信号频谱的二维向量及其应用

往复机械设备振动加速度信号频谱很复杂，研究其复杂频谱的度量描述方法将对这类设备状态的监测和诊断有重要意义。指出频谱的一维谱熵指标的局限性，提出具有位置维的频谱二维向量指标。通过在往复式压缩机气阀状态监测和诊断方面的两个应用实例的验证，说明二维向量指标较全面地反映了频谱的特征，比一维谱熵指标有明显的优越性。这种指标在机械信号复杂频谱的分析中会有好的应用。

基于电力变压器振动信息的绕组形变诊断方法

变压器绕组的机械形变为变压器安全运行埋下事故隐患,为此,提出一种基于振动法的变压器绕组机械状态诊断方法。诊断过程中,通过负载电流与振动信号基频进行拟合匹配初步判定绕组状态;采用小波包变换对变压器绕组不同状态下振动信号进行分析,以振动信号能谱熵作为特征输入向量;利用改进后的多分类支持向量机对特征向量进行训练与测试,实现了变压器绕组不同状态的分类诊断。通过对S11-M-500/35型实际变压器绕组不同状态下进行负载试验,采集对应机械及电气参量数据,用所提出诊断方法对变压器绕组机械状态进行诊断,结果表明:在准确判断绕组正常及故障状态的同时,故障类型诊断结果准确率达到96.78%以上,从而验证所提出诊断方法应用于变压器绕组故障诊断的有效性和准确性。

基于自适应频率切片小波变换的滚动轴承故障诊断

频率切片小波变换(frequency slice wavelet transform,FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform,AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。

基于过程功率谱熵SVM的转子振动故障诊断方法

针对旋转机械振动过程的复杂性和振动故障产生的随机性以及振动故障样本获取难的问题,在信息熵理论的基础上,融合了支持向量机(SVM)小样本、全局性和泛化性好的优点,提出了过程功率谱信息熵(功率谱熵)SVM的故障诊断方法。结合转子实验台,得到了4种典型振动故障在多测点多转速下的数据,通过计算提取了其功率谱熵特征值作为故障样本,即故障向量,并建立SVM诊断模型,对转子振动故障的类别、严重程度和部位识别诊断,验证了该方法在转子振动故障诊断方面效果良好。

基于时频奇异谱和RVM的柴油机故障诊断研究

提出一种基于双树复小波包时频奇异谱和关联向量机的柴油机故障诊断方法,针对连续小波时频分布计算量大,分析速度慢,运用双数复小波包分解提取柴油机缸盖振动信号中的时频分布特征,并进行奇异值分解,结合柴油机运行的时域特点,通过特征优选,形成组合特征集,输入关联向量机多类分类器,从而实现柴油机的故障诊断。试验结果表明,该方法分析速度快,故障识别效果好。

基于DT-CWT自适应Teager能量谱的轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波变换和Teager能量谱结合,提出了基于双树复小波自适应Teager能量谱的早期故障诊断方法。首先,利用双树复小波将采集到的振动信号分解为不同频带的子信号,并计算各子带的频带幅值熵;然后,将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳阈值,从而自适应并且有效地提取出共振带;最后,对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。

基于谱熵及分形理论的压缩机气阀故障诊断

压缩机组振源较多,振动信号背景噪声强烈、干扰大,通过检测振动信号细微特征变化识别故障征兆异常困难。为此,从系统特性的角度出发,选择信息熵及分形维数作为特征参数,提取气阀无故障、轻微漏气与严重漏气3种典型故障信号特征,采用聚类分析方法来判断气阀故障。应用表明,较之传统的诊断方法,基于谱熵及分形理论的诊断方法具有故障特征提取工作量小、容错性强、准确率高的特点。

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。

一种轴流通风机故障诊断方法

针对现有基于谱分析的轴流通风机故障诊断方法只将故障类型和频谱特征值进行简单关联而导致诊断效果较差的问题,提出了一种基于矢椭谱和隐Markov模型的轴流通风机故障诊断方法。该方法首先将轴流通风机同一截面内互相垂直的2个振动信号在时域上直接融合为复信号,并对该复信号进行快速Fourier变换,获得多个特征频率下振动信号的全谱幅值;然后用不同故障状态下振动信号的全谱幅值训练隐Markov模型;最后以实时振动信号的全谱幅值作为隐Markov模型输入量,采用Viterbi算法计算隐Markov模型输出的似然概率,根据最大似然概率对数判断故障类型,避免了将振动幅值和故障类型进行简单关联。试验结果表明,该方法的故障诊断正确率达90%以上。

