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.      

基于融合信息的转子振动故障SVM诊断方法

通过提取信息特征,提出基于融合信息的转子振动故障支持向量机(SVM)诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息特征;最后,将提取到的信息特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明:将信息特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

基于参数自适应变分模态分解的行星齿轮箱故障诊断

针对变分模态分解需要人为设定模态数量以及在强噪声情况下容易造成分解错误的问题,提出了依据功率谱密度极值点自适应确定模态数量与中心频率的参数自适应变分模态分解方法,通过信号仿真分析验证了方法的有效性。基于参数自适应变分模态分解提出了一种行星齿轮箱故障诊断方法,应用于行星齿轮箱第2级太阳轮裂纹的故障诊断,行星齿轮箱传动实验台的试验结果表明:该方法能实现振动信号准确分解,有效提取和辨别出故障特征频率,实现了在强背景噪声和微弱故障信号情况下对第2级太阳轮裂纹故障的准确诊断。      

基于融合信息(火用)的转子振动故障SVM诊断方法

通过提取信息(火用)特征,提出基于融合信息(火用)的转子振动故障支持向量机（SVM）诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息(火用)特征;最后,将提取到的信息(火用)特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明：将信息(火用)特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

基于小波包分析的航空发动机轴承故障诊断

振动分析是进行滚动轴承状态监测与故障诊断的重要手段。当轴承某一元件表面出现局部损伤时,产生周期性的冲击脉冲力。因此,原来的平稳振动信号变成了非平稳振动信号。傅里叶变换在频域上是完全局部化的,但它不能提供任何时域的局部化特征,而窗口傅立叶变换尽管在时域和频域均具有一定的局部化特征,但其局部化却是固定不变的。针对常规方法难以准确分析非平稳信号的局限性,提出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实验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,可进一步应用于航空发动机主轴轴承的状态监测和故障诊断。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO -SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。      

基于图谱指标的滚动轴承故障特征提取方法

为了更准确地提取滚动轴承振动信号的非线性故障特征,将图信号处理(GSP)引入机械故障诊断领域,提出了基于图谱指标的滚动轴承故障特征提取方法。该方法将滚动轴承的振动信号转化为路图信号后,提取多个图谱指标;用Fisher得分(FS)算法对图谱指标的敏感度进行排序,并选取若干个最敏感的图谱指标作为滚动轴承的故障特征参数;用K-均值聚类算法识别滚动轴承的不同故障。应用实例表明:当分别选取1~5个最优的图谱指标、时域指标和频域指标对不同轴承故障进行识别时,图谱指标均没有出现错误,而时域指标和频域指标都出现了不同数量的错误,因此,图谱指标对轴承故障的区分能力优于时域指标和频域指标。     

某型航空发动机整机振动分析

针对某型航空涡扇发动机整机振动过大现象进行测量并应用Matlab语言对该发动机振动信号进行了详细的时域、频域、三维谱阵分析.根据发动机转子各故障的典型特征,认为某型发动机振动异常的主要是因为高、低压转子不平衡和转动件与静止件碰摩造成的.所得出的结论对航空发动机故障诊断有一定的参考价值.     

相位信息在故障诊断中的应用

 在故障诊断中,人们多从频域中寻找特征,但对于转子系统,许多故障的特征是相似的。相位作为旋转机械里一个很实用的量,在故障诊断中一直没有得到很好的应用,本文指出的相位计算和测量概念和方法,旨在进一步识别故障。     

直升机行星传动轮系故障诊断研究进展

行星传动轮系是直升机传动系统的核心部件,是直升机健康和使用监测系统(HUMS)重要的监测对象。直升机行星传动轮系具有结构复杂紧凑、组件繁多、工况瞬时多变以及使用环境恶劣等特点,导致直升机行星传动轮系振动信号污染严重、成分复杂,具有较强的非平稳性和耦合调制特征。另外复杂的故障模式、较少的故障样本,也都增加了直升机行星传动轮系故障诊断的难度。面对这些难题,研究人员在基于信号降噪与信号分离、时频分析与解耦解调、数学建模与模式识别的故障诊断技术上取得了丰硕的成果。面对仍然存在的一些亟待研究和解决的问题,提出了直升机行星传动轮系故障诊断技术的研究方向以及未来的发展趋势。     

航空电缆故障在线检测与定位技术研究

在综述了电缆故障类型和现有电缆故障检测与定位方法的基础上,引入了两种电缆故障在线检测与定位新方法——序列时域反射法(STDR)和扩散频谱时域反射法(SSTDR),分析研究了两种方法的原理,选取了一种适用于两种方法的相关算法——改进的实序列频域相关算法,并在MATLAB中建立了仿真模型,对两种方法进行了仿真验证,并进行了比较,对实际的应用具有理论指导意义。     

