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。     

液压泵轴承故障的诊断方法

利和倒谱包络方法解决液压泵轴承故障特征提取和故障诊断的问题，文中详细给出了倒谱包络的模型，然后在频域和倒频域比较正常泵和轴承故障泵的功率谱变化及倒谱包络变化。分析研究表明，轴承振动信号相对于柱塞与斜盘的振动是非常微弱的，利通常的信号处理方法进行轴承故障诊断往往难以奏效，而利用倒谱包络方法则可以突出故障信息，从而达到轴承故障诊断的目的。     

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.      

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。     

涡街流量计信号处理方法与实现

设计一种基于变增益运算放大器和带通开关电容滤波器的新型涡街流量计信号处理电路.单片机利用模拟数字转换电路(A/D)实时检测涡街流量计传感器输出信号的幅度和频率,同时利用数字模拟转换电路(D/A)对变增益运放进行控制,为后续的信号检测电路提供幅度相对稳定的有效信号.带通开关电容滤波器在单片机的控制下实时跟踪变增益运放输出的信号频率,保证带通滤波器的中心频率接近信号频率,以达到良好的滤波效果.滤波后信号通过单片机进行频率信息的精确计算以及流量的解算.实验结果表明,变增益运算放大电路有效解决了涡街流量计传感器输出信号幅度变化范围大而造成的放大电路复杂,分段放大信号幅度不连续等问题;带通滤波器通过单片机实时调整中心频率,对信号中各种干扰起到较好滤波效果.      

频谱混叠对光纤陀螺振动特性测试的影响

振动过程中的频谱混叠会使光纤陀螺中采样后信号相对于原信号产生失真现象,从而影响测试结果.为了验证频谱混叠带来的影响,并进一步抑制频谱混叠现象的发生,设计实现了一套用于获取光纤陀螺原始输出的闭环数据采集系统（速率可达1 MHz×16 bit）,分析了振动测试过程中光纤陀螺闭环数据的特征,发现目前光纤陀螺中常用滤波器无法有效滤除闭环数据中振动成分,因此可能会由于采样频率设置不当引起频谱混叠;通过matlab仿真和陀螺振动实验对频谱混叠造成的影响进行了验证;针对频谱混叠现象提出了抑制措施.实验结果表明对于采用类似数据采集过程的光纤陀螺,改进后的设计可以有效避免频谱混叠现象的发生.      

运载火箭飞行振动信号盲源分离方法

针对振动信号在火箭复杂结构传播过程中产生强卷积效应导致振动源信号提取精度低的难题,研究了一种基于卷积盲源分离的火箭振动信号自适应提取方法。该方法基于振动源之间的独立性,建立四阶统计量的目标函数,并采用随机梯度法实现参数的自适应更新,优化建立火箭复杂结构系统的逆滤波器结构,进而得到原始的振动源信号。通过对某运载火箭发动机的高频振动数据进行分析,结果表明：相比于线性自适应盲源分离方法、非线性自适应盲源分离方法,卷积自适应盲源分离由于考虑了实际中的卷积效应和欠定情况,分离结果中能够明显找到与涡轮转动和燃烧对应的频率,以及一些宽频激励,验证了提出方法的有效性。     

基于频谱法的航空起动发电机故障检测与诊断

对航空直流起动发电机的电枢电流波形进行频谱分析可有效地对电机的故障进行检测和诊断.由于电机在运行时其转速是变化的,而电枢电流的纹波信号与电机转速成正比,若对电流进行定时采样,则其频谱会散布在很宽的频率范围内,使频谱特征模糊化,难于利用频谱特征进行故障检测和诊断.采用与转速同步的电流采样方法,得到的频谱称为"阶比谱",在阶比谱上,频谱成分是单一的,因此容易用它来进行故障检测和诊断.文中对起动发电机进行了实验,对线圈短路、绕组元件与换向片开焊、相邻导体短路和转子偏心等四种故障成功地进行了检测和诊断.      

基于EMD与切片双谱的轴承故障诊断方法

针对轴承故障诊断问题,提出一种基于经验模态分解(EMD,Empirical Mode Decomposition)与切片双谱分析相结合的新方法.将原始信号分解成不同尺度的固有模态函数(IMF,Intrinsic Mode Function),求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率.通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小.给出了6205-2RS JEM SKF轴承诊断实例,说明了该方法的可用性.     

