附加质量对自由边板振动影响研究

放置在矩形板上的设备会改变矩形板振动特性,这类问题可抽象为有集中质量的矩形板模型。利用差分法求解有集中质量对边自由对边简支矩形板自由振动特性,并研究在简谐力作用下有集中质量板振动功率流传播特性。根据功率流的矢量图和流线图,分析不同质量分布对板内功率流传播特性的影响。通过频率波数谱分析,研究集中质量对振动波数的影响。结果表明:集中质量会改变振动功率流集中位置并形成涡漩,集中质量间隔减小可以起到降低矩形板振动响应幅值的效果。

全矢-ARMA模型在机械振动强度预测研究的应用

单通道预测方法由于获取振动信息不完善,导致预测结果一致性差,从而不能很好地实现故障的预测.通过全矢谱获得的频谱结构具有唯一性的特点,能够很好地弥补单通道的不足,在此基础上,将时序预测方法 ARMA模型与全矢谱技术相结合,提出了全矢-ARMA模型,并把该方法应用到机械振动强度预测研究中.实验表明,该方法预测结果与实际较吻合.

基于全矢谱-ARMA模型的机械振动强度预测研究

单通道预测方法由于获取振动信息不完善的缺陷,导致预测结果一致性差,从而不能实现故障的预测。针对单通道信息不完善的缺陷,将时序预测重要方法 ARMA模型结合基于同源信息融合技术的全矢谱技术,提出了全矢谱-ARMA模型预测方法。全矢谱是由互相垂直的两个通道获取的信息融合而成,在同一截面其频谱结构不会随着一对传感器安装的方位不同而变化。通过全矢谱获得的频谱结构具有唯一性,因此该方法能够实现预测并且结果一致性好,从而能够实现对故障的预测。实验表明:该方法预测结果好,并且比较实用。

旋转机械的全信息能量谱分析方法研究

对旋转机械回转能量谱进行研究。建立回转能量谱的概念 ,定义两种全矢能量谱 ,导出全矢能量谱基于复合信号的简洁计算公式 ,并将其应用于实际故障诊断系统中。实践表明 ,全矢能量谱作为对转子涡动信号处理的能量分析方法 。

机械故障矢功率谱—支持向量机识别方法研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。

基于振动能量的设备状态评价方法研究

论研究单自由度系统强迫振动时振动能量与振动疲劳寿命之间关系,然后用ANSYS/FE-SAFE软件对简支梁进行横向弯曲振动疲劳分析,结果表明,在一定范围内,振动能量越大,振动疲劳寿命越短,反之亦然,因此可以用振动能量对设备状态进行评价。对于测得的速度信号,可通过时域或频域积分的方法求得位移进而得到振动能量,也可以对信号进行频谱分析得到各频率下的幅值从而求得振动能量,后者更加方便准确。最后使用健康度定量描述设备的健康状态。

基于AR-Kalman的机械设备状态趋势预测方法研究

为提高AR模型的趋势预测精度,结合AR模型和卡尔曼滤波方法,提出了一种新的机械设备状态趋势预测方法。该方法利用AR模型作为预测器,以卡尔曼滤波方法作为实时修正器,进行趋势预测。实验结果表明,该方法能有效地对机械设备的运行状态趋势进行预测,明显提高了预测准确度。

高速转轴的空间进动及振动特征研究

探讨了受水平、垂直和轴向振动激励下高速转子的进动与振动特征。建立了基于转子回转特征的振动矢量强度概念 ;定义了主振矢、副振矢等回转评价参量 ;导出了几种基于复合信号的简洁计算公式 ;研究了其数值算法。研究表明 :考虑轴向激励时高速转子的空间回转特性与平面回转特性有许多相同之处。各谐波下的空间回转轨迹为一平面椭圆 ,且最大振动矢量在该椭圆的长轴方向 ,各评价参量均可以由较为简洁的数值计算给出。这对于全方位探讨旋转机械的回转特性及故障诊断具有十分重要的工程意义。

基于全矢谱的旋转机械谱强度预测技术研究

针对旋转机械单源振动信号信息具有不完善性的缺陷,基于数据融合思想,将全矢谱技术与时间序列预测技术相结合,提出了基于全矢谱技术和时间序列技术的预测方法,并给出其运算方法。实验表明,该方法能够全面、准确地反映机械运转状态的发展趋势,是一种准确、有效、实用的旋转机械状态预测方法。

基于多源信息融合的旋转机械故障诊断专家系统的研究和实现

针对目前旋转机械故障诊断专家系统利用多源信息的不足,对旋转机械双通道振动信息及相关工艺信息进行多源信息融合,借助于EXSYS专家系统工具编写知识库并进行推理,实现了基于多源信息融合的旋转机械故障诊断专家系统,提高了诊断的准确度,并在实际生产应用中得到了较好的效果。

