基于排列组合熵的转子振动信号故障诊断SVM方法研究

针对发动机转子的多种故障模式,提出了基于排列组合熵的SVM故障诊断方法。利用转子实验台,模拟了转子正常、转子不平衡、转子不对中、动静碰磨和基座松动5种典型振动模式,并使用振动传感器采集多路振动数据。计算振动数据的排列组合熵并将其作为故障特征向量,对特征向量样本集进行多级SVM分类诊断,并运用小波包能量特征提取方法提取信号特征。实例计算与结果对比表明,本文方法的正确率要高于基于小波包能量提取特征的SVM分类诊断方法,在提取转子振动信号的特征向量及在小样本下的故障分类诊断等方面,具有可行性和有效性。     

基于小波包能量谱的航空发动机故障特征提取方法

使用成熟的旋转机械振动信号频谱分析方法,对采集到的多台航空发动机试车振动信号进行分析,找出能反应出发动机转子不对中、转子不平衡和转静件碰磨3种故障频谱特征的振动信号.再使用小波包将信号分解为不同的频段,之后分别计算能反应出故障信息的特征频段的能量,将它们组成用来区分上述3种故障的特征向量,为以后的航空发动机故障的模式识别做准备.     

转子振动故障的小波能谱熵SVM诊断方法

融合小波能谱熵和支持向量机(SVM)的特点,提出了基于小波能谱熵的SVM故障诊断方法.利用转子试验台对转子典型振动故障进行模拟并采集振动数据,提取其振动信号的小波能谱熵作为特征向量,通过样本训练建立了转子在各种典型振动故障状态下的SVM模型和多类分类器,进而实现了对未知转子振动故障的识别.实际应用表明,提出的转子振动故障诊断方法是可行和有效性的.      

非接触转子振动位移采集系统测试误差

对基于叶尖定时测量原理开发的非接触转子振动位移采集系统(NRDMS)测试误差进行了研究分析。将模拟叶片振动标准信号作为采集系统测试的输入信号,研究了测试对象参数和采集系统时基信号对测试结果误差的影响,理论和测试结果分析表明:测试误差主要受采集系统时基信号和转速的影响,采集系统的最大引用误差为0.066%。      

基于阶次小波包的转子加速阶段振动故障研究

针对发动机转子在加速阶段的振动信号为非稳态、且该阶段的振动信号无法直接使用谱分析等技术处理的问题,提出了利用改进的阶次跟踪分析技术对信号进行等角度重采样,将时域非稳态信号转换为角域稳态信号,然后对信号进行小波包分析及能量特征向量提取。结果表明,利用阶次小波包方法可以很好地处理变速振动信号,效果好于直接使用小波包分析非稳态的时域信号,计算后的结果可用于进一步的数据处理。     

客机发动机转子噪声主动控制研究

基于飞机结构的振动信号和舱内噪声信号,采用FXLMS(Filtered-x Least Mean Square)算法设计主动降噪系统对发动机转子引起的飞机客舱内噪声进行区域化降噪控制.首先对主动降噪技术的基本原理以及采用的算法进行了阐述和推导;然后对客舱中布置的麦克风及振动传感器采集到的舱内噪声和结构振动信号进行分析,...     

基于最优阈值小波包分析的转子振动信号降噪研究

针对采集转子振动信号时信号中往往夹杂着噪声干扰的问题,提出了一种自寻优阈值的小波包降噪方法。该方法可对不同振动信号自寻优地设置阈值,且阈值的选取与所研究的信号有关而与信号长度无关;并根据采样定理计算不同转子转速对应的小波包分解的最低层数。对多种信号进行的降噪研究表明,该方法可有效降低转子振动信号中的噪声干扰。     

无转速同步条件下转子叶片非接触振动测试方法研究

针对非接触振动测试系统中转速基准信号无法安装或容易失效的问题,提出了无转速同步条件下的转子叶片非接触振动测试方法,利用光纤传感器测试叶片脉冲信号实现振动识别和转速获取.在临界转速试验器上,进行了无转速同步条件下的模拟转子叶片非接触振动测试,并将测试结果分别与应变片测试结果、光纤传感器实现转速同步的叶片非接触振动测试系统...     

EEMD与NRS在涡桨发动机转子故障诊断中的应用

针对涡桨发动机转子系统振动信号的非平稳特征,提出一种基于集成经验模态分解(EEMD)与邻域粗糙集(NRS)的涡桨发动机转子故障诊断方法。该方法先对转子振动信号进行EEMD,提取原始信号的时域特征和多尺度排列熵(MPE)特征,转子系统的大部分故障信息隐藏在前几个高频本征模态函数（IMFs）中,分别计算它们的时域指标、能量特征和奇异值分解(SVD)特征;利用NRS评估各个特征的属性重要度,进而选出敏感特征;将其作为支持向量机(SVM)的输入向量来对转子进行故障诊断。实验结果表明:该方法利用敏感特征集对涡桨发动机转子进行故障诊断的准确率达到了97.5%,同时剔除了大量冗余特征,具有较强的鲁棒性。      

