基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于叶尖定时数据奇异值分解的振动事件识别

叶尖定时数据自动化测量及处理是旋转机械在线监测和智能运维的必要环节,快速、准确判断叶片振动类型,实现振动事件识别是数据自动化测量及处理的关键。提出了一种基于加窗叶尖定时数据奇异值分解的振动事件识别方法,仅需单只传感器准确识别叶片同步、异步振动事件。基于不同叶片叶尖定时数据时延特性,加窗构造了“类重构吸引子矩阵”,根据矩阵奇异值特征实现振动事件识别。开展了方法仿真及实验验证,仿真与实验结果一致性良好,压气机试验件测试数据表明,叶片发生振动事件时第1奇异值增大为7倍以上,其中发生异步振动事件时第2奇异值增大为14倍以上,提出方法能够准确识别叶片同步、异步振动事件。

基于EMD-SSSC分解的振动信号去势

提出一种基于经验模态分解和软筛分准则的振动信号去势方法EMD-SSSC(Empirical Mode Decomposition-Soft Sifting Stopping Criterion,EMD-SSSC),根据软筛分准则自适应控制筛分过程,改善本征模态函数的混叠问题,提高经验模态分解的精度与效率,从而有效去除振动信号的趋势项。通过解析函数和两自由度弹簧-质量-阻尼系统验证该方法的有效性和精度,并进一步将其应用于实际岸桥结构健康监测中加速度响应的去势。结果表明:采用EMD-SSSC方法可以准确剔除振动信号中的趋势项,去势精度远高于最小二乘法;所提出方法既可有效用于数值积分中因积分常数的存在而出现的趋势项,也可合理去除工程实际监测信号中的趋势项。

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

基于改进傅里叶分解的齿轮箱振动信号处理

为了提高齿轮箱运行精度,设计了基于改进傅里叶分解的故障诊断方法。把一个复杂非平稳信号以自适应方式分解成包含多个瞬时频率的傅里叶本征模态函数(FIMF),再对各FIMF分量瞬时幅值与频率实施预估,获得分量边际谱与初始信号时间频率的能量分布状态。对转子碰摩信号分析可以看到计算得到的第一个IMF包络谱与最初的4个IMF频谱。对滚动轴承中存在内圈故障振动信号分析,FIMF分量形成的包络谱内含有更少的低频信号。该研究可以拓宽到其他的传动领域,具有很好的应用价值。

基于CEEMDAN-Hilbert变换的振动信息分解

为了对轴箱振动信息进行有效时频分析,提出利用完备集合经验模态(CEEMDAN)分解对振动信息进行分解,再通过Hilbert变换求其时频谱、边际谱和奇异值,实现振动信息的分析。通过分析钢轨正常和道岔状态轴箱振动信息,实现对钢轨表面状态的判断。结论如下:正常状态的振动频率主要集中在低频,道岔状态高频部分显著增加,且能量幅值峰值约是正常状态的50倍。道岔状态的边际谱和奇异值幅值均大于正常状态,且幅值峰值约是正常状态的3倍和5倍。

基于振动信号模态分解的变压器机械故障检测方法

传统的变压器机械故障检测方法,只能监测故障发生后温度状态,并且训练误差较大,因此设计一种基于振动信号模态分解的变压器机械故障检测方法。通过计算局部梯度值,了解每个特征对于故障分类的贡献程度。改进损失函数可以提高模型的性能和准确性,建立变压器热点温度模型可以实时监测温度状态,预防潜在故障。基于振动信号模态分解提取故障节点参数特征,更准确地识别和诊断故障,最后,通过定位变压器机械故障发生位置,可以快速采取维修措施,为变压器的故障诊断提供了重要的技术支持。实验结果表明,设计的基于振动信号模态分解的变压器机械故障检测方法的训练误差保持在0.05,证明设计的方法好,有一定的研究价值。

基于振动加速度模态分解与重构的轨道局部不平顺分析方法

低地板轻轨列车的异常振动信号多为非平稳非线性信号,针对传统时频分析方法在非平稳非线性信号处理上的局限,提出将Hilbert-Huang变换(HHT)应用于低地板轻轨列车的异常振动分析研究。针对经典HHT采用的EMD方法存在的模态混叠等困境,提出了先利用完全自适应噪声集合经验模态分解(CEEMDAN)对振动数据进行分解,再通过相关系数法剔除趋势项分量,利用小波阈值法对高频含噪分量去噪,对去噪后的高频分量和低频信息分量进行加权重构,最后进行Hilbert-Huang变换的优化处理流程。以某型低地板轻轨列车为研究对象,通过HHT得到轴箱垂向加速度的Hilbert谱,获取时间—瞬时频率—瞬时能量对应关系并实现冲击点定位,结合边际谱分析振动特征计算质量指数,判断低地板轻轨列车的异常振动原因及故障模式,结果表明该方法对低地板轻轨列车振动的特征提取与振动冲击分析有效可行。

