基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。     

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

基于MUDW和峭度的齿轮故障信号预处理方法

针对齿轮故障信号特征提取困难、易淹没在噪声干扰中等问题,采用形态非抽样小波(Morphological UnDecimated Wavelet,MUDW)分解和峭度对振动信号进行预处理,以强化齿轮故障信号特征和提高特征信息比重。首先,采用MUDW对信号进行分解,利用网格搜索法优选其初始参数;然后,采用峭度作为评价指标来表征各分解层近似信号对故障特征的贡献量,在此基础上进行加权融合运算,以提高有用的近似信号比重;最后,利用仿真信号和实测的齿轮故障振动信号验证了该方法的有效性和实用性。     

基于MED的滚动轴承故障特征提取方法及其应用

为提取微弱的轴承故障信号,研究了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)的滚动轴承故障特征提取方法:在利用AR模型去除齿轮啮合产生的确定性信号的基础上,对保留信号进行最小熵反褶积,增强冲击信号.该方法避免了传统轴承故障诊断方法中带通滤波器设计的难题,实车测试表明:与共振解调技术相比,该方法提取的滚动轴承故障特征更加明显,更适合于工程应用.     

液体火箭发动机涡轮泵健康监控系统

为了提高液体火箭发动机涡轮泵的安全性,降低其故障带来的破坏性,设计了某型液体火箭发动机涡轮泵健康监控系统(TP HMS),工程实现了TP HMS的测试硬件子系统、实时故障检测子系统、试车后数据分析子系统和实时数据库支持子系统等,讨论和分析了TP HMS的功能和执行流程,然后利用历史试车数据与转子试验平台数据对TP HMS中的多特征参量自适应阈值综合决策算法(MATA)进行了离线和实时在线验证;利用自适应时频谱对测试数据作进一步的分析。结果表明,MATA没有发生误检测情况,并具有实时故障检测的能力;自适应时频谱能有效抑制时频交叉项的干扰,准确给出故障信号的时间和频率信息。因此,TP HMS适合于液体火箭发动机涡轮泵健康状态监控。     

利用振动信号诊断发动机气门间隙异常故障

提出了利用气缸盖表面振动信号诊断发动机配气机构气门间隙异常故障的方法,分析了气缸盖表面振动响应与气门机构状态的关系。通过实验和计算,从气缸盖表面的振动信号得到气门间隙异常状态的信息。在此基础上,提出了一种简单有效的时域分析诊断方法。     

基于线性混合盲分离模型的电机故障诊断方法

基于定子电流信号的频谱分析方法诊断电机故障,其检测的精度易受到噪声干扰及频率分辨率的限制。为解决这一问题,提出了一种基于线性混合盲分离模型的电机故障诊断方法。该方法采用固定点算法从电机的定子电流信号中分离出故障特征信号,由观测信号估计出混合矩阵,据此计算故障特征信号的幅值,再根据幅值在电机正常和故障状态下的变化实现对电机故障的诊断。以电机转子故障为例进行了实验,结果表明:该方法可实现转子断条故障的可靠诊断,并且在短数据条件下,也能取得较好的诊断效果。     

内燃机电站联轴器配合松动故障的诊断方法

通过对联轴器在正常与故障情况下振动信号数据的分析处理,找出联轴器的配合状态特征——振动信号在频域中的能量分布关系,提出了故障判断方法。     

发动机配气机构振动信号时域分析

对康明斯6BT5.9型柴油发动机配气机构产生的振动信号进行了时域分析,采用振动加速度峰峰值作为判定发动机配气机构技术状态的特征量,并采用多通道信息融合技术实现配气机构的故障诊断。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于小波包和支持向量机的舰用发动机故障诊断

舰用发动机是一个复杂的大系统,由于受到海洋恶劣气候的影响,其故障发生的概率大大增加,因此,对舰用发动机故障诊断进行研究具有重大实际意义。以舰用发动机的主泵轴承为例,提出了基于小波包和支持向量机的故障诊断方法。首先采用振动加速度传感器获取轴承的振动信号,然后对采集数据进行多层小波包分解,求各频带信号能量,形成各种故障模式下的特征向量。将形成的故障特征向量训练集输入到支持向量机,通过训练建立诊断分类器,并运用测试数据对建立的诊断分类器进行测试。实验结果表明,该方法可以很好地实现舰用发动机故障诊断效能,具有很好的工程应用前景。     

