基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络(即深度卷积测量网络)代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。

一种参数自适应VMD应用于轴承故障特征提取

针对传统的变分模态分解(VMD)需要预先设置模态个数和惩罚参数,提出了一种基于麻雀搜索算法(SSA)的参数自适应VMD方法。首先,引入一种新的测量指标-相关脉冲,该指标能反映出原始信号与分解模态之间的相关性,并且能有效突出包含丰富信息的模态。其次,基于相关脉冲指标,采用麻雀搜索算法选择最优VMD分解参数。最后,通过最大相关脉冲指标对模态分量进行分析,利用希尔伯特包络谱进行频谱分析。此外,将故障轴承放在轴承寿命试验台上进行仿真验证,实验结果表明该方法在轴承故障特征提取上具有可行性。

分接开关可控移相变压器保护配置及故障特征分析

移相变压器是一种经济型的潮流调节设备,可提高电网运行的安全性和经济性。为了实现分接开关可控移相变压器工程化应用,首先,针对电流电压互感器配置情况,提出了移相变压器的主保护配置方案,并分析了各保护元件的保护范围。其次,提出了基于控保协同的差动计算自适应调整策略,可根据分接开关的实时档位实现移相变压器差动保护计算的自适应调整。接着,给出了基于移相变压器差动平衡的各侧电流校验方法,可用于校验电流互感器的接入极性和参数。最后,通过仿真和实际波形,分析了不同故障下和空充时的波形特征以及保护的适应性,并证明了所提方法和保护配置的有效性。

干式空心并联电抗器绕组匝间绝缘故障特征分析

本文通过有限元软件建立仿真分析模型,研究干式空心并联电抗器绕组匝间绝缘故障的物理特征,探寻便于故障监测的敏感状态量。首先在有限元仿真软件中建立基于实际电抗器的“场-路”耦合模型并验证正确性,之后在其绕组不同层、不同高度位置设置匝间绝缘故障,研究回路总电流、等效阻抗、有功功率损耗等电气特征量随故障位置的变化规律,并分析空间磁感应强度和绕组受力的变化情况。结果表明:所研究的电气特征量变化率随绕组单匝匝间短路位置的变化而变化,在径向上呈现从内层到外层增大的趋势,在最外层有所减小,在轴向上由绕组中部向端部逐渐减小。绕组单匝匝间短路状态下的空间磁感应强度和故障绕组受力明显增大,等效电阻、功率因数和有功功率损耗的变化率均在500%以上,变化显著且方便获取,可作为干式空心并联电抗器匝间绝缘故障的在线监测量。

基于优化小波包分解的航空发动机主轴承故障特征增强方法

目的 解决航空发动机主轴承微弱故障特征在高背景噪声环境和变转速工况下难识别的问题,提出基于优化小波包分解的航空发动机主轴承故障特征增强方法。方法 首先通过计算阶次分析方法,将振动时域信号转化为振动角域信号;然后对振动角域信号进行小波包分解,并引入有效故障特征能量比和优化最大相关峭度解卷积方法对信号故障特征进行增强,通过循环迭代逐步提取故障特征;最后对信号进行包络分析,并与理论轴承故障阶次进行对比,实现轴承故障诊断。结果 通过对整机试车条件下航空发动机主轴承外圈压坑故障实验数据进行分析,验证了该方法能够有效增强振动信号中的故障特征信息。结论 与传统WPD方法相比,该方法可以有效增强主轴承故障特征阶次,实现高背景噪声环境和变转速工况下的故障诊断。

重复使用火箭涡轮泵轴承故障特征提取方法优化

涡轮泵轴承是可重复使用火箭的关键,因此能够有效提取出轴承故障特征频率从而展开故障诊断十分重要。将奇异值分解(SVD)和包络谱解调法相结合,对火箭涡轮泵轴承展开故障特征提取。对轴承内环、外环及滚动体故障数据进行处理和分析,结果表明,针对信号中含有大量噪声的数据,相比传统的包络谱解调法,改进方法的故障特征提取效果明显提升。通过该方法提取出的3种故障低频特征频率的相对幅值相比于传统包络谱解调均有提升。同时,可以有效降低高频噪声的干扰,尤其在高频区依然可以看到比较明显的特征频率,而传统包络谱解调法的高频区基本被噪声覆盖。通过计算得出信号的信噪比均有60 dB以上的提升。

混合高斯噪声条件下稀疏表示方法及其在冲击类故障特征提取中的应用

传统稀疏表示方法因其在冲击类信号特征提取中的独特优势而在故障诊断领域被广泛研究。然而,传统稀疏表示理论基于对干扰噪声的高斯分布假设,导致其难以适用于多种噪声分布混合的实际现场。针对上述问题,提出一种混合高斯噪声条件下的冲击类故障特征稀疏表示方法。基于传统稀疏表示理论的贝叶斯框架,借助混合高斯分布的万有逼近性质,建立了基于db4小波字典的混合高斯噪声稀疏分解模型,并推导了基于EM(Expectation-maximum,EM)和ADMM(Alternating direction method of multipliers,ADMM)的优化求解算法用于模型求解。仿真和实验结果表明,所提出的方法能够有效提取混合噪声干扰下的冲击类微弱故障特征信号。

