基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

矢双谱分析及其在机械故障诊断中的应用

双谱分析由于可以有效提取信号中的非线性特征被广泛应用于转子故障诊断。但常规双谱分析是以单通道信号为研究对象,不能全面地反映转子系统的非线性特征,存在着信息遗漏的问题,而且由同一截面的两个通道信号得出的分析结论会不一致。为解决这个问题,以全矢谱分析方法为基础提出矢双谱信号分析的新方法。矢双谱是融合了同一截面上双通道信号的幅值信息而保留了各自的相位信息的全矢双谱分析方法,能够真实地反映转子运转所包含的各种信息,且能满足分析结论的一致性要求。给出矢双谱的定义与算法,通过仿真和齿轮箱故障试验,研究结果表明,该方法能够更加全面地反映信号中所包含的非线性特征信息,分析结论具有一致性和可信性,从而提高智能故障诊断的准确性。

复局部均值分解全矢包络技术及其在转子故障特征提取中的应用

为更全面提取转子故障特征,将全矢谱和复局部均值分解(Complex local mean decomposition,CLMD)相结合,提出二元的全矢包络技术——CLMD全矢包络技术。采用正交采样技术获取转子同一截面上互相垂直方向上的振动信号,并将其组成一个复数信号;运用CLMD将复数信号按能量从高到低的顺序依次分离出系列复乘积函数(Complex product function,CPF),并解调出CPF的复包络;由于故障特征主要在能量较高的CPF分量中,通过全矢谱技术融合前几阶CPF分量的包络信号,得到相应的全矢包络谱。仿真的调幅-调频信号分析结果表面,较之Hilbert解调,CLMD全矢包络技术可提取隐含的调频信息,而且不存在虚假的低频谱线。转子试验台模拟的基座松动信号、碰摩信号分析结果表明,较之单源信息的包络谱,CLMD全矢包络技术提取的谱线特征更清晰、全面,而且根据全矢包络谱可有效区分基座松动引起的碰摩和单一碰摩故障。

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,又以齿轮的故障振动信号为例,进一步验证了该方法在故障诊断中的有效性。

基于矢双谱的智能故障诊断方法

支持矢量数据描述(Support vector data description,SVDD)是一种单值分类方法,可以解决故障诊断中故障样本缺乏的问题。矢双谱方法是基于全矢谱信息融合的双谱分析方法,能够有效融合旋转机械的双通道信息,更加全面、准确地反映信号中所包含的非线性故障特征信息。为实现在缺乏故障样本的情况下,对设备故障进行有效的智能诊断,提出一种矢双谱和SVDD相结合的智能故障诊断方法。采用矢双谱对双通道信号进行处理并提取特征矢量,作为SVDD的输入参数,建立起分类模型即可对机器运行状态进行分类。将该方法应用于齿轮箱的故障诊断中,结果表明可有效提取齿轮箱信号的特征信息,提高SVDD在故障诊断中的准确度。

EMD全矢谱技术及其在滑动轴承故障诊断中的应用

针对基于单源信息的EMD故障诊断的局限性和根据传统全矢谱分析故障的缺点,提出了基于EMD的全矢谱故障特征提取新方法。该方法对采集于同一截面上的互相垂直的两个传感器上的振动信号,运用EMD将其分别分解为若干IMF分量之和。根据IMF频率及其能量特点,通过全矢谱技术融合特定的IMF分量,得到基于EMD的全矢谱,进而进行故障诊断。仿真结果显示,该方法获取的故障特征更全面、准确。某额定功率为3000k W的TRT发电机组轴瓦振动故障诊断结果进一步表明了该方法的可行性和有效性。

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取,而深度神经网络模型复杂度高、构建难度大,以及单源信号信息不完备等问题,提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点,选择全矢谱技术与深度森林多粒度扫描相结合,用于接收同源双通道信号输入,增强了数据的完备性,并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性,分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究,结果表明,该方法在不同旋转设备上都有很好的诊断效果,并可以实现端到端故障诊断。此外,该方法在小训练数据集上的故障识别准确率也非常高。

全矢支持向量回归频谱预测方法

为了对机械设备进行故障类型和故障部位的准确预测,提出了全矢支持向量回归的频谱预测新方法.该方法使用全矢谱信息融合技术对同源双通道信号进行信息融合,采用支持向量回归对全矢谱特征参数进行预测,保证了训练数据信息的全面性以及预测结果的准确性.该方法对振动信号的频谱结构分布情况进行准确预测,从而为对机组的故障类型和故障部位预测奠定技术基础.通过对某1 000MW汽轮机轴振进行频谱预测验证结果表明,该方法在对振动信号频谱结构特征进行预测方面具有较高的预测准确性.

基于LMD的全矢包络技术及其在TRT振动故障诊断中的应用

为了更加准确地提取高炉煤气余压透平发电机组(TRT)振动故障信息,提出了基于局部均值分解(LMD)的全矢包络技术。该方法采集TRT转子某一截面上互相垂直的2个振动信号,利用LMD分别将2个信号分解为若干乘积函数(PF)分量。对2个信号的PF分量的包络函数分别进行融合,得到全矢包络谱,利用其对TRT进行故障诊断。仿真和实际算例分析结果表明,较之单源信息分析方法,所提方法获取的故障特征更全面、准确。

基于全矢谱核函数主元分析的旋转机械故障诊断方法研究

结合全矢谱和核函数主元分析的各自优点,提出了一种基于全矢谱核函数主元分析的旋转机械故障诊断新方法。该方法充分利用了全矢谱提取回转信息的完整性和全面性,同时又利用了核函数主元分析具有处理非线性问题的能力。提出的方法与传统的核函数主元分析方法进行了对比,试验结果表明提出的方法是有效的,非常适合提取旋转机械故障的非线性特征,并能很好的进行旋转机械的故障模式识别。