旋转机械不对中形式的新分类及其故障诊断研究

根据转子不对中故障产生的机理,针对传统不对中故障分类过于概括、对实际排除不对中故障指导意义不太明确的缺点,根据联轴器两端支承轴承的不同状态,提出转子不对中故障的新的分类形式——同侧轴承不对中、异侧轴承不对中、混合不对中,并与传统分类方法进行比较,探讨新的不对中形式与传统不对中形式的关系,给出新分类方法中各类不对中故障的机理及振动特征。研究结果表明:对于同侧轴承不对中,壳体振动频谱中2倍频特征明显而轴振频谱2倍频不明显;异侧轴承不对中相当于传统分类中的平行位移不对中,而混合不对中相当于传统分类中的综合位移不对中。现场诊断案例证明该分类方法的有效性。该研究成果为提高转子不对中故障诊断的准确率、更加有效地指导现场操作人员排除故障提供参考。

转子系统全矢振动能量谱故障诊断研究

在大型旋转机械各类常见故障中,转子系统故障是发生最多的故障之一,超过总故障的60%。传统的转子系统的故障诊断方法主要是基于单通道信号的幅值谱和相位谱特征,但由于单通道信号的不完整性以及特征量选取的不可靠,容易出现误诊或漏诊状况。为解决上述问题,提出振动能量谱的概念,并结合全矢谱技术进行双通道信息融合,形成全矢振动能量谱,将其运用于转子系统的故障诊断当中。实验证明,全矢振动能量谱较之于传统的幅值谱方法,能更加准确、有效的识别转子故障。

全信息小波能量熵及其在旋转机械状态监测中的应用研究

结合全信息技术、小波分析以及信息熵的基本理论,提出全信息小波能量熵的概念。用小波分析将两个垂直通道的信号分别分解至不同的频率带,综合所有分解系数计算得到小波熵,对融合信号能量分布的紊乱程度进行量化。仿真计算表明,全信息小波能量熵能反映融合振动信号能量分布的复杂性,且对能量分布的变化较为敏感,可作为衡量设备工作状态的指标,应用于旋转机械状态监测中。

基于全矢谱的旋转机械回转相位及应用研究

研究了旋转机械故障诊断中转子截面相互垂直两个同频信号的相位差信息,揭示了相互垂直两个信号的不同相位差对应不同的合成运动轨迹图形,推导出全矢谱分析理论中初相位的角度大小,并由初相位绘制出双截面、多截面转子的空间振形,最后通过实例将全矢谱理论结合转子空间振形和初始相位差信息应用到旋转机械不平衡故障分类中。结果表明:由初相位绘制的空间振形图可以有效地区分旋转机械不平衡故障中发生的具体形式,提高了故障诊断的准确性。

全矢AR-Kalman滤波的机械故障趋势预测方法研究

旋转机械故障趋势预测中,为提高预测结果的可靠性和精确性,提出一种基于全矢谱技术的AR-Kalman滤波方法。该方法采用全矢谱技术对故障特征进行双通道提取,相比于传统单通道信号提取,该技术保证了信息提取的全面性和完整性,采用Burg算法对AR模型参数进行估计,采用卡尔曼滤波对参数进行修正,同时,对预测结果进行实时修正。实验结果表明,全矢AR-Kalman滤波方法能有效地对旋转机械的故障趋势进行预测,新方法明显提高了传统AR模型在中长期预测的精度。

双谱和支持向量数据描述相结合的机械故障诊断研究

针对机械智能监测和故障诊断中故障样本缺乏的问题,提出了一种支持向量数据描述和用双谱提取故障特征值相结合的机械故障诊断方法。该方法可以只利用正常状态数据样本来建立单值分类器,判别机器的运行状态。高阶谱能有效地抑制噪声,对不同类型的故障,高阶谱存在明显差异。采用双谱对角切片对原始数据信号进行特征提取,将特征值作为SVDD的输入参数进行分类。运用该方法在滚动轴承的故障诊断中。

基于矢谱和D-S理论的旋转机械故障诊断方法研究

旋转机械结构复杂,不同方面的特征信号只从不同侧面反映设备的故障,都有一定的局限性。在对旋转机械进行故障诊断时,需要对设备的多种特征信号进行融合处理和综合诊断。运用多神经网络与证据理论融合的设备故障综合诊断方法,有效提高诊断结果的准确性和可靠性。

旋转机械虚拟探头融合检测技术研究

针对旋转机械振动检测中易造成的强度和谱结构误差,提出一种基于同源数据融合方式的虚拟探头检测方法.该方法将探头虚拟在任一谐波轨迹的最大强度方向,为提取各谐波的最大强度提供了理论依据和计算方案.该方法不仅可以方便地从截面检测拓展至三维空间,而且可以方便地推广到其他数据处理方法.构建了一种全新的基于数据的检测分析体系.对于提高旋转机械检测的精确度和故障诊断的准确率,具有重要的理论和工程意义.

基于矢谱和模糊Petri网的旋转机械故障诊断研究

讨论了矢谱融合技术和模糊Petri网的相关理论,提出了基于矢谱和模糊Petri网的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断Petri网模型。模拟实验结果表明:与基于单通道数据的诊断结果对比,矢谱和模糊Petri网应用于旋转机械常见故障进行诊断,可有效提高旋转机械故障诊断的准确率。

基于矢谱和L-M神经网络的旋转机械故障诊断研究

讨论了矢谱融合技术和Levenberg-Marquardt(L-M)神经网络的相关理论,提出了基于矢谱和L-M神经网络的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断L-M神经网络模型。模拟实验结果表明:与基于单通道数据的诊断结果对比,将矢谱数据融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率。