小波包络解调在轧机故障早期诊断中的应用

针对轧钢机振动信号频谱成分的多样性和高低频混杂性,利用小波正交分解的多尺度多频带特性将振动信号展开到一系列相邻的小波空间上,使调制现象突显出来易于分析；再借助希尔波特包络分析技术对小波分解后的包含调制信号的分量进行解调,成功地提取出了故障早期特征。通过后期的振动数据跟踪分析,发现轧机轴承的外圈、滚动体相继出现损伤,并逐渐恶化,与停机开箱后结果基本吻合,进一步证实了小波包络解调技术的有效性。说明小波分析和包络解调技术能够有效地提取轧机轴承故障早期的特征,为设备的早期维修决策提供了重要的依据,同时可以避免恶性事故的发生。

基于改进变分模态提取的轴承早期故障诊断

针对变分模态提取(variational mode extraction,VME)在强背景噪音下初始中心频率难以确定的问题,提出了基于谱相干引导变分模态提取(SC-VME)的滚动轴承故障诊断方法。首先,引入谱相干(spectral coherence,SC)算法对信号进行处理,得到由循环频率和频谱频率构成的双频域,并结合1/3-二叉树滤波器组得到改进包络谱(improved envelope spectrum,IES);然后,以轴承故障特征频率识别的局部特征能量与频带中的IES能量占比为诊断指标,构建诊断性指示图,据此确定VME期望模态的初始中心频率;最后,通过对提取的期望模态进行包络谱分析,实现滚动轴承早期故障诊断。通过仿真和试验信号分析,结果表明所提SC-VME方法准确性更高、用时更短、效果更优。

改进的残差网络及其在滚动轴承早期故障诊断中的应用

基于残差网络的滚动轴承故障诊断已经取得一定的成果,但传统的残差网络只能将输入信号进行自下而上的单向特征提取,如果当前层丢失信号中的有用信息,后续层将无法弥补丢失的信息.特别是滚动轴承发生早期微弱故障时,故障特征容易被噪声所掩盖.如何利用残差网络,充分提取滚动轴承早期故障特征,是一个亟待解决的问题.为此,本文提出一种具有密集连接机制(dense connection residual network,DRN)的新型残差网络.在DRN中,每个隐藏层都与输入信号建立有向连接,再利用通道级联算法,将输入信号和每个隐藏层特征进行重构,从而修复深层模型中遗漏的有用信息,获得更完整的故障特征.在XJTU-SY数据集上进行实验,当信噪比达到0 dB、-1 dB、-2 dB、-3 dB、-4 dB时,DRN的准确率均保持在95%以上,说明该方法具有较好的鲁棒性.

基于振动信号的控制棒驱动机构滚轮早期故障诊断研究

针对现有研究未充分关注控制棒驱动机构(control rod drive mechanism,CRDM)的早期故障诊断问题、很难将故障特征定位至具体部件以及人工引入的故障样本与装备实际故障特征存在差异等不足,提出了一种基于振动信号的CRDM滚轮早期故障诊断方法:首先,利用寿命考核试验时机采集了某密封磁阻马达式CRDM的滚轮全寿命振动信号,基于经验模态分解(empirical mode decomposition,EMD)和Hilbert变换方法进行解调分析,获得与滚轮退化状态相关的模态成分;然后,采用时、频域分析方法获得了11个能够直接表征CRDM滚轮磨损状态的特征量,并根据退化趋势提取出与实际故障特征高度吻合的早期故障样本;最后,分别基于BP神经网络和支持向量机两种方法实现了CRDM滚轮早期故障的多特征智能诊断。结果表明:提取的滚轮早期磨损故障样本与实际运行过程保持了较好的一致性,证明所提CRDM滚轮早期故障诊断方法具有较强的工程应用价值。

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm,ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。

基于RSSD和CNNSE-BiLSTM的滚动轴承早期故障诊断

针对滚动轴承早期故障具有强噪声背景且信号弱强度导致诊断精度较低的问题,提出一种基于共振稀疏分解(RSSD)的改进一维卷积和双向长短期记忆的故障诊断方法。利用3σ原则确定轴承全寿命周期的早期退化起始点,对起始点时域信号进行RSSD降噪处理,从而提高早期微弱故障的分辨率;将数据预处理后的信号输入到添加SE注意力机制的卷积神经网络(CNNSE)中提取关键局部特征,其输出输入双向长短期记忆神经网络(BiLSTM)对当前及前后时间序列信息进行特征提取;最后,通过全连接层和Softmax层进行早期多故障分类。采用所提方法针对XJTU-SY轴承全寿命周期故障信号进行实验,结果表明:所提方法对早期微弱故障信号有更高的识别率,诊断准确率99.75%,优于其他诊断方法。

