基于矢谱和支持向量数据描述的旋转机械故障诊断方法研究

传统旋转机械故障诊断用单通道信号进行诊断,信息量不完整,容易导致误诊;而矢谱融合了多通道的信息,反映的信息更全面.支持向量数据描述是一种单值分类方法,该方法有望解决机械故障诊断中缺少故障样本的问题.基于此,提出矢谱和支持向量数据描述的故障诊断方法,用矢谱作为特征向量,支持向量数据描述方法为分类器,并应用到旋转机械故障诊断中.实验结果表明,该方法是有效的.     

基于矢谱-HMM的旋转机械故障诊断方法研究

针对传统旋转机械单通道故障诊断的不足,结合隐马尔可夫模型(HMM)的特点,提出矢谱-HMM故障诊断方法.利用矢谱技术融合截面双通道的信息,然后提取主振矢特征训练HMM模型,利用训练好的HMM模型进行故障诊断.实验表明,该方法是比较有效的.     

非平稳矢Wigner—Ville分布研究及其应用

大型旋转机械的故障在发生或发展时,其运行过程是具有明显非平稳特性的瞬态过程。通常的针对单通道信息的时频分析不能准确提取瞬态过程的特征信息。本文结合矢谱分析（Vector—Spectrum）和Wigner-Ville分布（WVD）技术提出了矢Wigner—Ville分布分析方法。它融合了转子同截面两通道图谱中各自存在的振动分量,能准确地反映转子发生故障时的瞬态过程特征量变化。工程实际应用表明：矢Wigner—Ville分布分析对于旋转机械故障诊断是一种新的、较为实用的信息融合方法。     

高阶谱分析技术在轴承故障信号特征提取中的应用

对高阶谱方法用于滚动轴承故障特征提取进行了研究,针对滚动轴承振动信号的非线性、频谱成分多样性和二次相位耦合性等特点,分别采用高阶谱中的双谱技术和功率谱技术分析、处理和提取轴承状态的故障信息.利用高阶统计量方法做出了滚动轴承典型故障信号的三维双谱图、二维等高线图.通过与功率谱图的对比分析,结果表明:高阶谱在非线性系统的信号处理和故障特征提取方面,尤其针对滚动轴承初期故障信号的特征提取和诊断来说,具有功率谱无可比拟的优越性.试验分析结果为进一步的滚动轴承故障模式识别和诊断学习提供了可靠的特征样本.     

基于信息融合的时频分析方法及其在故障诊断中的应用研究

将全矢谱技术分别与短时傅立叶变换、Wigner分布、模糊函数相结合,提出了短时矢谱、全信息Wigner分布、全信息模糊函数的新概念,并分别阐述了它们的算法及特点.仿真算例与实验表明,基于信息融合的上述三种时频分析方法与单通道的信号分析相比,前者均能体现信息融合的优越性,大大提高旋转机械故障识别的准确率和可靠性.其中,全信息模糊函数在时频定位性、抑制交叉项、去噪方面又更优于短时矢谱和全信息Wigner分布,是一种行之有效的故障诊断的时频分析方法.     

基于PCA和径向基函数神经网络的滚动轴承故障模式的识别

根据径向基函数神经网络的优点，在对滚动轴承振动信号故障特征分析的基础上，提出一种应用主矢量分析(PCA)将高维相关变量转化为低维独立变量，利用其特征值建立径向基函数神经网络的方法，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

基于神经网络对轴承故障的智能诊断

已知试验轴承的故障特征参数与非故障特征参数,采用何种方法对采自实际应用场合的轴承信号进行判断和处理是问题的关键.对比感知器网络和径向基函数网络对轴承的诊断结果,证明径向基函数网络具有较多的优越性,便于实际应用.     