高低压转子弹性支承振动应力信号的LMD切片谱分析与时频分布

针对传统的频谱分析方法不能很好地辨识航空发动机转子振动特征频率的问题,采用局部均值分解（Local Mean Decompo? sition, LMD）,结合切片谱的频谱分析方法,对航空发动机转子振动信号进行自适应模态分解与峰值频率辨识;对转子振动信号进行时 频分析,得到其时频分布。将该方法应用于某航空发动机高、低压转子的弹性支承振动应力信号分析中。结果表明：相比于发动机振 动正常状态,在发动机振动异常状态下,高、低压转子弹性支承振动应力信号的LMD切片谱中除了存在高、低压转子的基频和倍频成 分,还存在高、低压转子间的调制频率,且在异常状态下F分量的时变特征更加明显。采用LMD切片谱分析方法获取了发动机振动正 常状态和异常状态下的振动频谱特征和时频分布,可为航空发动机转子振动特征提取与状态判别提供参考。     

基于时频脊线和阶次分析的转子故障诊断

为解决采用在转子升降速过程中产生的非平稳信号难以进行故障诊断的问题,提出一种基于2维时频脊线和阶次分析的转子故障诊断方法。采集转子升降速信号,采用2维时频分布的峰值脊线提取法获得信号脊线特征,结合脊线特征与等角度重采样技术依次获得信号角度域、角-阶域和阶次域图像,将信号阶次域内的特征参数作为故障敏感特征,输入人工神经网络诊断模型,对转子信号的故障类型进行分类。利用实测信号验证所提方法的实际应用效果,并与传统特征提取法的结果进行对比。结果表明:阶次分析方法的测试准确率约为99.8%,标准差小于0.09%,均优于传统特征提取法。基于时频脊线和阶次分析的转子故障诊断方法具有更高的诊断准确率,在非平稳信号特征提取过程中具有很好的可行性和准确性。     

发动机转子系统早期故障特征提取方法

对飞机发动机转子系统早期故障特点进行分析的基础上,提出了利用虚拟仪器和Matlab小波工具箱分析软件对其早期故障进行检测和特征提取的方法.文中对早期故障特征量的选取、有用信号与噪声信号的分离方法、突变信号与奇异信号的特征提取等进行了分析和研究,并以转子早期碰摩和早期不平衡为例进行了实验研究.结果表明,Labview和Matlab小波分析软件相结合,能够快速有效地提取发动机转子系统的早期故障特征,为发动机转子系统早期故障的快速识别提供了一种新途径.     

基于融合信息熵距的转子裂纹-碰摩耦合故障诊断方法

针对转子系统的裂纹-碰摩耦合故障,提出了一种基于融合信息熵距的转子振动故障诊断方法.利用转子实验台模拟转子系统裂纹故障、碰摩故障及裂纹-碰摩耦合故障,并采集三种典型故障的振动加速度信号.利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵以及小波空间特征谱熵,计算融合信息熵距实现故障诊断.实例研究表明:这四种信息熵形成了综合评价转子振动状态的特征指标,多测点、多转速下的信息熵距曲线较好地区分了单一故障和耦合故障,有效地提高了转子振动故障诊断的准确性.测试信号与其对应的振动故障之间的信息熵距最小,信息熵距曲线位于坐标轴的最下方,达到了诊断单一故障和耦合故障的目的.      

转子振动故障的过程功率谱熵特征分析与定量诊断

针对传统旋转机械振动故障定性诊断的不足,提出了1种以信息熵理论为基础的转子故障特征分析与定量诊断方法。在转子试验台上模拟转子振动的4种典型故障,分别得到4个测点多转速下的振动过程故障数据;对这些故障数据进行分析和处理,提取反映其振动过程的故障特征——功率谱信息熵,建立能描述转子振动过程变化规律的多转速多测点下的故障信息熵矩阵,并对振动故障进行分析;通过对转子振动故障信号的实例计算和定量诊断分析,验证了该方法在转子振动故障分类和故障严重程度判断方面是可行的。     

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.      

航空发动机可拆卸盘鼓型转子拉杆螺栓装配紧度辨识方法

针对沿轮盘周向分布的拉杆螺栓装配紧度是影响航空发动机可拆卸盘鼓型转子振动特性的一个重要因素,提出了一种拉杆螺栓装配紧度辨识方法.通过对可拆卸盘鼓型转子进行激振测试,提取提升小波包分解重构信号的相对能量特征,然后定义拉杆螺栓装配紧度熵将相对能量特征映射到拉杆螺栓装配紧度辨识空间.实验研究了拉杆螺栓由松到紧的3种状态,结果表明装配紧度熵具有单调一致性递减规律.实验测试了外场服役的某型航空发动机可拆卸盘鼓型转子拉杆螺栓的装配紧度状态,结果表明拉杆螺栓装配紧度发生退化,拉杆螺栓处于松动状态.      

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.