基于多故障特征融合的直流配电网单极故障选线方法

为保障直流配电网的可靠运行,提出一种基于多故障特征融合的单极故障选线方法。首先,分析直流配电网单极接地故障后各馈线零模电流及母线零模电压的特征;其次,利用各馈线的零模电流波形、零模电流与母线零模电压间夹角及能量大小的差异,构造零模电流相关性、零模电流与母线零模电压夹角余弦及能量相对熵3种判据;最后,利用模糊理论实现3种选线判据的融合,将故障测度最大的馈线判定为故障馈线。PSCAD仿真验证表明,该方法可克服单一选线方法的局限性,有效提高故障选线可靠性。

基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增强方法。该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为一个综合参数P i;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比信号和高噪信号3个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提取出轴承微弱故障特征。经仿真信号验证,去噪信号的信噪比相对于去噪前提升了11.31 dB。基于航空发动机中介轴承模拟试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。实践表明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。

永磁同步电机耦合故障特征提取方法仿真

由于永磁同步电机故障的并发性,且耦合故障信号具有较强的关联性,导致永磁同步电机耦合故障特征提取较为困难。为此提出了采用负序电流法和磁链观测法对匝间短路-不均匀退磁耦合故障特征的提取方法。首先推导了正常电机的数学模型,在此基础上搭建仿真模型并验证了其可靠性;其次搭建了匝间短路和不均匀退磁单一故障的仿真模型,验证了负序电流法和磁链观测法在单一故障特征提取时的有效性;最后并对耦合故障的特征进行了对应的提取。结果表明,单一故障特征在耦合故障提取时也有较高的准确性。

角度补偿同步平均的二级行星齿轮箱行星轮故障特征提取方法

加窗同步平均克服了行星齿轮传动引起的振动传递路径时变性问题,可有效应用于单级行星齿轮箱齿轮故障特征提取。但二级行星齿轮箱存在两级行星结构共用传动轴引起的振动耦合问题,该方法不易有效提取第一级行星轮的故障特征,为此本文提出一种角度补偿同步平均的二级行星齿轮箱行星轮故障特征的提取方法。通过等角度重采样消除转速波动的影响;采用角度补偿同步平均分离重采样振动中存在的第二级太阳轮的干扰,并通过差运算将其从重采样振动中消除;提取残余振动的包络信号;通过加窗同步平均构建第一级行星轮的合成包络信号,并采用包络同步平均提取第一级行星轮的故障特征。通过二级行星齿轮箱实验台实测信号分析验证,所提方法能够有效地提取第一级行星轮的故障特征。

自适应加权Savitzky-Golay滤波的轴承早期故障特征提取

轴承早期故障特征通常不明显,且受复杂工况和外源振动等因素影响,易被外部噪声干扰。Savitzky-Golay滤波器的高计算效率和固有特征保留能力,非常适用于低信噪比条件下的故障特征提取,但目前参数选取标准鲁棒性不高限制了其工程应用。针对轴承早期故障特征提取问题,文章提出了一种自适应加权Savitzky-Golay滤波的故障提取方法。首先,给出了S-G滤波的参数自适应选择顺序。其次,结合S-G滤波器结构特点,确定了基于窗长的进行自适应权重分配框架。最后,通过实验验证,验证了自适应参数优选和加权处理后的S-G滤波能准确高效地获取低信噪比条件下的轴承早期故障特征。

海洋平台注水泵机组滚动轴承故障特征提取研究

为了识别海洋平台注水泵机组滚动轴承的故障,文章应用谐波小波包变换,提取了滚动轴承的外圈、内圈及滚动体故障特征信号,分析了滚动轴承振动过大时故障特征信号的变化。结果表明:谐波小波包变换能从强噪声背景中提取微弱的滚动轴承故障特征信号,通过提取的故障特征信号的幅值变化,能判断出滚动轴承的外圈、内圈及滚动体故障。

基于EB-1D-TP编码算法的风电机组滚动轴承故障特征提取研究

滚动轴承运行状态检测是保证整个风电机组安全、稳定运行的关键,但由于风电机组所处的运行工况多变,难以准确识别滚动轴承的故障类型。为解决传统风电机组滚动轴承故障诊断需要大量采集信号、存在严重噪声干扰等问题,提出一种基于增强二进制1D-TP编码算法的故障特征提取方法。通过引入去“零”增强处理,提高不同状态下滚动轴承振动信号之间的区分度,并改进传统1D-TP编码算法,融合高、低两种模式,充分保留信号特征。最后通过对信号点和像素点之间相关性差异的分析,重新设定信号编码顺序。实验结果证明:该方法能够有效提高故障诊断系统对轴承振动信号特征的提取效果,增强不同特征之间的区分度,故障特征提取精度提升25%,且在提取效率上也表现出明显优势。

