基于PAVME的柴油机传动机构异常振动诊断研究

柴油机传动机构振动信号具有强耦合、强冲击及强干扰特征,准确的信号特征提取是振动源识别及抑制的关键。针对变分模态提取(variational mode extraction,VME)方法在处理柴油机振动信号存在自适应性及准确性不足的问题,本研究以振动信号的峰值频率为中心频率的初始值,考虑分解信号与原始信号的相关性,以分解分量的峰峰值、均方根值及峰值因子为判定指标,提出一种参数自适应变分模态提取(parameter adaptive variational mode extraction,PAVME)算法,并通过构建强干扰环境下柴油机振动特征的模拟信号验证了该方法的准确性和鲁棒性。基于PAVME和功率谱密度函数(power spectral density function,PSD)识别出齿轮箱异常振动源为齿轮啮合激励。综合激励源和传递路径两个维度考虑,最后提出了通过轴系扭振控制进行传动机构振动抑制的方案。

基于表面辐射声信号的柴油机进气及齿轮故障诊断

利用声振信号进行发动机故障诊断过程中,部分故障激励仅在发动机表面特定位置的振动中有较强响应,振动测点要求高,需要接触测量,部分场景难以实现.为此,提出了一种以表面辐射声为媒介、以自适应变分模态提取(adaptive variational mode extraction,AVME)进行预处理的柴油机进气故障和齿轮故障诊断方法.开展了某直列六缸重型柴油机的进气滤清器堵塞、气门间隙异常和正时齿轮损伤3类故障状态的台架试验,获取了不同故障程度下发动机表面辐射噪声.基于改进的AVME方法,实现噪声信号本征模函数(intrinsic mode function,IMF)的最优分解,通过计算IMF与原信号间的互相关系数,提取高相关IMF构成故障诊断输入.经预处理后,声信号故障特征得到有效增强,再输入到麻雀搜索算法优化支持向量机模型(support vector machine model optimized by sparrow search algorithm,SSA-SVM),进行特征参量和模型参数协同优化可以获得更好的诊断精度.试验验证表明,无需在半消声室测试,仅使用单通道声信号对3类11种程度的进气系统和齿轮故障进行诊断,前端噪声准确率最高(98.89%),顶部噪声准确率最低(88.78%);使用前、顶、后三通道噪声数据后,诊断精度可提升至99.57%.研究结论为基于声信号等非接触测量的发动机故障诊断提供了参考.

基于ASMVMD和MOMEDA的齿轮特征提取方法

针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以SMVMD分解后各个通道的所有分量的平均包络谱峰值因子(Ec)之和的相反数作为寻优的适应度函数,确定了最大惩罚因子α和最大分解模态数k的最优值;然后,采用ASMVMD方法对齿轮多通道故障数据进行了自适应分解,根据Ec指标提取了各通道特定分量,并将这些分量相加,进行了信号重构;最后,采用MOMEDA解卷积处理了重构信号,进一步强化了齿轮故障的冲击特性,并利用包络谱分析解卷积信号,提取了齿轮的故障特征频率。研究结果表明:通过仿真信号和模拟实验信号的分析,可知利用ASMVMD-MOMEDA相结合的方法处理得到的信号降噪效果显著,能有效抑制无关干扰成分的影响,从包络谱中可以清晰地看到故障频率的前几阶倍频;与多元经验模态分解(MEMD)-MOMEDA相结合的方法进行对比,发现采用ASMVMD-MOMEDA方法得到的包络谱较MEMD-MOMEDA方法的谱线更加干净,各阶倍频更加明显,进一步证明ASMVMD-MOMEDA方法可以准确提取齿轮故障特征。

基于优化VMD-CNN-BiLSTM的电机轴承智能故障诊断研究

针对滚动轴承早期故障信号较弱及特征数据提取效果差,导致故障诊断准确率低以及故障诊断效率低的问题,提出一种信号处理结合深度神经网络的故障诊断方法。首先,采用变分模态分解(VMD)法提取主轴承振动数据中的特征数据;然后为了确定VMD算法中最佳的模态分量个数K及惩罚参数α,增强特征提取的效果,将最小排列熵作为适应度函数,采用全局优化能力强的正弦混沌自适应鲸鱼优化算法(CAWOA)进行参数的确定,得到最优模态分量;接着,根据最优模态分量构造特征向量,将特征向量作为CNN-BiLSTM网络的输入,实现故障的分类。最后,根据实验平台采集的数据进行实验分析。结果表明,优化VMD-CNN-BiLSTM轴承故障诊断模型相较于其他故障诊断模型,在准确率以及实时性上均有明显提升。

基于PA-VME与SPP的机械设备故障诊断方法的研究

针对传统的故障识别方法存在信号质量低和诊断精度差等问题,提出一种参数自适应变分模式提取(PA-VME)和稀疏保持投影(SPP)相结合的数据驱动机械故障诊断新方法。结合相关系数、L-峭度和信息熵构造一个新的指标L_(FCI)并将其作为适应度函数,采用粒子群算法对变分模式提取的内部参数进行优化,从而形成PA-VME模型并将其用于振动信号的模式分解;根据构造的指标能够反映信息有序度的原则,选取有效的模式分量并计算得到高维特征数据集;利用SPP将数据集通过权重矩阵投影到低维空间,实现对高维特征数据的降维和聚类分析。通过对仿真信号和实验台的故障信号进行分析,证明其对不同类型机械故障的识别精度可以达到96.87%。

基于自适应变分模态提取的低速重载滚动轴承故障诊断方法

变分模态提取(variational mode extraction,VME)作为一种以极低计算度提取特定信号模态的新方法,其通过设置期望模态中心频率来获得固有模态函数。但是,VME只能针对一个中心频率提取一个分量,无法实现多分量信号的自适应分解。对此,通过依据信号数据长度与带宽自适应设置多分量模态中心频率参数,把信号分解问题转化为多模态优化问题,在此基础上,提出了一种自适应变分模态提取(adaptive variational mode extraction,AVME)方法。此外,为解决单一指标无法衡量最优解调分量全面信息特征的问题,提出将峭度、相关系数和正交性进行融合来凸显及筛选有用分量进行解调和诊断。通过对滚动轴承故障仿真信号和实测信号进行分析,将所提的方法与现有多种信号分解方法对比,结果表明了该方法在计算耗时上和降噪方面的有效性。

自适应模态总数变分模态分解方法及其性能评估

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。