硬质合金刀具切屑形态的RBF神经网络识别

研究了径向基函数神经网络在硬质合金刀具切屑形态图像识别中的应用 ,提出了面积比、欧拉数、分散度等硬质合金刀具切屑形态图像的几何特征 ,以上述特征作为神经网络的输入矢量 ,利用径向基函数网络 (RBF) ,采用了递推最小二乘法训练该网络。最后开发了相应的计算机程序 ,通过实验验证本算法具有良好的实时处理性和适应性 ,识别率达到 95 % ,有利于硬质合金刀具切削过程的监控和切削参数的优选。     

小波包神经网络在齿轮泵故障诊断中的应用

采用小波包技术提取齿轮泵的振动信号的小波包能量谱及其谱熵,作为改进的BP网络的输入特征,进行齿轮泵的故障诊断.实验结果表明,该方法大大地提高了诊断的可靠性.     

高斯线调频小波变换与齿轮故障边频带分析

提出了基于高斯线调频小波变换的功率谱齿轮故障诊断方法.利用高斯线调频小波变换对齿轮振动信号作了谱分析,进而对齿轮故障进行分析.对实验数据的分析结果表明:该方法优于经典的自功率谱估计和一般的小波分析方法对齿轮局部故障诊断;该方法可突出齿轮的边频带结构,适用于齿轮的局部故障诊断.     

基于全矢最小二乘支持向量机的设备状态趋势预测

在支持向量机(SVM)基础上拓展出的最小二乘支持向量机(LS-SVM)非线性泛化能力更好,具有较高的拟合和预测精度,目前被广泛应用于设备状态趋势预测中。为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术提出一种新的趋势预测方法——全矢LS-SVM。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障LS-SVM预测数据特征提取的完整性,提高预测精度。将该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢LS-SVM方法具有较高的预测精度。     

基于全矢谱 ARMA模型的机械振动强度预测研究

单通道预测方法由于获取振动信息不完善的缺陷,导致预测结果一致性差,从而不能实现故障的预测。针对单通道信息不完善的缺陷,将时序预测重要方法 ARMA模型结合基于同源信息融合技术的全矢谱技术,提出了全矢谱-ARMA模型预测方法。全矢谱是由互相垂直的两个通道获取的信息融合而成,在同一截面其频谱结构不会随着一对传感器安装的方位不同而变化。通过全矢谱获得的频谱结构具有唯一性,因此该方法能够实现预测并且结果一致性好,从而能够实现对故障的预测。实验表明:该方法预测结果好,并且比较实用。     

基于优化极限学习机的涡轴发动机转子碰摩故障诊断

针对涡轴发动机容易在转子过渡态-稳态间瞬间失衡导致碰摩现象，提出改进遗传算法优化的极限学习机诊断模型。基于某涡轴发动涡轮机匣振动信号包络曲线，仿真涡轴发动机正常状态、燃气涡轮转子碰摩状态、动力涡轮转子碰摩转态、燃气与动力涡轮转子碰摩转态4种工况的振动信号；对振动信号进行频谱分析，提取振动信号特征参数构建故障样本数据集；使用改进遗传算法优化极限学习机，并将它用于碰摩故障诊断。结果表明：训练集平均诊断准确率为96.8%、波动幅值为2.82%；测试集平均诊断准确率高达95.43%、波动幅值为0.93%，收敛误差达到0.22，验证了所提出的方法诊断准确率高、波动幅值小、误差低，适用于碰摩故障诊断。     

一种机床异步电机转子时间常数在线辨识方法

异步电机广泛应用于各种机床,其转子时间常数的变化会降低其转子磁场定向精度,进而降低其转矩控制精度。以某型机床上用异步电机为研究对象,详细分析转子时间常数变化对异步电机间接磁场定向控制的影响,包括对转子磁链和定子电压的影响。基于该分析结果,采用李雅普诺夫稳定性理论设计了一种基于d轴定子电压的异步电机转子时间常数辨识方法。建立仿真和实验系统,对所提方法进行详细的仿真实验研究。仿真与实验结果表明:所设计的方法不仅可以实现转子时间常数在线辨识,而且具有较好的动态响应速度和抗扰性能,能为机床及相同使用领域提供更好的动力输入。     