基于新型Contention网络的滚动轴承早期故障诊断方法研究

针对滚动轴承早期故障诊断问题,为了同时建模振动信号中的高频和低频特征,实现高精度诊断,提出了一种新的模型Contention。它以一种互补的方式集成了空洞卷积和自注意力机制的优点,具有同时捕捉高频和低频信息的能力。为了验证其诊断能力,首先,在完整信息原则下将振动信号连续构造成数据集;其次,搭建Contention网络并训练,其最终测试集准确度可达100%,t-SNE显示随网络层次的深入特征被明显聚类;最后,设置对照实验,将该模型与传统RNN、CNN、Transformer模型对比,证明该模型具备突出的诊断能力。

基于多尺度卷积神经网络和注意力机制的模拟电路早期故障诊断方法

模拟电路具有非线性、元件容差等特性,导致不同故障模式之间存在混叠现象,特别是模拟电路早期故障,这大大增加了故障诊断的难度。因此,提出了一种基于小波变换和多尺度特征注意力卷积神经网络(MS-FACNN)的模拟电路早期故障诊断方法,采用小波变换得到脉冲响应信号的多尺度分量,利用设计好的MS-FACNN网络自动提取更加全面且高可分性故障特征,并实现故障模式识别。此外,采用高效通道注意力(ECA)聚焦故障高相关性特征,过滤低相关性的冗余信息,进一步提升模型特征提取能力。实验结果表明,相比传统方法,所提方法具有更强的故障特征提取能力,对四运放双二阶高通滤波器早期故障诊断的准确率达到99.18%。

基于SS-EWT的IGBT驱动电路早期故障诊断

驱动电路是绝缘栅双极性晶体管(Insulated Gate Bipolar Transistor,IGBT)正常运行的重要保障。本文基于模拟电路早期故障理论,针对以EXB841驱动模块为核心的300 A/1200 V快速型IGBT驱动电路,提出了一种基于尺度空间(Scale Space,SS)改进的经验小波变换(Empirical Wavelet Transform,EWT)和误差反向传播神经网络(Back Propagation Neural Network,BPNN)相结合的早期故障诊断方法。首先在分析驱动电路硬件结构及工作原理的基础上,对其驱动功能和短路保护功能的主要元件进行灵敏度分析,分别选取相应的早期故障诊断元件;其次通过故障注入获取检测点输出数据,采用SS-EWT对数据处理后构造早期故障特征向量;最后采用BPNN对特征向量进行训练以实现对早期故障模式的识别。针对短路保护元件部分故障类别难以区分的问题,采用再训练对诊断方法进行优化。仿真结果表明,采用基于SS-EWT的早期故障诊断方法处理驱动功能元件及短路保护元件早期故障时准确率分别能达到91.04%和96.05%。

基于间隙度的变换器早期故障诊断方法

变换器早期故障特征微小,极易被电网复杂工况信号淹没,因此早期故障诊断可以避免电力系统故障发酵,保证供电安全。但传统基于电流、电压残差信号的方法难以实现早期故障诊断。引入间隙度作为一种新的度量工具,可以由系统间内部距离描述早期故障。通过卡尔曼滤波器观测的输出状态可以建立早期故障模型,将模型间的间隙度作为早期故障诊断特征,由系统内部衡量故障偏差,进行故障类别和故障强度诊断,提高系统稳定性。通过仿真实验搭建变换器模型,验证以间隙度为度量工具实现变换器早期故障诊断的有效性,通过与传统残差阈值方法比较,本文方法可以有效提高变换器早期故障诊断灵敏度同时降低误判率。

自相关结合灰色关联度的轴承早期故障诊断方法

针对滚动轴承性能衰退指标敏感度低且退化起始点难以检测的问题,本文提出了自相关函数结合灰色关联度(Autocorrelation function and gray relational degree,AF-GRD)的轴承早期故障诊断方法。首先,基于希尔伯特变换和自相关函数处理轴承全寿命数据样本组获得自相关系列函数。然后,提取轴承运行初期的第一组数据作为参考样本,计算其余样本和参考样本的灰色关联度并构建轴承性能衰退指标。最后,根据该指标的变化趋势和健康阈值确定轴承早期故障发生的时间段,截取该时段的数据样本进行希尔伯特包络谱分析实现轴承早期故障诊断。利用实验室数据库完成对轴承早期故障诊断,结果表明:所提方法敏感度高而且可以完成轴承早期退化检测。

