基于振动烈度的液压泵故障多信息特征提取方法研究

单一信息呈现出模糊性和不完备性,无法准确评估液压泵的工作状态。为此,提出一种基于振动烈度理论的多传感器信息特征提取方法。通过物理量转换法将滤波后的泵出口流量信号和压力信号分别转换成速度信号和加速度信号;利用振动烈度的频域计算方法提取振动、流量和压力信号的烈度特征因子;以滑靴磨损故障为例分析烈度特征因子的敏感性,找出对故障反映敏感的烈度因子。本研究对于增加信息完备性和提高状态评估准确率具有重要意义。     

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4 种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。     

基于FRFT的齿轮振动信号故障特征提取

研究了典型齿轮故障振动信号在分数阶傅里叶变换（FRVF）域的分布特征,并在此基础上分析了该信号在FRFT循环域（CFRFD）的分布特征,提出了FRFT循环处理（CFRFT）方法,实现了信号在CFRFD的能量积累。通过仿真实验验证了低信噪比条件下,CFRFT对齿轮振动信号的故障特征提取能力及有效性。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

基于自适应时频滤波的变转速齿轮故障特征提取

针对变转速下齿轮的故障信号分离与故障特征提取,提出了基于线调频小波路径追踪(Chirplet Path Pursuit,CPP)与S变换的自适应时频滤波方法。该方法先采用CPP算法从原始齿轮振动信号中估计出齿轮啮合频率,同时,对原始振动信号进行S变换获取其时频分布;然后根据齿轮啮合频率设计自适应时频滤波器;再采用时频滤波器对信号的时频分析进行时频滤波,并将时频滤波结果进行S逆变换,即可得到包含齿轮故障信息的滤波信号;最后对滤波信号进行阶次分析,并根据阶次谱中的调制边频带诊断齿轮故障。对变转速下齿轮的局部故障进行了算法仿真和应用实例分析,结果表明,自适应时频滤波器可根据信号的频率变化特点自适应地改变中心频率和带宽,具有较好的信号分析自适应性,且滤取的信号无相位畸变,非常适合于变转速下的非平稳信号分析。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于LPP的转子振动故障特征提取方法

针对振动信号的非线性、非平稳特征,提出了一种基于局部保持投影(Locality Preserving Projections,LPP)的转子故障特征提取方法。该方法利用LPP降维后保留数据内部非线性结构的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用BP神经网络作为分类器进行故障诊断。实验结果表明,LPP方法能有效提高故障诊断的准确率。     

一种基于WMUWD的液压泵振动信号预处理方法

针对轴向柱塞液压泵故障引起的振动信号非线性强、故障信息湮灭在噪声干扰的问题,提出一种基于加权形态非抽样小波分解(WMUWD)的振动信号预处理方法。首先,在形态非抽样小波分解的一般框架下,提出WMUWD方法,利用特征能量因子表征形态非抽样各分解层近似信号对故障特征的贡献量,并以此为依据进行加权融合,以提高有用信息比重,便于特征提取;在此基础上,对WMUWD方法的初始参数设置进行了分析,给出了一套比较系统的优选组合方法;最后,利用仿真信号以及液压泵实测振动信号验证了该方法的有效性。     

小波分析球磨机轴承振动信号特征提取方法

为了对球磨机磨矿过程中筒体内部负荷(填充率、料球比)进行研究,提出采用小波分析方法对球磨机轴承振动信号进行特征提取。以实验球磨机为对象,采集轴承座振动信号,经降噪处理和Welch法功率谱分析后得到频谱图,选用合适的小波函数,进行小波包分解后得到信号各频段的能量值和总能量值,再以各节点能量值作为对应内部负荷的特征向量,引入欧氏距离对不同内部负荷进行区别。通过实验证明该方法有效。     

基于液压泵复数信号的log-SAM故障诊断方法研究

针对基于液压泵单源振动信号易受噪声污染、无法有效表征故障特征信息的问题,提出了一种基于复数信号的log-SAM新方法.在液压泵端盖同一截面上,采集两个互相正交传感器上的振动信号;基于全矢思想,对上述双源信号融合为一个复数信号;利用log-SAM对复数信号进行包络分析,充分地突出故障特征信息,抑制噪声干扰;基于总体和最优...     