基于HHT的航空直流串行电弧特征提取方法

由于飞机内部布线空间有限、电弧故障存在发生时间地点随机以及特征不明显等问题,导致检测困难。本文基于航空270 V高压直流（HVDC）系统开展直流串行电弧故障特征提取方法研究,采用希尔伯特黄变换（HHT）提取电弧电流交流分量的时域和频域特征量。选择HHT的固有模态函数IMF5瞬时幅值的峰峰值和标准差作为识别电弧故障的时域特征,与原始信号中提取的时域特征量对比,正常和电弧特征量的区分度更大;选择HHT的固有模态函数IMF1+IMF2、一定频带范围内的瞬时幅值计算得到的谐波功率和作为区分正常和电弧情况的频域特征量。与常用的快速傅里叶变换（FFT）方法相比,HHT三维时频谱能够反映信号的局部特征,HHT方法计算得到的正常和电弧特征量之间的区分度更大,电弧和正常特征量的比值最高可达346。基于HHT的电弧故障特征提取方法能够更好地区分正常和电弧情况,有助于提高电弧故障的检测率,降低虚警率,具有重要的工程应用价值。     

基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。     

基于局部同步拟合和窄带解调的行星传动齿根裂纹故障检测

为实现较少旋转圈数工况下的行星传动齿轮故障检测，本文提出一种基于局部同步拟合和窄带解调的行星传动齿根裂纹故障检测方法。该方法首先对行星齿轮箱振动信号进行角域重采样，再采用局部同步拟合方法估计出确定性分量；随后，由研究中提出的啮合谐波能量比最大准则自动选择包含齿轮故障信息最丰富的滤波阶次频带，并进行窄带解调；最后，通过幅值解调和相位解调揭示齿轮故障特征。实验和对比结果表明：该方法可以有效检测出齿根裂纹引起的周期性幅值和相位突变，且所需数据量较传统的加窗同步平均方法更少，在少转数工况下的齿根裂纹故障检测具有一定的优势。     

基于传递函数特征的机械结构故障诊断方法新进展

故障诊断对估计机械结构的健康状态非常重要,诊断方法一直以来也是研究的热点问题。与其他故障诊断方法相比,基于传递函数的故障诊断方法操作简单,提供的故障特征和指示因子也更加灵敏有效。根据所利用的线性传递函数或非线性传递函数的类型不同、基于传递函数的故障诊断方法目前大概有4类,即一般线性方法、一般非线性方法、基于广义频响函数（GFRF）方法和基于二阶输出频谱（SOOS）方法。本文旨在对各种基于传递函数的故障诊断方法研究进展进行梳理,通过带阻尼弹簧单元的多自由度模型解释各种方法的基本原理和操作流程,通过具体的仿卫星结构中螺栓松动故障实验比较各种方法的优缺点,探讨现有故障指示因子灵敏度的提高方式及现有方法在其他复杂机械结构中的运用前景。     

复杂工况下的直升机行星传动轮系故障诊断

行星传动轮系是直升机动力传动系统的核心部件,是直升机健康和使用监测系统重要的监测对象。针对复杂工况下直升机行星传动轮系的故障诊断难题,提出了结合域对抗与深度编码网络的自适应域对抗深度迁移故障诊断方法。方法输入归一化频谱数据,基于堆栈收缩自动编码网络建立训练负载与测试负载编码网络,从训练域数据进行有监督学习提取高质量深度故障特征,并结合参数迁移和对抗学习策略,通过测试域数据无监督自适应优化测试域深度故障特征提取网络,以适应负载条件变化引起的样本数据分布差异以及恶劣噪声环境引起的样本数据波动的影响。方法在直升机行星传动轮系实验平台上通过故障注入试验进行了对比验证,证明了方法的有效性与健壮性。     

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。      

基于递阶残差神经网络的结构故障模式识别

提出了一种基于递阶残差分类神经网络的结构故障诊断新方法,与传统的基于模型的非线性系统的故障诊断方法相比,神经网络方法有着非线性逼近能力强和故障模式识别实时性好等优点。文中进行了残差特征提取和残差分类研究,设计了3层递阶残差结构分类器,提出了故障模式识别算法。最后以某型歼击机为例进行了仿真验证,仿真结果表明本文方法能有效识别歼击机结构故障的有无、位置、类型和程度。     

信号周期分段处理法诊断单级传动齿轮副故障

为了诊断单级传动齿轮副故障,本文提出信号周期分段处理的方法。首先同步整周期采集振动信号,然后对采集的振动信号做时域平均,进行降噪和凸显故障脉冲的处理。利用周期分段处理法,将振动平均信号等距分段,分别对各段信号进行频谱分析。比较各段信号的时域波形和频谱的异同,可以准确诊断出单级传动齿轮副中同步齿轮故障位置,且还能诊断出非同步齿轮故障位置。数字仿真试验以及模拟故障实验结果都证实了信号周期分段处理法诊断齿轮故障的可行性和有效性;它为诊断单级传动齿轮副故障提供一种有效手段。      

基于粗糙集-神经网络的机载设备故障诊断方法研究

提出了一种基于粗糙集-神经网络的故障诊断方法。将粗糙集理论同神经网络结合起来可以用于机载设备的故障诊断。采用粗糙集理论对原始故障诊断样本进行处理,并根据条件属性对决策属性的正域的大小来选择条件属性,提取出对诊断故障贡献最大的最小故障特征集,从而确定神经网络的拓扑结构;通过训练神经网络建立故障特征与故障之间的映射关系,实现故障的诊断。通过A320飞机燃油系统的故障诊断仿真实例,表明这种故障诊断方法的有效性。