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...     

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.     

基于自适应阈值的粒子滤波非线性系统故障诊断

针对实际非线性系统传统方法难以实现可靠故障诊断的问题,采用粒子滤波算法,利用对数似然函数和作为评价指标,并借助自适应阈值的设计,研究了非线性非高斯系统的故障检测和故障隔离。阈值的选取,是准确判别系统是否发生故障的标准,本文通过分析非线性系统残差的统计特性,在判定残差统计特性成正态分布的基础上,设计了一种基于粒子滤波故障诊断的自适应阈值方法,减少了故障诊断的漏报和误报。通过非恒温连续搅拌水箱式反应堆的仿真实例,验证了该方法在故障诊断中的准确性和有效性。      

基于键合图模型的SHA/EMA余度系统的故障诊断

针对液压伺服作动器（SHA）和机电作动器（EMA）组合的余度系统中故障模式复杂的问题,采用基于键合图模型的故障诊断方法,可以诊断出系统中多种参数故障。首先建立SHA/EMA余度系统的行为模型,然后根据因果关系倒置法转换成诊断键合图模型,进而推导出计算残差的解析冗余关系式（ARR）,并创建故障特征矩阵（FSM）作为故障隔离的依据。联立行为模型和诊断模型对可隔离故障进行诊断,并通过ARR估计故障参数以诊断不可隔离故障。选取典型故障进行仿真验证,结果表明可隔离故障和不可隔离故障均被成功隔离,验证了所提方法对SHA/EMA余度系统的故障诊断是有效可行的。      

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。