基于参数优化变分模态分解算法的列车振动信号分析研究

在地下空间施工过程中,由于监测环境的复杂性、监测传感器的误差和传播介质的反射等原因,列车振动信号中混杂着大量的噪声。为了对振动信号进行最大限度的提取,提出了一种基于参数优化的变分模态分解算法进行降噪处理。利用试算法确定惩罚因子α,中心频率法确定模态个数K,将原始信号进行变分模态分解获得多个本征模态函数。并通过均方误差及相关系数等指标去除噪声,提取有效信号,从而达到降噪效果。将VMD、EMD、EEMD 3种降噪方法对比分析,结果表明:VMD算法不仅能成功去除高频噪声,而且对低频信号分量影响较低,验证了该算法的可靠性和有效性。

基于轨道板振动加速度的钢轨振动加速度反演估计与现场验证

为研究高速铁路轨道板与钢轨之间的时空关联规律,提出变分模态-转换器(Variational Mode Decomposition-Transformer, VMD-T)反演模型,该模型通过分解轨道板振动加速度来反演估计钢轨振动加速度.首先,对数据进行预处理并利用双门限法检测振动端点,分离振动信号与静默信号、干扰信号,再将提取后的振动信号整合输入到VMD-T模型.其次,利用VMD模型将轨道板振动加速度数据分解成一系列不同的子模态,并网格遍历搜索与钢轨振动加速度相关系数最大的子模态,以降低原始数据的复杂度以及非平稳性,提升Transformer模型的特征抽取能力.然后,通过Transformer模型对搜索出的轨道板振动加速度子模态与钢轨振动加速度数据进行反演估计训练.最后,将该模型应用于某城际高速铁路轨道板与钢轨实测振动加速度数据反演估计试验.现场高铁试验结果表明:与单一Transformer模型相比,VMD-T模型均方根误差(RootMean Squared Error, RMSE)、绝对平均误差(Mean Absolute Error, MAE)及决定系数(R2_score)分别提升近20%、11%及48.1%,特征学习能力更强,反演估计效果更佳,初步实现钢轨垂向振动加速度幅值非接触式监测估计.

基于动态模态分解的Π形梁涡振流场特征分析

为探索Π形桥梁断面的涡振机理及气动措施的抑振原理,采用动态模态分解方法,结合计算流体动力学数值模拟,对某Π形桥的不同工况进行流场解耦和对比分析.结果表明,主梁下表面方腔内的不稳定涡是导致Π形梁涡激振动的重要因素,增设2道四分点下稳定板将空腔分割成3个较小的区域,可减少下缘分离涡的形成空间并降低空腔内涡的强度和尺度,从而有效抑制涡振.第2阶分解模态与结构振动同频,是引起涡激振动的主导模态;此模态能够直观揭示流场中主涡的形成和发展,简化流场分析的复杂性.第3、4分解阶模态与结构的涡振频率存在明显的倍频关系,能够精确捕获涡激力中的高频成分,有利于深入理解涡激振动的瞬时变化特性,制定更为精细的抑振措施.

小净距隧道掘进爆破及其振动响应规律研究

为了研究爆破荷载作用下小净距隧道中夹岩区的动力稳定性问题,依托小龙门隧道爆破工程,开展了现场爆破振动监测试验。通过改进的变分模态分解(variational mode decomposition,VMD)与多尺度排列熵(multi-scale permutation entropy,MPE)算法对爆破振动信号进行消噪处理,基于此分析了掏槽孔与周边孔爆破在后行洞左拱腰(非中夹岩区)、右拱腰(中夹岩区)中产生的振动特征差异。结果表明:采用改进的自适应VMD-MPE算法可以有效消除振动信号中的噪声,并降低了主观决策的影响;此外,相对于非中夹岩区,中夹岩对爆破振动具有明显的放大效应,其质点峰值振速明显大于非中夹岩区,但中夹岩区的振动衰减速度更快;同时,通过对比非中夹岩区与中夹岩区各测点振动频率特征可以发现,中夹岩区小于40 Hz的低频振动能量占比较大,更易引起支护结构的共振,发生损伤与破坏的风险更高,应重点关注;受“转角削弱”作用以及地震波传播路径的影响,在比例距离SD小于等于11.57 m·kg^(1/3)范围内,周边孔爆破在掌子面后方围岩中产生的振速大于掏槽孔。

