基于机匣振动信号的滚动轴承故障协同诊断技术

针对基于机匣测点信号的航空发动机滚动轴承故障诊断问题,提出了一种滚动轴承故障的协同诊断技术。通过最小熵解卷积消除信号传递路径的影响以增强信号中的冲击性成分;通过小波变换提取共振频带;通过自相关分析抑制频带信号中的非周期性成分并进一步提升信噪比。依托带机匣的转子试验器分别对人工故障轴承和真实故障轴承进行了两组试验,试验结果表明:相比于其他典型方法,采用所提协同诊断法得到的包络谱中故障特征频率对应的谱峰更加清晰、明显。      

转子-支承-机匣系统碰摩试验及特征提取

针对航空发动机转子系统的结构特征和转静件碰摩的动力学特征,建立了转子-支承-机匣系统碰摩模拟试验器.对叶片与机匣间轻微碰摩和严重碰摩两种工况下转子和机匣振动响应进行了试验测量,并基于连续小波变换和连续小波包能量的时-频分析方法分别对转子和机匣的振动信号进行了特征提取.结果表明机匣响应信号同时包含高频冲击信号和低频摩擦信号,轻微碰摩时以碰撞冲击效果为主,机匣响应主要为高频冲击信号;严重碰摩时摩擦效应增强,可为碰摩故障诊断和识别提供方法和依据.      

基于整机的中介轴承外圈剥落故障振动分析

针对某典型双转子航空发动机中介轴承外圈疲劳剥落故障诊断问题,基于整机振动耦合动力学模型,导入中介轴承外圈早期剥落故障模型,通过数值积分方法获取故障激励下的整机振动响应。提取并分析了中介轴承外圈剥落故障特征,从信号分析中发现:①出现了4倍外圈故障特征频率及其两侧以外圈旋转频率为间隔的调制边频带;②随着不平衡量增加,特征频率分量基本不变,边频带变得更加突出;③随着轴承游隙的增加,外圈故障引起的冲击更为强烈,特征频率及其调制边频均显著增加。通过比较从轴承座到机匣各测点信号的故障特征,结果表明中介轴承早期疲劳剥落产生的冲击通过轴承座传递到机匣将产生很大程度的衰减,在机匣测点信号中轴承故障特征基本消失。     

航空发动机转子相位差的试验研究

采用带机匣航空发动机模型转子试验器,模拟了航空发动机转子系统在不平衡力及各种碰磨力作用下的故障现象,测试分析了转子振动信号,研究了转子系统在故障与正常状态下的相位,验证了振动信号相位分析应用于发动机整机振动故障监测的可行性.     

基于特征量阈值判决的轴承故障诊断方法

针对航空发动机在不分解状态下主轴轴承故障诊断难的问题,以振动信号分析和处理为基础,以小波包分解与重构、峭度值指标、频谱分析和包络解调为预处理方式,提出了基于故障轴承和正常轴承的特征倍频能量总和占整个包络谱能量百分比的特征差异确定轴承故障的诊断方法,以凯斯西储大学深沟球轴承典型试验数据验证了该方法的有效性。验证外圈点蚀故障轴承特征倍频能量占比最高可达76%,而正常轴承特征倍频能量占比均低于6.5%。为了研究该方法对复杂传递路径下轴承故障特征的识别效果,搭建了基于模拟机匣的航空发动机主轴轴承试验台,在机匣外部布置测点,对多个转速下的滚动体划伤故障轴承和正常轴承的测试数据进行预处理后应用该诊断方法。结果表明,基于特征量阈值判决的轴承故障诊断方法适用于简单和复杂传递路径下轴承的故障诊断,可为飞行状态下的航空发动机主轴轴承故障诊断和状态监测提供方法参考。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

航空发动机双转子-滚动轴承-机匣耦合系统动力学分析

以双转子航空发动机为研究对象,建立了航空发动机双转子-滚动轴承-机匣耦合动力学模型.在模型中,考虑了低压转子与高压转子的中介轴承、高压转子与机匣的碰摩、以及滚动轴承外圈与轴承座之间的弹性支承和挤压油膜阻尼等耦合作用.在滚动轴承模型中,考虑了滚动轴承间隙、非线性赫兹接触力以及变柔性VC(Varying compliance)振动等.最后,运用数值积分方法获取了系统响应,对双转子系统响应进行动力学分析与验证.      