基于GAPSO-SVM的多级齿轮箱故障诊断新方法

多级齿轮箱是机械传动的重要部件,针对运行过程中的状态识别问题,研究并提出一种基于振动信号的小波包分解能量谱特征提取和支持向量机(support vector machine,SVM)的智能评估新方法。用小波包分解算法对振动信号进行分解,提取时频信号的能量谱构建多级齿轮箱状态特征集,训练SVM模型。针对SVM的惩罚因子C和高斯核参数g选择困难的问题,结合遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization,PSO)的基因粒子群算法(genetic algorithm-particle swarm optimization,GAPSO)优化SVM参数。GAPSO同时具有GA全局搜索的性能和PSO快速收敛特点。将优化后的SVM算法应用于多级齿轮箱故障诊断,结果表明,GAPSO-SVM模型故障识别精度为98.55%,高于基本的SVM、PSO-SVM和BP神经网络,而且泛化能力强,该方法更适合多级齿轮箱故障诊断。

全矢FSWT方法在轴承故障诊断中的应用

针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。

基于ASSD-MOMEDA-FWEO相结合的滚动轴承故障诊断

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采用合成峭度与斯皮尔曼等级相关系数(SRCC)作为联合判据,自适应确定奇异谱分量个数后,根据合成峭度最大原则筛选出最佳奇异谱分量。然后,利用MOMEDA算法对最佳奇异谱分量作进一步解卷积处理,实现故障特征强化放大。最后,通过FWEO算法获取解卷积信号的瞬时能量信号,并通过傅里叶变换(FFT)得到瞬时能量谱,从中拾取出故障特征信息。仿真和试验信号分析结果表明,所述方法可有效提取强噪声下微弱故障特征,实现轴承故障精确诊断。

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。

基于多分辨率奇异谱熵和支持向量机的轴系故障诊断及其应用

运用Mallat小波算法将被测信号分解为不同频带,并进行信号重构,然后利用奇异值分解,提取不同尺度下的信号奇异谱熵作为特征向量.以特征向量为基础,运用多类支持向量机识别故障类型.以渔船轴系故障诊断为例,设计了轴系故障模拟实验台,研究表明:该方法能有效地进行特征提取和故障分类。

基于VMD-MMPE的轧机轴承滚动体与保持架故障诊断

针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多元多尺度排列熵(multivariate multiscale permutation entropy,简称MMPE)的故障诊断方法,并结合粒子群优化支持向量机(particle swarm optimization-support vector machine,简称PSO-SVM)实现故障分类;其次,轴承振动信号经VMD处理为若干模态分量(intrinsic mode functions,简称IMF),选最优分量进行包络分析;然后,针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点,采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量;最后,基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)与局部均值分解(local mean decomposition,简称LMD)方法对比表明,VMD-MMPE可以优化模型的输入,提高模型的诊断正确率和速度,实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断,具有重要的工程意义。

基于VMD的地铁车辆平轮状态监测和诊断

针对地铁车辆轮轨振动信号信噪比低、非线性、不平稳等特点,为更好地提取地铁平轮的故障特征,提出一种基于变分模态分解(VMD,variationl mode decomposition)和包络谱熵的地铁平轮故障诊断方法。首先,构建虚拟仿真信号做变分模态分解,并与经验模态分解进行对比分析,说明VMD方法的有效性,再对实测4种工况的轮轨振动信号进行变分模态分解,求出不同分解模态的包络谱熵值,最后采用支持向量机分析故障诊断效果。试验结果表明:提出的方法能够有效地提取平轮故障特征,对地铁车辆平轮故障状态具有良好的诊断效果。

全矢积频谱在滚动轴承故障诊断中的应用

局部均值分解(LMD)可将采集的时域信号分解为多个单分量信号(PF),全矢谱(FVS)技术可将双通道信息相互融合,防止单通道信息不完整。在此基础上,借鉴边际谱的思想,提出了一种新的解决方式—积频谱(FAS):采集滚动轴承的同源双通道振动信号,用LMD对同源双通道的振动信号进行处理,得到双通道各个分量的瞬时幅值和调频信号,并对调频信号进行计算得到各个分量的瞬时频率,由此可求出各通道LMD的时频分布;对时频分布进行频率上的积分后,再通过傅立叶变换求出各通道的积频谱;并通过信息融合,将得到的全矢积频谱和单通道积频谱进行对比。选择有外圈故障的滚动轴承进行试验,试验结果表明,该方法是有效的。

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。

基于小波变换和高阶特征提取的直驱风机轴承故障诊断方法

为了提高直驱风机稳定发电能力,提出一种新型电机轴承故障诊断方法。采用小波变换对轴承的滚动体、内圈和外圈振动信号进行分解,利用小波能谱熵和高阶统计量的双谱计算振动信号特征值,使用支持向量机根据特征值构造故障分类器,最后通过仿真验证所提故障诊断方法的有效性。