由于机械设备传动系统中的关键零部件如轴承的振动信号具有典型非平稳的特征,将非线调频模式分解算法引入到机械设备故障诊断中,实现了对轴承等关键零部件早期微弱故障的特征识别。该方法在变模式分解理论的基础上,利用解调算子,将宽带信号变为窄带信号,实现了复杂信号的多尺度分解,同时使得多组分信号具有较高的时频分辨率。利用该方法对具有时频交叉干扰特性的仿真信号和故障实验台的实测轴承信号进行了分析,结果表明提出的方法在复杂信号模式分解和故障特征识别方面具有明显的优势。

由于液压泵故障识别难度大,并且检测到的液压泵故障振动信号中包含噪声等无关干扰信息,为此,提出了一种基于变模式提取和去趋势波动分析的方法,用于对液压泵故障进行识别和诊断。首先,通过变分模式提取方式,对采集到的液压泵振动信号进行了分解,得到了一系列固有模态函数分量;然后,通过去趋势波动分析方法,得到了不同模式分量的标度指数;利用标度指数的幅值阈值区分有用信号和噪声信号,并对含噪的模式分量进行了小波降噪,以最大程度地保留其中的有效信息;最后,将降噪处理后的模式分量和不含噪的模式分量进行了重构,并对重构信号进行了多统计学特征计算和局部保留投影降维。研究结果表明:变模式提取对信号进行分解后的结果,与原始不含噪信号的均方根误差仅为0.3251,该结果可为后续基于局部保留投影的液压泵不同故障类型的准确聚类...

针对现有液压泵故障诊断算法故障识别精度低、实测信号中存在冗杂信息和无关成分干扰等问题,提出了一种在高维空间对液压泵振动信号进行处理和模式识别的方法。首先利用Lowner矩阵将一维时间序列信号进行高维张量化,然后基于广义CP张量分解(GCP)算法,根据数据分布类型选择适当的损失函数以确定最佳低秩模型,实现对液压泵采集得到的振动信号进行分解,降低分解损失,提高分解精度。最后选择分解结果中与原始信号相似度最高的模式分量,计算其多尺度排列熵(MPE)值进行液压泵不同故障类型的特征识别。将该文所提方法应用于液压泵故障实验台的实测数据分析,验证了其在液压泵故障诊断中的有效性。

液压泵长期处于高压、高速的运行工况下,泵体零部件极易发生故障。实际工况下测量的振动信号往往包含着许多无关信号成分如噪声,导致传统方法难以实现故障类型的准确识别。提出一种基于动模式分解(DMD)和t分布随机近邻嵌入(t-SNE)聚类的液压泵故障模式识别方法。在泵体布置传感器进行监测获得振动信号,首先利用DMD进行分解获得表征信号本质特征的模式分量,再利用t-SNE进行降维聚类,实现不同故障类型的准确识别。通过数值仿真和试验台故障数据分析,验证了提出方法的可行性及有效性。