基于四维张量特征分解的风电机组轴承故障缺失数据恢复方法研究

针对风电机组轴承故障信息采集过程中数据缺失导致故障类型无法识别问题,提出了一种基于四维张量模型特征分解恢复缺失数据的方法。首先,基于转速、时窗、经验模态分解和时间4个维度构建四维张量;其次,通过加权优化算法实现张量填充,修补故障数据的缺失值;然后,对张量进行Tucker分解得到核心张量及因子矩阵;最后,基于梯度优化算法进行迭代优化得到最终核心张量及因子矩阵,并利用二者对四维张量进行重构得到恢复数据。采用实验数据和实际数据来验证提出方法的有效性和可靠性。结果表明:两组恢复数据的RMSE值分别为0.3169和0.0291,远小于4种对比方法的RMSE值。利用双稳态随机共振对2组恢复数据进行故障特征提取,信噪比显著提高,分别为-13.2647和-15.5212,进一步验证提出方法的准确性。

基于特征判定系数的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和特征熵权法(entropy weight method,EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis,CCWK)原则筛选CEEMDAN分量并重构信号,在实现剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数实现单一数据诊断变压器故障类型;通过主成分分析法减小混合域特征尺度,采用鸡群优化算法优化支持向量机(support vector machine,SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析,结果表明与概率神经网络和SVM等变压器故障诊断方法相比,文中方法能在提前定性故障类型的同时,进一步提高变压器故障诊断的准确率与效率。

基于EEMD⁃Hilbert变换的爆破振动信号频带⁃能量分布特征研究

为研究爆破地震波传播时的能量分布规律,以某基坑爆破工程为工程背景,利用EEMD⁃Hilbert工具,分析了同一测点不同方向、同直线不同爆心距以及同爆心距离不同最大段药量的爆破振动信号。结果表明,垂向信号能量主要集中在中频带,水平径向信号能量在中、低频带均有分布,水平切向信号能量主要集中在高频带;同次监测下,随着爆心距增大,信号高频能量衰减得更快,信号能量分布占比从高频向低频转移;爆心距相等的情况下,增加单段最大药量会促进信号低频能量占比增加,药量显著增大时,低频信号占比增加更为显著。

基于快速自适应经验模态分解的高速经编机振动分析

针对某型高速经编机在高转速下结构振动过大以及机构运动信号与结构振动信号相混叠,故障特征难以分离的问题,提出基于快速自适应经验模态分解(FAEMD)算法的经编机振动故障诊断方法。首先运用FAEMD算法将原始振动信号分解成有限个本征模态函数(IMF),然后计算各IMF分量与原信号的相关性,结合经编机运动特点,判断其中相关性最大的本征模态函数为机构运动分量并去除,最后将剩余分量重组实现结构振动信号的提取。将该方法应用于经编机振动故障诊断中,对动态振动数据进行处理,结合静态固有频率测试,成功提取出与实际故障现象相同的信号频率特征,判断出经编机在高转速下振动过大的原因,为后续经编机振动优化提供了参考。

基于MEEMD算法的二冲程柴油发动机机体振动分析

二冲程低速柴油机具有复杂的振动特性,传统的经验模态分解(Empirical Mode Decomposition,EMD)算法对其振动信号处理效果不理想。为此,采用修正多元集合经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)算法对低速柴油机机体振动信号进行分解。首先,采用三轴加速度计测量发动机机体振动。然后利用均方根(Root Mean Square,RMS)对三轴振动强度进行分析。最后,对x轴上的信号进行MEEMD分析。结果表明:砌块在x轴方向的振动强度最大;与EMD算法相比,MEEMD算法可以抑制模态混合,有助于更好地识别块振动激励。

基于WPES与MEEMD的船用主机振动研究

为揭示船用长冲程低速柴油机健康状态下的振动特征,采用小波包能量谱(Wavelet Packet Energy Spectrum, WPES)和改进的总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)结合的特征提取方法,对典型推进工况下低速机的表面振动信号进行3层小波包分解和重构。通过对能量占比较大的节点采用MEEMD方法进行分解,获得IMF1分量频谱。研究结果表明,在40%以下的较低发动机负荷时,各单次燃烧循环的振动波动较小,振动幅值基本一致。提升至50%以上发动机负荷时,燃烧引起振动波动明显增强。50%工况下,中高频能量占总能量的41.51%,为主要振动源。

暖通空调小流量风机机械振动信号自适应采集研究

当暖通空调小流量风机运行时,频繁产生的脉冲噪声增加了信号采集的复杂性并引入了干扰,使得采集到的振动信号含有大量不必要的噪声成分,降低了采集精度和准确性。为此,提出暖通空调小流量风机机械振动信号自适应采集方法。使用经验模态分解方法对振动信号进行处理,获得信号在时域和频域上的特征信息。根据振动信号的频率特征,设计自适应变采样算法在不同的时间段内动态地调整采样率,采集风机振动信号。使用数学形态滤波器调整信号的形状,去除脉冲干扰以提高采集信号的精度,并进一步优化信号的质量。实验结果表明,所提方法的振动信号自适应采集精度高,且采集时间短。