汽车发动机的故障特征与检测技术研究

发动机作为汽车的核心部件,其性能与稳定性对汽车整体运行状况有着至关重要的影响。因此,了解汽车发动机的故障特征并掌握相应的检测技术,对于保障汽车的安全运行以及提高维修效率具有重要意义。

基于SSA-Hurst-ARIMA组合模型的船舶柴油发电机组故障特征短期预测

为提高船舶柴油发电机组故障特征短期预测精度,建立基于奇异谱分析(Singular Spectrum Analysis,SSA)、Hurst指数、自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)的组合预测模型。以某试验中船舶柴油发电机组运行数据为基础,选取增压器滑油压强数据,对比分析单一ARIMA模型、SSA主成分-ARIMA组合模型和SSA-Hurst-ARIMA组合模型的预测效果。结果表明,SSA-Hurst-ARIMA组合模型的预测效果优于单一ARIMA模型和SSA主成分-ARIMA组合模型,更适合应用于船舶柴油发电机组故障特征的短期预测。

基于优化变分模态分解与计算阶次分析的主轴承故障特征增强方法

针对航空发动机主轴承微弱故障特征在高背景噪声环境和变转速工况下难识别的问题,提出了基于优化变分模态分解与计算阶次分析的主轴承故障特征增强方法。该方法将转速信号进行积分得到角位移信号,通过等角位移重采样将非平稳的振动时域信号转化为振动角域稳态信号。为了更好地分离信号中的高背景噪声,提取微弱故障信息,通过人工蜂鸟算法对变分模态分解(VMD)的惩罚因子和分解层数进行优化,使用优化后的VMD方法分解振动角域稳态信号;以故障特征能量比(FCER)作为指标对变分模态分解后的各信号分量进行评价,选择FCER大于所有分量均值的分量重构,实现振动角域信号降噪;对重构的振动角域信号进行包络谱分析,得到阶次谱并与理论故障特征阶次进行对比,实现故障诊断。通过仿真数据以及开展整机试车条件下获得的航空发动机主轴承外圈压坑故障实验数据对本文所提方法的有效性进行验证。结果表明:与局部均值分解-故障特征能量比(LMD-FCER)、小波包分解-峭度值指标-希尔伯特变换(WPD-KVI-Hilbert)分析方法相比,本文所提方法可以有效增强主轴承外圈故障特征阶次,实现了高转速、高背景噪声和变转速工况下航空发动机主轴承微弱故障的有效诊断。

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。

大规模直驱风电场经柔直送出系统交直流线路故障特征分析

针对具有故障穿越策略的永磁风电场经多端柔性直流(Voltage Source Converter Based Multi-terminal Direct Current,VSC⁃MTDC)输电系统外送的交直流混联系统,分析故障穿越控制目标下受端交流电网故障和考虑输电线路频变特性的直流系统输电线路故障发生后的故障特征,以及大时间尺度下,直流系统对交流故障的响应。研究结果表明:基于实时数字仿真(Real Time Digital Simulation,RTDS)搭建的交直流混联系统模型在有效控制故障发展的前提下,不同故障条件、控制策略下具有相对应的故障特征,如:交流并网线路故障时,负序电流将被抑制,换流站仅向故障点提供有限的正序电流,且优先输出无功功率,直流线路累积不平衡功率出现直流过电压现象,计及直流电压波动引起受端换流站的dq轴电流发生变化,造成交流线路故障电流短时间内增大约20%。直流线路发生单极接地故障时,故障极电压以最大700 kV/ms的速率迅速下降到0,非故障极电压上升为原来的两倍,且故障电流会随着接地电阻的增大而减小;当发生双极故障时,故障电流能够在数毫秒内达到额定电流的几十倍,最大速率可达8.25 kA/ms,严重威胁电力电子器件的安全,并且电压迅速降至0,此时通过混合直流断路器快速动作,在故障电流上升至额定电流2倍前切除故障线路,使系统满足N-1运行原则。仿真结果与理论分析结论相符。

变转速下L_(1,1,2)范数与张量核范数联合约束的TRPCA滚动轴承故障特征提取方法

滚动轴承作为旋转机械设备的重要部件之一,其工作状态直接影响旋转设备的运行安全,因此其故障特征的有效提取对于保障机械设备正常运行具有重要的意义。实际应用中滚动轴承通常以变化的速度运行,并且单一传感器采集的轴承的非平稳信号往往被严重的背景噪声覆盖,使得故障特征的提取非常困难。为了解决这一问题,提出一种变转速下L_(1,1,2)范数与张量核范数联合约束的张量主成分分析(tensor robust principal component analysis,TRPCA)滚动轴承故障特征提取方法。首先,使用时频表示(time-frequency representation,TFR)作为正向切片构建张量,分别探讨滚动轴承时变故障特征在张量域中的管稀疏性和背景噪声在张量域中的低管秩性。进而使用L_(1,1,2)范数与张量核范数联合约束的TRPCA对故障特征张量进行提取,得到管稀疏的故障特征张量。最后将提取的故障特征张量在通道索引中进行融合,得到能够有效表征故障特征的时频表示。仿真和试验分析验证了该方法在轴承故障特征提取中的有效性。