基于AC-BiLSTM的自主水下机器人早期故障诊断研究

针对自主水下机器人(AUV)在航行中产生的早期微小故障及缓变风险,对大量时序数据进行挖掘分析,提出了一种基于混合模型和时间注意力机制的端到端AUV早期故障诊断方法(AC-BiLSTM)。该方法首先通过包含局部特征提取模块的混合模型结构对AUV故障类型与多维监测数据之间的非线性关系进行学习,然后嵌入时间注意力机制提取早期故障的关键时间特征。为了验证算法的有效性,以“潜龙二号”AUV实航数据进行试验,试验分析结果证明该方法在不均衡数据集下识别AUV早期微弱故障的可行性和优越性。

数据驱动的轴承早期故障诊断技术综述

轴承早期故障的实时诊断,是实际工程应用需求和基础科学问题研究的交汇点,是轴承故障诊断的发展方向之一。首先,阐述了轴承故障及演变过程;其次,根据轴承早期故障实时诊断的需求,总结了轴承早期故障诊断难点问题;之后,重点论述了轴承早期故障诊断3个关键环节所采用的各种技术:微小监测信号增强技术、监测数据的融合表示技术以及早期故障智能诊断技术;最后,总结展望了轴承早期故障诊断技术的发展趋势。

融合改进方差和样本熵的动力电池早期故障诊断

针对汽车动力电池早期微小故障难以检测的问题,论文基于某车实际运行电压数据,提出一种基于修正方差和样本熵相结合的动力电池故障诊断方法。首先获取某辆车动力电池系统充电片段电压数据,通过修正方差算法计算每个单体的修正方差,根据单体方差的大小对早期故障进行初步判定;同时结合单体电压序列样本熵值的大小变化情况实现汽车动力电池早期故障的精准诊断。结果表明,所提方法能够有效减弱电池单体电压不一致性的干扰,尽早挖掘出电池单体中潜藏的早期微小故障,同时样本熵的融合进一步提高了早期故障诊断的准确性。

EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难。谱峭度法能根据峭度最大化原则自动确定带通滤波器参数,取得了一定的诊断效果,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显。为此,提出一种基于EMD降噪和谱峭度法的滚动轴承早期故障诊断新方法,首先采用基于互相关系数和峭度准则的EMD降噪对采样信号进行预处理,突出高频共振成分,再利用谱峭度法选取最佳带通滤波器参数,最后使用带通滤波和包络解调进行故障诊断,并通过实际工程信号进行了验证。

小波变换及经验模式分解方法在电机轴承早期故障诊断中的应用

电机轴承早期故障的有效诊断是实现安全生产、避免大事故的技术前提。文中用高精度加速度传感器采集电机轴承振动信号,采用小波变换实现信噪分离,提取淹没在噪声背景中的早期故障特征信息,然后对提纯的信号进行经验模式分解(EMD)而得到若干个基本模态分量(IMF),再计算各基本模态分量的频谱。理论及试验研究结果表明:按此方法得到的各基本模态分量的频谱突显了轴承的故障特征信息,能有效诊断出轴承的早期故障。

基于小波相关排列熵的轴承早期故障诊断技术

针对机械系统早期故障诊断困难的问题,引入滤波效果良好的小波相关滤波法(Wavelet transform correlation filter,WTCF)和对信号微弱变化特征敏感的排列熵算法,定义一种新的小波相关排列熵(Wavelet correlation permutation entropy,WCPE)的概念,并提出基于WCPE的特征提取方法。对采集到的设备振动信号进行WTCF处理,得到信噪比较高的各层小波系数,在此基础上计算小波系数的排列熵复杂度,构造信号沿各小波分解层分布的WCPE特征矢量,并据此分析振动信号的微弱变化。通过对滚动轴承全寿命振动数据的分析,证明基于WCPE提取的信号特征不但能够准确表征轴承由正常状态到故障状态的详细变化过程,还能及时检测出轴承的早期故障。对比小波熵及小波相关特征尺度熵等其他早期故障诊断方法,该方法可显著提前滚动轴承早期故障的检出时间。

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。

多分辨EMD方法与频域平均在齿轮早期故障诊断中的研究

时域平均常用于提取旋转机械振动信号的故障特征,但当旋转机械出现早期故障时,背景噪声常会使该方法失效,当旋转机械存在多种故障时,亦不能有效的分辨。通过比较分析小波变换、Hilbert-Huang变换和多分辨分析的Hilbert-Huang变换,在分析时域平均的基础上,提出了多分辨分析的经验模态分解方法(Multi-resolution Empirical Mode Decom position,MEMD)与频域几何平均相结合的诊断新方法。工程实例的应用结果表明,所提出的方法能有效地实现齿轮早期故障诊断。