基于谱峭度与双谱的轴承故障诊断方法

针对强背景噪声情况下的轴承故障诊断问题,提出了一种基于谱峭度与双谱的轴承故障诊断方法。该方法采用谱峭度检测振动信号瞬态频带,利用最优带通滤波器抑制振动信号中的噪声得到滤波后信号。由带通滤波器的带宽确定低频矩形区域,计算落于该区域内的信号包络的局部双谱图,依据局部双谱图诊断轴承故障。仿真分析表明,强背景噪声和滚动体滑动会造成传统轴承故障诊断方法（如峭度、功率谱、包络谱）失效,而该方法能够有效地抑制噪声,更准确地诊断轴承故障,并通过6205-2RS JEM SKF轴承诊断实例,说明了该方法的有效性。     

一种空间轴承的自适应共振解调故障诊断方法

针对传统共振解调故障诊断方法中需依赖主观经验和反复调试选取合适带通滤波器参数的问题,以及包络信号频谱中随机成分对分辨故障特征频率的干扰问题,提出一种空间精密轴承的自适应共振解调故障诊断方法.一方面,根据振动信号功率谱计算重心频率和频率标准差,进而以此确定带通滤波器的中心频率和带宽,实现自适应带通滤波;另一方面,通过频谱平均方法弱化包络信号频谱中的随机成分,使得故障特征谱线清晰度加强.模拟故障信号和实测振动信号的诊断结果表明该方法算法简单,效率高,对保持架磨损故障诊断效果良好,验证了其可行性和有效性.     

一种整体式天然气压缩机气阀故障诊断技术研究CSCD

整体式天然气压缩机在石油化工领域广泛应用,压缩机的正常工作对安全生产具有重要意义。为了有效诊断整体式压缩机气阀部件的故障,采用了Daubechies小波基函数对ZTY470型整体式天然气压缩机气阀振动信号的分解重构原理,详细介绍了以振动信号的能量为故障特征的故障诊断过程。对气阀阀片断裂和弹簧断裂的故障振动信号进行了小波包分析,并与正常工作时的信号进行了对比。实验表明该方法能准确的进行故障诊断和故障定位,证明了对整体式天然气压缩机气阀故障诊断的有效性。     

一种谐波减速器不对中误差分析方法

在空间环境中运行的星载天线转动单元中的谐波减速器产生的不对中故障信号故障特征难以提取,针对此问题提出了一种优化变分模态分解的故障诊断方法,这种方法基于鲸鱼优化算法(WOA)和Teager能量算子(TEO)包络解调。首先,由于包络熵对故障信号特征非常敏感,故采用包络熵作为适应度函数,同时其也是鲸鱼优化算法的目标函数。其次,WOA具有操作简单、调整参数少、跳出局部最优能力强等诸多优点,故使用WOA对变分模态分解(VMD)进行优化,构建优化算法。最后,使用Teager能量算子对本征模态分量(IMFC)进行处理。所提出的方法用于分析谐波减速器输入、输出轴两端收集的实验信号。通过与传统的快速傅里叶变换方法进行对比结果表明,所提出的方法提高了分解效率,在分解参数的原则和故障信号提取精度方面具有良好的性能,误差不超过2%,能够实现谐波减速器不对中故障信号的精确诊断,具有一定的研究意义与工程实用价值。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题，利用机载燃油转输系统实验平台收集的振动信号和压力信号，提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先，利用EMD提取振动信号不同频段的能量值作为特征参量，并结合压力信号均值构造故障特征向量；其次，分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化，并对优化后的SVM诊断性能进行了评估；最后，分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器，并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%，寻优过程中均未陷入局部最优解，且寻优时间相当，其中GA的训练时间最短，可以采用GA对SVM参数进行寻优；当采用GA_SVM作为故障分类器时，用时较短，且故障诊断率较高，可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

Walsh变换对冲击信号序列特征提取的研究

提出使用Walsh变换和小波包相结合的方法,对滚动轴承故障产生的冲击信号序列提取故障特征, 并给出了计算的有效算法. 对滚动轴承故障特征分析和计算表明,用改进小波包分解、重构公式能有效地剔除冲击信号序列中高频共振信号和噪声, 使用快速Walsh变换(FWT)求取其功率谱,优于Fourier变换,可很好地提取故障特征,仿真和实际数据计算的结果,证实了上述方法的有效性.      