基于小波包分析方法的航空发动机滚动轴承故障诊断

将小波包分析技术引入到航空发动机滚动轴承故障诊断的应用研究中，给出了基于小波包分析的滚动轴承故障特征提取方法：应用小波包分解与重构算法分离出了滚动轴承的故障特征频率，识别出了滚动轴承的故障类型。通过对实际航空发动机滚动轴承故障信号的分析表明，该方法可以有效地检测和诊断航空发动机的滚动轴承故障。     

基于改进小波变换和包络分析的滚动轴承故障诊断

采用改进的小波分解和重构算法与包络分析相结合的方法,提取滚动轴承振动信号的故障特征频率。改进的小波分解和重构方法避免了 Mallat 算法频率混淆的缺陷,通过对重构信号特定频带进行包络分析,更加准确地提取了滚动轴承的故障特征频率。通过对无故障滚动轴承和内圈、外圈有故障的滚动轴承振动信号的分析,说明这种方法能够有效诊断滚动轴承的故障,并将该方法成功应用于某型航空发动机主轴承故障诊断。     

小波神经网络在航空发动机故障诊断中的应用

针对某型航空发动机构建了转子-滚动轴承动力学仿真模型,并利用该模型构造了三种发动机故障样本.研究中采用松散型的小波神经网络,先对构造的三种故障信号进行小波包特征分析,提取其能量特征向量作为神经网络的输入,再采用改进的BP神经网络分类器进行发动机故障模式识别.仿真结果表明,基于小波神经网络的信息融合技术用于发动机的故障诊断是可行的和有效的.     

基于声发射信号信息距的滚动轴承故障诊断

在信息熵理论基础上,提出了一种融合小波能谱与马氏距离的信息距滚动轴承故障诊断方法.利用双转子试验台对滚动轴承内圈故障、外圈故障、滚动体故障、内圈 滚动体故障和内圈 外圈故障进行模拟,并采集其声发射信号.利用提出的信息距方法对获取的声发射信号进行分析,成功实现滚动轴承单一故障和耦合故障诊断.结果表明该方法信息利用率高于信息熵方法,能够清晰和准确地诊断出滚动轴承早期故障,效果明显优于信息熵距的诊断方法.      

滚动轴承故障诊断的品质因子可调小波重构方法

针对轴承早期故障诊断困难的问题,提出了基于信号共振稀疏分解与品质因子可调小波重构的滚动轴承故障诊断方法.该诊断方法首先对轴承故障信号进行共振稀疏分解获得高共振分量和低共振分量;然后对低共振分量进行品质因子可调小波重构,并结合峭度分析,筛选出最佳分析信号;最后对最佳分析信号进行希尔伯特解调分析,从而提取滚动轴承故障特征信息.通过对仿真信号和实际故障信号进行分析,该方法能有效提取轴承故障信号中的冲击成分,凸显故障特征.      

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法

针对变转速下齿轮箱复合故障的故障特征提取,提出了基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法.该方法根据齿轮箱复合故障振动信号中齿轮和滚动轴承故障成分的形态差异性,先用形态分量分析将其分解为包含齿轮局部故障信息的谐振分量、包含滚动轴承局部故障信息的冲击分量和随机噪声分量,再根据实测转速信号分别对谐振分量和冲击分量进行包络阶次分析,根据各包络阶次谱诊断齿轮箱复合故障.算法仿真和应用实例表明:该方法能有效分离变转速下齿轮和滚动轴承的故障特征,且其故障特征提取效果要优于传统的包络阶次谱方法.      

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。      

航空发动机主轴轴承故障诊断

某型航空发动机的主轴轴承由于频繁出现早期失效而引起发动机故障,因此,对滚动轴承进行状态监测和故障诊断具有重要的实际意义。针对常规方法难以准确分析非平稳信号的局限性,本文研究了基于小波分析的滚动轴承故障诊断方法,通过滚动轴承外表面损伤的仿真信号进行小波包频谱分析,验证了基于小波分析的滚动轴承故障诊断方法是可靠、准确的,可以应用于航空发动机主轴轴承的状态监测和故障诊断。