基于FSS-kernelBSS方法的机械故障诊断

机械设备发生故障时,故障特征的提取是很重要的.为了从观测信号中分离出不同的故障特征源信号,并根据分离信号准确地进行故障诊断,从观测信号样本出发,提出了基于有限支持样本核函数的盲源分离(FSS-kernel BSS)方法.此方法利用有限的观测样本估计信号的概率分布,得到了评价函数,具有很好的自适应能力.仿真试验结果表明:此方法能成功地分离超、亚高斯混合信号,与其他盲源分离方法相比,此方法具有更好的分离性能.将该方法用于转子不平衡和支座松动的复合故障信号的盲分离,分离出了各复合故障的主要频谱.分离结果表明:此方法应用于机械设备复合故障诊断中是可行的.     

基于边频相对能量和的柱塞泵磨损状态识别

摩擦磨损是飞机柱塞泵典型的渐进性故障,因磨损量难以直接测量,通常采用振动信号进行间接测量.磨损引起的振动信号故障特征微弱,对磨损状态进行准确地识别比较困难.针对上述问题,提出了基于谐波分量边频相对能量和的磨损状态识别方法,该方法对壳体振动信号进行Hilbert包络解调消除高频周期干扰,得到清晰的谐波分量,在各谐波分量的特定边频区间内计算最大能量与平均能量的比值并求和,将该值作为新的特征量来表征柱塞泵的不同磨损状态,利用网格法对边频区间范围寻优.结果表明,边频相对能量和相比传统的特征频率能量对磨损状态的区分度更高,适于磨损状态识别.      

导弹弹性振动在线辨识及自适应抑制

新一代导弹具有大空域宽速域等特点,飞行环境的剧烈变化及自身长细比结构特性,导致导弹的弹性振动模态参数变化范围大,传统的固定参数陷波滤波器难以适应这种剧烈的参数变化。本文提出了一种自适应弹性振动抑制算法,首先通过调制滑动傅里叶变换算法对速率陀螺的输出信号进行时频分析,实时辨识出各阶弹性振动信号的频率和幅值,并根据辨识结果设计了一种陷波滤波器参数在线整定方法,从而保证陷波滤波器能快速准确滤除弹性振动信号。仿真实验结果表明,该算法能够快速有效地辨识出弹性振动信号,并且对于频率突变和频率线性变化的非平稳信号也有较好的适应能力,能够满足实际工程需求。     

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。     

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

基于在线频率估计的自适应反馈主动隔振技术

针对自适应前馈控制方法的缺点,提出一种周期性振动主动控制的自适应反馈控制方法.利用误差信号恢复振动干扰信号,采用级联陷波器估计信号中周期性分量的频率,并在估计频率处为控制器构造参考信号;控制器的参数则根据Lyapunov稳定性原理进行调整.仿真和主动隔振试验结果表明:频率估计方法在不同信噪比情况下均具有较好的估计精度;主动控制方法在振动频率处的隔振效果明显,隔振量可达16?dB以上,且控制器的参数收敛速度较快.     

基于多模型简化CDKF的故障诊断方法

针对使用传统卡尔曼滤波器对非线性系统进行故障诊断,估计精度低的问题,提出了一种新的故障诊断方法.该方法结合多模型自适应估计和简化中央差分卡尔曼滤波器的优点,能在线快速地检测出故障,利用中央差分代替了雅可比矩阵的求解,使系统状态估计准确收敛到真实值附近,而且避免了反复求解量测预测方差等一系列繁杂过程.在执行机构不同故障的情况下,通过与其他算法进行诊断对比,结果表明提出的算法在精度上和运行速度上具有明显的优势.     

直升机中减速器谐响应分析与传感器优化布局

研究了多自由度的振动数学模型.通过系统的故障频率来确定振动传感器的安装位置,提出了一种基于故障频率敏感的振动传感器优化布局方法,建立了直升机中减速器机匣有限元模型.利用谐响应分析方法,对中减速器机匣施加一故障激励信号.研究表明:机匣的不同位置对激励信号响应的振动幅值明显不同,齿轮故障时往往在啮合频率及其倍频处形成以转频为间隔的边频带,对该边频响应振幅最大的位置就是振动传感器安装的最佳位置,并提出了振动传感器优化布局函数.此方法同样适用于直升机传动系统其它部件的振动传感器位置选择,也适用于其它旋转机械的振动监测.      

基于深度迁移学习的航天器故障诊断

随着航天科技的发展，智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记，因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法，为在轨航天器实时故障诊断提供了可行方法.首先，对航天器运行数据进行预处理，将多维时域信号转换为二维图像信号；其次，搭建基于残差网络的故障诊断深度学习框架，并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练；进而，为了实现当前在轨航天器实时故障诊断，本文采用迁移学习自适应方法，设计网络联合分布自适应代价函数，对故障诊断模型进行参数重调，使模型适应当前在轨航天器故障诊断任务.仿真结果表明，所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

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.