BIMF分量叠加进行信号重构,实现了信号的消噪;最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集,并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证,结果表明与经验模态分解(EMD)方法相比,可以有效地实现滚动轴承早期故障诊断。     

基于极点对称模态分解和概率神经网络的轴承故障诊断

针对复杂非线性的滚动轴承系统,提出了极点对称模态分解（ESMD）和概率神经网络（PNN）相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线（AGM）的概念优化分解的趋势线,并由此确定最佳的模态分解次数。PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差。通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别。     

基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断

提出了一种基于双树复小波和具有自适应权重和时间因子的粒子群算法优化支持向量机的轴承故障诊断方法。首先对机械振动信号进行DTCWT变换,提取能量熵作为特征向量。然后采用AWTFPSO算法优化SVM,实现轴承故障诊断。不同方法的对比实验及分析结果表明,该方法速度快、准确率高。     

阀芯结构对双流体喷雾粒子特性的影响

为了研究阀芯结构对双流体喷雾粒子特性的影响,提升喷雾效果,运用相位多普勒粒子分析仪（PDPA）对不同阀芯结构的双流体喷雾雾滴粒径、轴向速度以及雾滴数目进行了测试,并对测量结果进行了分析和讨论。结果表明：随着轴向距离的增大,雾滴索特平均直径(SMD)、算术平均直径(AMD)呈先增大后趋于平缓的趋势,轴向速度以及湍流脉动速度均呈减小趋势,雾滴数目呈先增大后减小的趋势;随着气液压力比的增大,SMD呈先增大后减小的趋势,而AMD、轴向速度以及雾滴数目均呈减小趋势;阀芯的喉口直径、出口直径的减小均有利于喷雾效果的提升,但同时导致速度稳定性变差;当喉口直径为1.5mm、出口直径为2.5mm时,与原始阀芯结构相比,雾滴数目和雾滴轴向速度分别增大了82.43%和22.31%,SMD和AMD分别减小了52.18%和21.47%,综合喷雾效果得到了大幅提升。     

混沌振子在液压泵故障诊断中的应用

分析了（Ｄｕｆｉｎｇ）振子的混沌运动和间歇混沌动力。利用该振子与参考信号频差较小的周期小信号的敏感性,对白噪声及与参考信号频差较大的周期信号的免疫力,通过监测轴向柱塞泵壳体振动加速度信号,对柱塞泵松靴故障进行诊断,克服了传统的频谱分析和倒频谱分析诊断方法的缺陷,避免了伪警和漏报。     

基于MEMD互近似熵及FCM聚类的轴承故障诊断方法

提出了一种基于掩蔽经验模式分解(MEMD)互近似熵及模糊C均值聚类(FCM)的滚动轴承故障诊断新方法。MEMD可以有效抑制经验模式分解存在的模态混叠问题;互近似熵是近似熵的改进,能更好体现信号的不规则度和复杂度。信号经掩蔽经验模式分解后得到一组平稳的本征模函数(IMF),通过能量分析筛选出与原始信号最为相关的几个IMF分量,计算其互近似熵值以作为故障特征向量,能够直观体现设备的运行状况。故障模式识别采用的FCM算法,计算相对简单,聚类效果好。实验分析证明了该方法的优越性。     

粗糙集及主元分析的机械故障诊断研究

针对粗糙集理论方法与主成分分析方法的特点,引入了一个启发式函数,提出了一种将两种方法相结合的算法.运用粗糙集理论建立了信息系统的分辨矩阵,通过主元分析方法得到了各主成分的表达式和主成分贡献率,通过启发式算法得到了决策信息表的最佳属性约简和故障诊断规则,并通过算例分析验证了该算法的优越性.研究表明该算法在处理机械故障诊断中数据量大、变量多的数据时,具有很好的效果.     

基于Lyapunov指数分析的液压泵故障诊断方法研究

提出了一种基于最大Lyapunov指数分析的微弱信号检测新方法,依据该方法对柱塞泵的脱靴故障进行了实验诊断.实验结果表明,故障压力信号的最大Lyapunov指数比无故障时的正常信号的小,可以作为故障发生与否的定量判据,为旋转机械故障诊断提供了一条新途径.     

基于润滑机理的智能液压元件本体性能预测方法

以液压泵为例，以其最为薄弱的环节--滑靴副为研究对象，并以滑靴磨损作为性能退化原因，结合滑靴磨损数学描述方程、泄漏流量公式和柱塞腔压力瞬时变化模型，建立了滑靴磨损过程的油膜润滑特性方程组；揭示了液压泵性能失稳失效机理，计算了失稳和失效临界点；对液压泵性能退化状态进行区域划分，分析液压泵不同状态下滑靴磨损量与油膜润滑特性参数及性能退化参数的变化规律，建立了性能预测模型；通过仿真分析验证理论模型的正确性，通过液压泵性能测试试验验证预测模型的有效性和预测精度，结果表明，所构建的模型能够精确预测液压泵性能。     

基于改进S变换的电能质量扰动分类新方法

提出一种改进的S变换(MST)方法并应用在电能质量扰动识别中。针对S变换(ST)窗函数固定、时频分辨率不能调节的问题,对S变换中的窗函数引入参数p、q进行改进,使时频分辨率的调节更加灵活。提出确定p、q的评价指标,使得p、q的求取具有一定自适应性和理论依据。用MST提取电能质量扰动的特征向量,根据电能质量扰动信号的MST分析结果,提出4种扰动特征作为特征向量,解决了特征向量冗余的问题。仿真数据和工程数据实验分析结果表明,该方法具有更好的抗强噪声性,使电能质量扰动分类精度更高。为复杂信号特征提取提供了一种有效途径,也为电能质量分类提供了一种新的方法。