基于VMD的某涡轴发动机转子振动信号分析

针对涡轴发动机转子振动特性,提出遗传算法优化的VMD方法。以VMD分量信息熵最小化为适应度函数,运用遗传算法优化VMD分量数量和惩罚因子,并采用仿真案例验证了方法的有效性。基于某涡轴发动机转子振动倍频幅值包络线、试车转速曲线,仿真进气机匣、涡轮机匣的振动信号,并采用优化的VMD对振动信号进行分解,对分解后的信号进行整周期重采样后再进行频谱分析。结合瀑布图对比分析原信号和VMD分解信号,同时以试车第100s时刻的频谱图进行分析。分析结果表明:遗传算法优化的VMD能够有效地对转子振动信号进行分析,且能够识别出各转子的主要倍频成分。

一种改进的转子振动信号消噪方法研究

为提高转子振动信号消噪方法的性能,通过分析噪声成分和对应消噪方法的特点,提出了一种基于改进中值滤波与小波包消噪技术相结合的信号降噪新方法。该方法首先根据信号采样频率计算中值滤波器的窗口宽度,从而可以有效滤除含噪信号中的脉冲噪声和部分白噪声;然后再用阈值及其处理函数都经过改进的自适应小波包消噪方法去除残留在信号中的白噪声,最终得到信噪比提高的振动信号。通过仿真信号和转子实验振动信号的降噪处理,对新方法的性能进行了验证。降噪结果表明,该方法在有效消除混合复杂噪声对振动信号干扰的同时,保留了故障信号的细节特征,比一般的小波域中值滤波降噪方法更为有效。

基于改进CNN的旋转设备转子振动故障预测仿真

避免旋转设备停机维修造成的经济损失,提出基于改进CNN的旋转设备转子振动故障预测仿真。利用采集器、传感器、应用软件等设备构成信号采集系统,采集旋转设备转子的振动信号;利用小波阈值去噪算法确定小波基和分解层数,分解初始信号,去除低频噪声,重构分解后的信号;根据频带能量不同提取不同故障振动特征;建立卷积神经网络模型,确保每个卷积层均与下采样层连接,减少网络复杂度;将预处理后信号作为网络输入,确定学习率和激活函数,通过误差反向传播方式训练网络,优化参数;计算网络误差,当误差值满足设定阈值时停止更新,输出故障预测结果。仿真结果证明,所提方法可以获得清晰的振动信号波形,准确预测出转子可能产生的故障和故障类型,保障旋转设备运行安全。

基于振动信号多尺度熵的发电机故障监测方法研究

将多尺度熵计算方法应用于发电机转子信号的特征提取中,实现了对不同故障的监测与识别。首先论述了多尺度熵的基本算法及其原理,然后以模拟发电机转子励磁绕组匝间短路故障、定子电枢绕组匝间短路故障、气隙偏心故障为例对该算法进行了验证。结果表明,不同故障下转子振动信号的多尺度熵值有所不同,具有一定的可区分性;随着故障程度的增大,转子振动信号的多尺度熵平均值也将增大,可用于对发电机故障程度的监测。

基于信号分析的异步电机故障诊断方法浅析

异步电动机以其结构简单、价格低廉、维修方便、使用寿命长而广泛应用于风机、泵类、传输等设备的驱动上。目前,对生产设备的维护主要是定期维护和故障后维修。而状态监测与故障诊断是设备状态维修的基础[1]。异步电动机的故障检测方法主要分为两类:一类是基于信号检测的诊断方法;另一类是基于模型的故障识别方法。而综合国内外现有文献发现,基于信号采集的故障诊断方法更为常用和成熟,而其中又以定子电流和转子振动信号为故障信息提取来源居多。因此,本文将分析对比以定子电流和转子振动信号为故障诊断来源的典型异步电机故障诊断方法。