基于声发射信号的转子碰摩故障诊断方法

利用声发射信号的高频特性采集转子碰摩故障信息，采用小波分析技术把所得声发射信号分解在不同频带，对信号进行重构，从而消除背景噪声，并用小波包络谱分析方法识别故障信息。分析结果证明，基于声发射信号的小波包络分析可以检测出微弱的转子碰摩故障，是一种有效的早期故障诊断方法。     

基于四阶累积量MUSIC法的感应电机无传感器速度估计

从感应电机定子电流频谱中提取转子槽谐波,并求得电机的转速,传统采用FTT技术,但其自身存在如频率分辨率低、抑制噪声能力弱等一些缺点。提出一种采用基于四阶累积量的MUSIC法从异步电动机定子电流频谱中提取转子槽谐波频率,进而准确估计电机转速的新方法。MUSIC法具有高频率分辨力和强大的微弱谐波检测能力,加之高阶累积量可以有效地抑制噪声,基于四阶累积量MUSIC法非常适用于感应电机转子槽谐波提取。实验结果表明,基于四阶累积量MUSIC法可以正确提取转子槽谐波频率,准确估计出电机转速,尤其在频率分辨率和抗噪声上比FFT法具有较好的优越性。     

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。     

涡轴发动机转子碰摩故障振动信号分析

涡轴发动机的工况决定它容易在转子过渡态因瞬间失衡而出现碰摩现象。碰摩故障会引起部分统计特征参数发生突变现象。基于三叉树检测算法,提出转子局部碰摩故障监测方法。基于某涡轴发动机转子振动倍频幅值包络线、试车转速曲线,分别仿真涡轮机匣测点发生局部碰摩故障与正常工作状态下的振动信号。对振动信号进行频谱分析,并提取振动信号的峭度指标、裕度指标、总量,以对转子碰摩故障进行甄别。结果表明：转子基频容易凸显故障特征;基于统计特征的碰摩监测方法能够较好地识别出转子碰摩故障。     

基于FastICA去噪和改进HHT的转子不平衡故障特征提取方法研究

针对转子不平衡振动信号非平稳性并伴随较强环境噪声的特点，提出一种基于快速独立分量分析（FastICA）和改进希尔伯特-黄变换相结合的故障特征提取方法。该方法采用FastICA法去除环境噪声等因素对于故障特征提取精度的影响，再利用自适应白噪声总体平均模态分解方法将故障信号分解为一系列固有模态函数（IMF），并采用基于相似性评估的虚假IMF选择算法将与故障信息无关的虚假IMF分量剔除，从而保证故障信息提取的准确性和有效性。通过仿真分析证明了所提方法的有效性，并且实际试验表明：该方法可有效提取转子不平衡信号的故障特征，为该类故障的诊断提供了一种切实可行的方法。     

具有功率调节和容错能力的风力机自适应控制

水平轴风力机面对高风速变化工况时,极易出现转子灾难性失控超速运行,此时风能转换效率低于预期值,同时恶劣的环境也对桨距角控制提出了容错要求。针对这些问题,提出一种具有功率调节和容错能力的风力机自适应约束控制方案,通过自适应约束的桨距角控制实现安全可靠的功率调节,并集成容错能力以补偿可能的故障影响。介绍水平轴风力机的数学模型和运行要求,分析基准的非线性自适应约束控制方案的设计过程,并在此基础上讨论具有未知控制增益、任意初始条件和存在故障影响下的设计方案,最后搭建MATLAB仿真模型对所提出的方案进行验证。仿真实验结果表明：所提方案可以提高风力机的功率调节效率,同时在不同工况和不同故障条件下均能将转子速度和发电功率控制在安全范围内。