基于TVAR的自适应时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归（TVAR）建模方法，通过引入基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识；在此基础上，应用带遗忘因子的递归最小二乘算法进行参数估计，实现了信号的自适应时频分析。通过仿真算例将该法与短时Fourier变换、Wigner分布的结果相比较，验证了该方法时频分辨率高的优越性。最后，将该方法应用于轴承的故障诊断，结果表明，该方法用于故障诊断的特征提取是有效的。     

基于时频分析的机械设备非平稳信号盲分离

针对传统的机械故障源分离方法忽略信号非平稳性的不足,结合时频分析和盲源分离的各自优点,提出一种基于时频分析的机械设备非平稳信号的盲分离方法,并与传统的机械故障源分离方法进行对比.实验结果表明,对于机械设备非平稳混迭信号,必须充分利用信号的非平稳性,才能达到很好的分离效果.文中的研究为机械设备非平稳混迭信号的分离提供一种新方法.     

小波基TVAR建模时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归建模方法,提出了应用小波基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识,在此基础上,应用带遗忘因子的递归最小二乘算法进行参数估计,实现了信号的自适应时频分析。通过仿真算例将该法与短时傅里叶变换、Wigner分布的结果相比较,验证了该方法时频分辨率高的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,该方法用于故障诊断的特征提取是有效的。     

基于阶次分析的非平稳工况下风力发电机组齿轮箱故障诊断

齿轮箱是风力发电机组的关键传动部件,长期承受复杂的非平稳负载,容易出现裂纹、断齿、磨损等齿轮故障,造成安全事故及经济损失,对其进行故障诊断意义重大。针对传统的频谱分析方法无法满足非平稳工况下风电机组齿轮箱故障诊断的问题,利用阶次分析的方法对齿轮箱进行了故障诊断研究。分析了阶次分析方法的基本原理,推导并总结了齿轮箱特征阶次,最后,利用阶次分析方法对真实风场数据进行分析,准确识别了齿轮箱中的故障。     

非平稳信号分析在机电系统状态识别中的应用

在非平稳状态下的机电系统故障诊断与趋势预测中,正确分析系统的当前状态是一个必经环节.基于EMD的信号分析方法在分析非平稳信号中有明显的优势.阐述了基于EMD非平稳信号分析方法,并对其进行编程实现.同时进行了经验模态分解中抑制端点效应的研究.从软、硬件方面设计和实现了“非平稳状态下的机电系统状态信号分析集成系统”.为构建开放式、柔性化状态分析和趋势预测系统提供了基础.     

基于Chirplet变换的水轮机非平稳振动信号分析

首先应用调制移频和多采样率转换技术对水轮机过渡过程中的非平稳振动信号进行预处理,然后应用基于Chirplet的自适应信号分解方法和自适应Gauss Chirplet谱图对其进行时频分析。针对旋转机械的振动特点,改进了自适应Chirplet信号分解过程中Chirplet参数优化计算方法。分析结果与其他时频分析方法的对比表明：自适应Gauss Chirplet谱图时频分辨率高,而且没有交叉项干扰,适合于分析非平稳机械振动信号。     

时变序列分析方法

对白噪声标准差随时间变化的时变序列模型进行研究,给出便于工程应用的模型形式。建立确定白噪声标准差、自回归系数和滑动平均系数函数形式的方法,并分别采用最小二乘法和极大似然法确定其中的待定参数。在此基础上建立时变序列预测公式及误差估计公式,给出其回归与时变自回归模型。     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.     

AR模型和SVM在机床滚动轴承故障诊断中的应用

将自回归模型(AR)和支持向量机(SVM)应用到机床滚动轴承的故障诊断中,根据滚动轴承的振动信号建立自回归模型,以自回归参数和残差的方差作为特征向量,然后建立基于支持向量机的多故障分类器,进而判断滚动轴承的故障类型.通过实例分析和与神经网络方法对比,表明该方法能有效地判别机床滚动轴承的故障类型.     

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。     

变速行星齿轮系统故障诊断方法

针对风力发电机行星齿轮系统变速非平稳工况,且故障信号耦合调制严重、传递路径复杂、噪声污染严重等特点,提出了基于阶次包络分析的故障诊断方法,详细阐述了方法原理和实现流程。通过对变速工况下的仿真加速度信号进行阶次包络分析,对比行星轮、太阳轮以及齿圈出现故障后与正常齿轮系统的阶次包络谱结构特性,总结了不同部件故障的特征阶次。在此基础上,通过对变速行星齿轮系统试验信号的分析表明:阶次包络分析方法能较好地抑制噪声干扰,反映故障特征清楚,且故障特征能作为变转速时行星齿轮系统故障诊断和定位的依据。     

强抗噪时频分析方法及其在滚动轴承故障诊断中的应用

根据滚动轴承发生故障时呈现出循环平稳的特征,将基于二阶循环统计量的谱相关或谱相关密度分析方法加以改进,提出一种新的时频分析方法。经仿真验证,所述方法相对于谱相关分析方法具有很强的抗噪能力;针对轴承发生故障时的调制特征,往往只需要提取出故障频率即循环调制频率而不必提取调制现象的载频,在所述方法的基础上,将其加以改进,改进后的谱分析方法只提取出调制频率,通过滚动轴承三种故障试验(内、外圈故障及滚动体故障)验证了其具有更清晰的表达效果和更好的故障特征提取效果。     

故障树分析及其在制粉系统故障诊断中的应用

利用故障树分析法对火力发电厂制粉系统的常见故障进行了分析研究，建立了制粉系统的故障树，涵盖了球磨机、给煤机、排粉机、粗细粉分离器的常见故障，求出了其最小割集，给出了制粉系统发生故障的原因及导致故障各种原因组合的可能性。并且以球磨机为例给出了故障树分析的具体应用，通过球磨机振动信号的采集与分析，对球磨机的机械部件故障进行诊断。故障树分析法给制粉系统的故障智能诊断提供了一种有效的方法，为故障维修及故障预防提供了指导。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

频谱分析法在齿轮箱故障诊断中的应用

基于齿轮箱振动及调制边频带形成机理的分析，提出用谱平均及倒频谱分析相结合的方法，对监测系统的输出信号进行频域分析，诊断齿轮箱故障，并分析其产生原因。实例及分析结果验证了该方法可迅速、准确地对齿轮箱进行故障诊断。     

匹配追踪方法在故障诊断中的应用研究

匹配追踪法可将信号分解成一系列时频原子的线性组合,并在每次分解前自适应地初始化时频原子的参数。本文研究了匹配追踪的原理和方法,并将匹配追踪后的分解结果与Wigner分布相结合,得到了具有高分辨率的自适应时频分布。通过仿真算例将该法与Wigner分布、小波包变换,短时傅立叶变换的结果相比较,验证了该方法的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,本文方法用于故障诊断的特征提取是有效的。     

齿轮振动信号分解及其在故障诊断中的应用

对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。