小波降噪与快速包络谱峭度相结合的轴承组件故障诊断技术

作为飞轮重要的旋转支撑部件，轴承组件的性能对飞轮寿命有着重大影响,因此如何在早期对轴承组件进行筛选显得尤为重要。轴承组件在故障初期，其故障特征比较微弱，故障信号很容易淹没在背景噪声信号中，给轴承组件的早期故障判断和定位带来了很大的困难。本文以飞轮常用轴承组件为研究对象，基于快速包络谱峭度的振动测试方法，先通过对采集的轴承组件振动信号进行小波降噪，提高特征信号的信噪比，然后对振动信号进行全频段的峭度分析，可以对轴承组件进行早期的故障诊断并进行故障定位，得到轴承组件故障频率，为后续轴承组件故障诊断研究提供方法手段。     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件，其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件，轴承易于发生故障，且独特结构和复杂运行环境导致监测信号信噪比低，早期故障诊断困难。针对这种情况，对变分模态分解和峭度熵结合的特征提取方法进行研究，获得动量轮轴承监测信号中的微弱故障特征，并建立特征向量。引入分层极限学习机，对结构和编码方法进行优化后用于轴承故障的识别。最后，将提出的方法用于实际故障的诊断，并通过与传统ELM方法比较，得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度，达到98.5%。     

基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解 (EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.     

基于VMD-MPE的开关磁阻电机功率变换器故障诊断

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点, 提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解, 得到若干本征模态分量, 取多尺度有效模态分量排列熵平均值作为特征向量, 输入支持向量机分类器进行故障识别。为验证所提方法的可行性, 建立仿真模型, 与传统的小波分析等故障诊断方法进行对比；搭建了开关磁阻电机实验台架, 测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响, 提高故障识别准确率。      

基于改进HHT的一体化电液作动器故障诊断

介绍了机载变排量变转速一体化电动静液作动器(EHA-VPVM,Electro-Hydrostatic Actuator with Variable Pump displacement and Variable Motor speed)的系统结构,根据EHA-VPVM早期故障信号非平稳、时变等特点,采用一种新的时频分析方法希尔伯特黄变换(HHT,Hilbert-Huang Transform)进行信号分析.针对HHT方法的模态混叠和虚假本征模态函数问题,提出两点改进:通过集合经验模式分解算法抑制模态混叠的发生;采用相关系数法保留真实本征模态函数.对EHA-VPVM工程样机进行早期故障诊断实验,用Hilbert边际谱和HHT谱分析永磁无刷直流电机两种工作状态下的振动信号.实验结果表明:改进HHT方法较好解决了HHT的模态混叠和虚假本征模态函数问题,能准确提取研究对象的早期故障特征,对EHA-VPVM早期故障具有良好的诊断效果.     

基于盲源分离技术的航空发动机振动信号分析

基于双转子航空发动机机匣拾取振动信号特征的分析,采用基于数学形态学滤波前处理的盲源分离识别方法进行特征提取.针对机匣拾取振动信号的特征,利用开—闭和闭—开组合数学形态滤波器在保留信号基本形状的前提下,滤除掉原始信号中的噪声分量.利用Fast ICA算法恢复高、低压转子源振动信号的波形.对实测数据的分析表明,该方法能够较好地恢复高、低压转子所激振动信号的频域结构信息,有利于提高故障定位的准确性.     

第二代小波包构造及发动机微弱损伤识别

针对航空发动机滚动轴承微弱损伤识别问题,设计了一种识别滚动轴承早期损伤的第二代小波包方法.构造了第二代小波包分解重构算法和第二代小波包算子计算方法;将滚动轴承振动信号进行第二代小波包分解,然后各个频带分解信号分别进行重构;利用希尔伯特变换解调分析各频带信号,得到对应频带信号的包络谱;计算各个频带中滚动轴承故障特征频率对应包络谱幅值的分贝值,提取各频带中故障特征频率对应分贝值的最大值,对滚动轴承早期损伤情况做出定量识别.仿真信号和试验信号分析表明,该识别方法结果可靠,能准确识别出滚动轴承早期损伤.