基于全矢谱和动态支持向量数据描述的滚动轴承故障诊断研究

传统的单通道信号分析容易造成信息缺失和诊断结论不一致等问题,这些问题可由全矢谱分析技术来解决。动态支持向量数据描述算法是对传统支持向量数据描述的改进算法,它的分类边界随着被测样本数的不断增加而不断更新,具有自学习能力。将全矢谱分析技术与动态支持向量数据描述算法相结合而提出全矢谱动态支持向量数据描述(vector spectrum dynamic support vector data description,VSDSVDD)的故障诊断新方法。运用全矢谱技术对数据进行处理,并提取特征矢量,作为VSDSVDD的输入参数,建立起分类模型即可以对机器运行状态进行分类。实验表明,该方法具有很好的分类准确性。

转子系统全矢振动能量谱故障诊断研究

在大型旋转机械各类常见故障中,转子系统故障是发生最多的故障之一,超过总故障的60%。传统的转子系统的故障诊断方法主要是基于单通道信号的幅值谱和相位谱特征,但由于单通道信号的不完整性以及特征量选取的不可靠,容易出现误诊或漏诊状况。为解决上述问题,提出振动能量谱的概念,并结合全矢谱技术进行双通道信息融合,形成全矢振动能量谱,将其运用于转子系统的故障诊断当中。实验证明,全矢振动能量谱较之于传统的幅值谱方法,能更加准确、有效的识别转子故障。

全矢谱技术在轴振与瓦振信号处理中的应用

建立了转子-滑动轴承-基础动力学分析模型,利用全矢谱技术分析了转速对轴振和瓦振以及轴振与瓦振比例关系的影响程度。结果表明,在刚性转子条件下,瓦振与轴振椭圆轨迹随转速变化较为相似;而在柔性转子条件下,两者主振矢之比和副振矢之比随转速变化更为相似。该结论为全矢谱技术在轴振与瓦振信号处理中的应用提供了理论参考。

基于FV-FBE的滚动轴承故障诊断研究

针对单通道信号不能全面提取旋转机械的振动信息,为了从强背景噪声中准确提取出滚动轴承的微弱故障特征,提出了一种全矢频带熵(FV-FBE)的滚动轴承故障诊断算法。该方法采用短时傅里叶变换计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行滚动轴承的故障识别。实验结果表明:FV-FBE算法可以全面准确地提取滚动轴承故障特征,优于谱峭度算法得到的全矢包络谱,抗干扰能力强。

全矢谱技术在齿轮故障诊断中的应用

以齿轮传动系统为研究对象,针对转子振动信号的信息源不足问题,采用全矢谱技术的信息融合分析方法,更真实、可靠地反映出齿轮的振动特征,实现齿轮故障诊断的信息全面和高分辨率的特点.

基于全矢谱的旋转机械回转相位及应用研究

研究了旋转机械故障诊断中转子截面相互垂直两个同频信号的相位差信息,揭示了相互垂直两个信号的不同相位差对应不同的合成运动轨迹图形,推导出全矢谱分析理论中初相位的角度大小,并由初相位绘制出双截面、多截面转子的空间振形,最后通过实例将全矢谱理论结合转子空间振形和初始相位差信息应用到旋转机械不平衡故障分类中。结果表明:由初相位绘制的空间振形图可以有效地区分旋转机械不平衡故障中发生的具体形式,提高了故障诊断的准确性。

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。

全矢AR-Kalman滤波的机械故障趋势预测方法研究

旋转机械故障趋势预测中,为提高预测结果的可靠性和精确性,提出一种基于全矢谱技术的AR-Kalman滤波方法。该方法采用全矢谱技术对故障特征进行双通道提取,相比于传统单通道信号提取,该技术保证了信息提取的全面性和完整性,采用Burg算法对AR模型参数进行估计,采用卡尔曼滤波对参数进行修正,同时,对预测结果进行实时修正。实验结果表明,全矢AR-Kalman滤波方法能有效地对旋转机械的故障趋势进行预测,新方法明显提高了传统AR模型在中长期预测的精度。

基于全矢-CNN的轴承故障诊断研究

针对传统智能故障诊断系统需要大量先验知识,以及模型复杂度高和单通道信号不完整造成信息遗漏的问题,将全矢谱技术与卷积神经网络(CNN)结合,提出一种新的滚动轴承的故障诊断模型。该方法将全矢谱技术与深度卷积神经网络结合,相比于单通道数据建立的模型而言,具有特征信息完整、模型适应性强等优点。首先利用全矢谱技术对采集的双通道信号进行信息融合,得到融合后的主振矢数据。然后结合主振矢数据与深度学习算法构建全矢深度卷积神经网络,模型能够自适应地提取故障特征,利用反向传播算法调节优化模型参数。实验结果表明:该方法能够提取更加完整的轴承故障信息,该模型具有更高的准确率和更好的稳定性。

基于全矢稀疏编码的滚动轴承故障识别方法

针对利用时域信号进行稀疏编码存在的特征时移现象以及单通道信号分析易造成信息遗漏等问题,将全矢谱技术与稀疏编码相结合,提出了一种新的滚动轴承故障识别方法:首先对各状态下的滚动轴承同源双通道信号进行全矢信息融合;然后将融合后得到的主振矢信号进行字典学习,以构造各类信号的冗余字典;最后利用各类字典分别重构测试样本,将其重构误差的大小作为判断样本状态类别的依据.该方法通过将时域信号全矢融合后转化为主振矢信号,其训练样本中所包含的信息更加全面准确,且免去了特征提取步骤,减少了人为因素的影响.实验结果表明,该方法计算效率高,实用性好,可有效判断出滚动轴承的故障类型.