独立分量分析在液体火箭发动机故障检测中的应用

针对液体火箭发动机试车中,因噪声干扰、不同源信号之间的混叠而造成的信号信噪比低、信号分析和特征提取难度大的问题,提出采用独立分量分析(ICA)法对液体火箭发动机试车信号进行分离,以提高信号的信噪比,并能实时反映各子系统工作过程,为数据分析、特征提取和故障检测与诊断提供可靠的信号。通过对某型液体火箭发动机热试车压强信号进行实例分析,验证了该方法的有效性。     

基于EMD、遗传算法及神经网络的柴油机故障诊断

研究了将经验模式分解(Empirical Mode Decom position,EMD)、遗传算法及BP神经网络相结合对柴油机振动信号进行故障诊断的方法。首先运用经验模式分解方法对柴油机缸盖表面振动信号进行分解并提取特征参数;然后利用遗传算法对得到的特征参数进行选择,找到对于故障诊断最为敏感的参数;最后建立了BP神经网络模型对柴油机典型故障进行诊断。通过对某型柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

匹配追踪信号分解法在进气门间隙故障诊断中的应用

介绍了匹配追踪信号分解法在发动机故障诊断中的应用。针对康明斯6BT5.9型发动机进气门振动信号,采用时域表达较为理想的高斯函数作为信号展开的基元函数进行信号分析,并进行了试验验证。     

飞机发动机关键系统智能故障诊断方法

飞机发动机是一个非常复杂的大系统,由于其结构复杂,工作环境恶劣,对其关键系统的故障进行准确诊断始终是困扰业界的技术瓶颈之一。提出了采用EMD小波阈值降噪与主元分析相结合的方法,对飞机发动机气路系统故障诊断进行了深入研究。针对某型真实飞机发动机进行测试试验采集的气路多参量数据,首先采用经验模态分解(Empirical Mode Decomposition,EMD)对气路系统各参量信号进行EMD分解,然后采用软阈值函数对其进行降噪,并进行信号重构,从而可得到飞机发动机气路工作状态有效数据。在此基础上,设计了飞机发动机气路系统主元分析故障诊断模型,并结合预处理得到的飞机发动机气路有效数据,运用所设计的主元分析故障诊断模型对飞机发动机进行故障诊断技术研究。研究结果表明,所提出的方法能够很好地诊断出飞机发动机气路系统实际运行时所出现的故障,具有重要的实际应用价值,并有广泛的应用前景。     

小波分析和神经网络结合的变速箱状态识别

针对变速箱故障信号的非平稳和时变特性，提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性，试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态，以箱体振动信号作为分析信号，首先对信号应用小波阈值法降噪减少干扰，接着将小波分解系数单子带重构得到不同频带的信号分量，提取各频带能量作为特征向量输人神经网络进行状态识别，结果表明该方法能有效识别变速箱的3种状态。     

涡轮泵状态监控及传感器故障识别的新异类检测方法

为了在故障样本稀缺、故障模式不完备的情况下监控涡轮泵状态,并剔除传感器失效故障造成的虚警,提出用于涡轮泵状态监控及传感器故障识别的单类支持向量机新异类检测方法。该方法以正常状态为目标类构建单类支持向量机检测器,用于检测涡轮泵是否出现异常;以传感器故障为目标类构建单类支持向量机检测器,用于判断检测到的异常是否属于传感器故障。对涡轮泵试车数据的分析结果表明了该方法的有效性。     

改进的BP算法在柴油机故障诊断中的应用研究

利用改进BP算法的神经网络对柴油机进行故障诊断.首先讨论了其训练算法,然后确定了柴油机故障诊断所用特征参数及故障种类,并提出特征参数数据归一化公式,最后以6-135ZC柴油机为例,将实验数据输入网络验证.结果表明,神经网络对柴油机故障识别率很高,应用于柴油机故障诊断领域是切实可行的.     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

基于人工神经网络的特征压缩方法及应用

分析了人工神经网络特征提取方法用于特征压缩的原理,研究了多层网络的隐层提取模型、Oja网络模型和基于Sanger算法的网络模型,以坦克柴油机燃油系统典型故障的特征处理为例,采用Sanger算法对特征参数进行了压缩,实现了特征空间的约简。该方法有利于简化分类器的设计,对于解决复杂设备的状态检测与故障诊断问题具有重要意义。