基于Teager峰值能量的低转速轴承故障特征提取方法

峰值冲击是轴承故障信号中的重要特征之一,明显的峰值冲击有利于其故障诊断,而低转速工况下轴承故障由于振动能量小,峰值冲击微弱,导致故障特征容易被噪声淹没,通常无法通过包络分析等方法提取。为了增强微弱故障信号中的峰值冲击,提取低转速轴承故障特征,提出了基于Teager峰值能量的故障特征提取方法。采用移动窗口截取原信号,计算截取信号段的峰峰值,从而构造峰峰值特征波形,增强故障信号中的峰值冲击;利用Teager能量算子对峰峰值特征波形进行解调,抑制噪声干扰,提取瞬时冲击成分;根据提取的Teager能量频谱判断轴承的运行状态。实验结果表明,该方法有效提取了低转速轴承的冲击特征,实现了故障的诊断。     

基于FastPW和CNC降噪的液压泵振动信号预处理方法

针对离散余弦变换(Discrete Cosine Transform,DCT)阈值降噪法存在的问题,提出一种自适应的余弦相邻系数(Cosine Neighboring Coefficients,CNC)降噪法,仿真信号分析结果表明CNC降噪法具有更好的降噪性能。将该方法与振动信号快速预白化(Fast Pre-Whitening,Fast PW)技术相结合形成了一种液压泵振动信号预处理新方法:首先采用Fast PW算法对液压泵振动信号预白化,去除信号中的谐波分量,得到仅包含冲击分量和白噪声的预白化信号;然后采用CNC降噪法对预白化信号进行自适应降噪。实测信号分析结果表明提出的方法能够很好地消除液压泵振动信号中的谐波分量和噪声成分,且能有效保留信号中的故障分量。     

基于包络角域加窗同步平均太阳轮故障特征提取

行星齿轮箱广泛应用于风电机组等大型装备中,其振动特征提取在故障诊断领域有重要意义。但由于存在非平稳、调制、传递路径复杂、传递路径具有时变特性等特点,导致故障响应微弱,往往被强背景噪声所湮没。主要针对包络分析、加窗同步平均、计算阶比跟踪相结合,提出了一种适合弱特征信号解调、时变传递路径及变速工况的包络角域加窗同步平均技术。Tukey窗函数对故障振动信号进行加窗处理,希尔伯特变换(Hilbert)获取故障复包络信号,计算阶比跟踪对复包络信号进行等角度重采样,转换为准平稳角域信号,然后进行同步平均。该方法对太阳轮故障实测振动信号进行分析,实验结果表明,所提出方法能够有效地提取太阳轮故障的特征信息。     

柴油机故障的振动特征提取及故障识别

针对柴油机等周期性循环工作方式的机械,研究和分析了其工作过程、受力及振动的周期性循环非平稳性的特点.在分析的基础上本文给出了一种适合于周期性循环非平稳振动信号的特征提取和识别方法.实验数据分析结果表明该方法能有效地识别汽缸部分的故障.     

故障信号的特征提取和分类器

本文探讨周期性工作机器(如内燃机、涡轮机等)的故障振动信号的模式识别问题。推先,通过对故障信号的类内最大距离和类间最小期望距离的比较,提出了一种高阶原点矩特征提取法,该法具有类间分离性较好、特征向量维数较低的特点。然后,分析了一种易于实现的“表决法”序贯检验的检验次数与误判率间的关系,并给出了部分电算结果。最后,叙述了用本文的故障识别原则对Speys-511W发动机的故障识别在TQ-16数字计算机上作的模拟试验,其效果较好。     

一种改进的自适应多元变分模态分解轴承故障信号特征提取方法

针对实际工程中轴承信号的非线性和非平稳性,提出一种自适应多元变分模态分解算法。多元变分模态的分解效果主要与本征模态数k和惩罚参数α相关,为了解决人为经验参数设置对多元信号分解结果的影响,一种自适应的信号分解算法被提出。具体内容如下:首先将混合灰狼算法与多元变分模态分解算法相结合,提出最小模态重叠分量指标,将其作为适应度函数来寻求(k, α)的最优解,按照最优解对多元信号进行分解,提取故障特征。采用仿真信号和实际数据来验证所提方法的有效性和准确性,通过与多元经验模态分解、级联变分模态分解的对比分析,验证该算法在滚动轴承故障特征提取方面的高效性和实用性。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

基于广义相关系数自适应随机共振的液压泵振动信号预处理方法

针对液压泵故障振动信号信噪比低,故障特征难以提取的问题,对液压泵振动信号预处理方法进行研究。针对现有自适应随机共振优化算法及其目标函数存在的问题,将量子遗传算法(Quantum Genetic Algorithm,QGA)引入自适应随机共振中,提出一种改进的自适应随机共振的信号预处理方法。该方法以广义相关系数为目标函数,采用QGA算法对随机共振系统的结构参数进行优化,从而实现对信号的降噪预处理。仿真及实验结果表明,该方法能够有效提取强噪声背景下的液压泵振动信号频率特征,是液压泵故障特征提取及故障诊断中信号预处理的有效方法,可进一步发展至实际工程应用。