离心式压缩机转子故障识别的EEMD-PCA方法研究

针对离心式压缩机转子系统振动小,振动信号具有非平稳、非线性和伴随噪声干扰的特点,提出一种总体平均经验模式分解(Ensemble Empirical mode decomposition, EEMD)联合主分量分析(Principal component analysis, PCA)的故障识别方法。该方法以相关分析结合傅立叶变换选择基本模式分量(intrinsic mode function, IMF)为基础,构造了波动变化性指标以定量识别EEMD的噪声幅值参数;进一步获取各运行状态的14种时域振动评价指标并构造标准化特征数据集后,采用PCA降维法得出不同类型故障的振动模式类别。通过对离心式压缩机转子典型故障的振动信号分析,其结果表明该方法能够在解除信号非平稳非线性干扰的基础上,快速独立地提取信号中的主要振动模式,制定表征不同故障类别的特征数据区域,从而有效提高了离心式压缩机的故障识别能力。     

基于CVAE的时变工况轴承运行异常检测

数据驱动的异常检测技术被广泛应用于复杂机械设备状态监测中,工况（operating conditions,简称OCs）变化会导致监测数据的分布漂移,使传统数据驱动的异常检测方法的准确性受到极大干扰。为了解决时变工况下工况和健康状态之间的耦合问题,提出了一个新的特征解耦学习框架。首先,基于变分自动编码器（variation auto encoder,简称VAE）构建一个特征解耦条件变分自动编码器（conditional variation auto encoder,简称CVAE）网络,实现工况和健康状态的解耦;其次,对解耦后的健康状态相关特征进行降维处理,构建异常指标（anomaly indicator,简称ANI）;然后,将ANI与统计异常阈值相结合,实现时变工况下轴承的异常检测;最后,通过基于时变转速退化的轴承加速疲劳退化实验,验证了该方法的有效性以及所构建的健康指标在消除时变工况干扰方面的优越性。     

基于DS⁃VMD及相关峭度的滚动轴承故障诊断

为了自适应确定变分模态分解(variational mode decomposition,简称VMD)的有关参数,减少轴承振动信号处理过程中对先验知识的依赖,提出了一种基于微分搜索(differential search,简称DS)的VMD参数自适应寻优算法,结合相关峭度指标实现轴承故障特征自适应提取。首先,采用DS算法对VMD的相关参数进行自适应寻优,并对信号进行VMD;其次,计算各本征模态函数(intrinsic mode functions,简称IMF)的相关峭度值,并利用该指标对各分量进行加权重构;然后,对重构信号进行包络谱分析以提取轴承故障特征;最后,将所提出方法与通过经验模态分解(empirical mode decomposition,简称EMD)方法及人为确定参数的传统VMD进行对比。仿真信号和实验数据分析表明:DS算法可有效确定VMD相关参数组合,且所提出方法可以更加准确、有效地识别出滚动轴承故障特征频率;与快速峭度图方法对比,所提出方法依然可以获得更好的结果。     

D-S证据理论及其在燃气轮机系统诊断中的应用研究

针对燃气轮机轴承监测诊断中存在的多源监测数据利用不足、传感器信号不确定性难以消除、诊断精度待提高等问题,D-S证据理论（Dempster-Shafer Evidence Theory）作为一种简洁、高效的决策层多源信息融合方法,在燃气轮机状态监测与故障诊断中具有应用潜力。本文引入传统的D-S证据理论,并针对其存在的缺陷,系统总结了证据理论在燃气轮机轴承故障诊断领域的研究现状,围绕燃气轮机实际的工业应用场景,分析归纳了D-S证据理论的特点,并指出了未来D-S证据理论与燃气轮机轴承故障诊断的发展趋势。     

一种新的盲声源分离方法及应用

介绍了盲源分离的原理及几种常用的基于独立分量分析的盲源分离方法．瞬时混合声信号可看作是对声源信号的线性变换,因此通过线性反变换能够实现对声源信号的估计．基于这一思路,提出了一种适用于瞬时混合信号的盲源分离新方法．该方法采用了线性变换原理,通过对信号高斯性的检测来求解最佳变换角度,并依此构造分离矩阵实现源信号的分离．给出了该方法的实现步骤,还将该方法用于混合语音声音信号的分离,以及实际电机和轴承混合声音信号的分离．应用结果表明,提出的方法有良好的声源信号分离效果．     

一种现场修正烧结机转子平衡状态的方法

为避免烧结机转子在现场修复过程中平衡状态破坏导致机组振动异常,本文提出一种现场修正烧结机转子平衡状态的方法。该方法综合考虑转子在整体结构、阻尼、支撑刚度、角速度等不变的条件下,轴承箱的壳体振动速度与扰动力的角度不变的特性,运用刚性转子重量、加重半径、加重重量的关系,采用现场动平衡质量校正技术,保障机组可正常稳定运行。     

基于弗德卡曼阶比跟踪的转子起停车故障特征提取方法及应用

针对传统起停车过程分析采用短时傅里叶变换提取瞬时幅值及相位会损失瞬变信息的不足,用弗德卡曼阶比跟踪原理（Vold-Kalman Filter Based Order Tracking,VKF-OT）结合全息谱原理,提出新的转子起停车故障特征提取方法。由转子起停车瞬态响应数据中提取随转速变化的阶比分量,通过各阶分量复包络直接求幅值、相位,能克服傅里叶变换的平均效应,保留转子振动瞬变信息;通过VKF-OT集成转子截面振动信息,结合全息谱理论绘制阶比全息瀑布图,提取转子起停车状态的故障特征,并用于起停车瞬态动平衡。结果表明,该方法可有效提取转子典型故障特征、降低转子系统一阶临界振动。     

某空分机组一起叶片断裂事故分析

针对某空压机组一次比较严重的叶片断裂振动事故,利用陕鼓旋转机械远程在线监测及故障诊断系统的功能分析软件和灵敏监测数据库,找出了发生此次突发故障的原因和部位,并及时采取处理措施,避免了再次发生重大事故的可能,减小了因故障造成的设备损失.     

基于声发射的激光冲击强化表面硬度智能监测

为了实现激光冲击强化过程中材料表面显微硬度的实时评价,提出了一种结合声发射技术和机器学习技术的用于7075铝合金板材表面/次表面硬化率的在线监测方法。首先,通过离线硬度检测构建了表征材料表面硬化的综合指标——亚表面硬化率;其次,利用模态声发射理论实现了基于反对称A₀模态的梅尔倒谱时频图特征提取;然后,构建了融合多个感受野和注意力机制的神经网络质量评估模型;最后,通过激光冲击强化的实测数据对所提出方法的有效性和可行性进行了验证。实验结果表明,提取的时频图特征中具有更丰富的细节信息,相比于传统的神经网络,所提出模型的平均准确率最高达到了97.41%。     

智能动力装备的全生命周期诊断 和服务技术与系统研制

动力装备作为复杂机电系统具有应用范围广、连续作业、点多线长、危险因素众多的突出特点,针对目前动力装备存在的全生命周期监测诊断技术缺乏、智能化水平不高、服务支持不足的问题,研究开发了智能动力装备的全生命周期监测和服务支持系统。围绕动力装备全生命周期监测诊断和全生命周期性能优化、维修备件服务构建系统平台,研究了系统中的信息采集管理,动态自适应监测,健康状态预示与评估,故障预警和快速智能诊断、转子远程及现场快速动平衡维护以及智能维修决策等关键技术,最后在用户企业构建动力装备产品全生命周期监测与服务支持的示范基地,为客户提供诊断分析、状态评估、全生命周期设备管理、维修决策支持服务。