振动信号中的周期性脉冲对于轴向柱塞泵故障诊断具有重要意义,但在工作状态下,轴向柱塞泵的振动信号经常会受到背景噪声和柱塞往复运动引起的自然周期性脉冲的污染,故障特征提取是轴向柱塞泵故障诊断的一个难点。为解决这个问题,提出基于增强聚类分割与L-峭度的Teager能量算子解调方法。与传统的聚类分割方法不同,增强后的算法是一种两周期的方法,能够有效从背景噪声和自然周期性脉冲中提取故障特征。L-峭度在识别周期性脉冲方面与峭度类似,但不像峭度对离群值那么敏感。Teager能量算子解调计算简便,比传统的希尔伯特解调更适合用来进行故障特征提取。为说明该方法的可行性,进行仿真模拟和试验数据研究,并将结果与传统的聚类分割方法进行了比较。结果表明,该方法能够有效地检测轴向柱塞泵的缸体和轴承故障。

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先,采用多传感器对振动信号进行采集,完善振动信号的故障特征信息。其次,针对振动信号的非平稳、非线性等特征,提出基于多元多尺度散布熵的多通道融合方法,获取一维故障特征向量,从而达到增强故障冲击特征的目的。然后,将故障特征向量输入到深度残差收缩网络模型,通过注意力机制,利用软阈值函数降低样本噪声及无关特征干扰,实现轴向柱塞泵故障特征识别。最后,通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明,该方法可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法。

齿轮箱是机械设备中一种必不可少的通用零部件,也是故障多发部件,而齿轮失效又是诱发其故障的重要因素。因此发展新型齿轮箱故障诊断技术具有重要意义。搭建了基于Polytec激光测振仪的光学测量系统,拾取齿轮箱振动信号,采用第二代小波提取故障特征,达到了故障诊断的目的,可用于齿轮箱故障预知和智能维修。

提出了一种用于轴承转子系统分析的区间B样条小波有限元方法。构造考虑剪切变形的Rayleigh—Timoshenko区间B样条小波转轴单元，该单元每个节点具有4个自由度，即：2个平动和2个转动，分别表示横向弯曲和转动位移。该单元可以解决传统Timshenko转轴单元在分析柔性转子系统时，存在的剪切锁死现象。建立轴承转子系统小波有限元模型，考虑陀螺效应、截面转动惯量、材料迟滞和粘性阻尼、轴承的交叉刚度与交叉阻尼的影响。实验研究表明了该单元的实际应用效果，数值算例进一步验证了小波有限元法良好的性能，为工程中复杂柔性和短粗转子系统动力学分析提供了新方法。

多重分形去趋势波动分析(MF-DFA)能够有效地揭示隐藏在非线性和非平稳振动信号中的多重分形特征,而液压阀磨损产生的泄露故障信号往往具有非线性、非平稳,且不同严重程度故障信号特征难以辨识,MF-DFA扩展了液压阀的特征提取及故障诊断方法。然而MFDFA去趋势多项式阶数选取的不恰当往往会出现欠拟合或过拟合现象从而产生新的波动误差。为此,提出了一种改进MF-DFA方法实现故障特征提取。通过建立低阶多项式信号轮廓去趋势拟合曲线和不同时间尺度固有模态函数(IMF)之间的相关性,选取最优的IMF模态分量的累计和将其作为信号轮廓的趋势项,进而提取分型谱参数特征。最后,通过随机森林分类器进行故障模式识别。实验结果证实了所提出的方法在电液换向阀内泄漏故障诊断中的有效性。

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。

针对集成经验模式分解(Ensemble empirical mode decomposition,EEMD)在轴承故障特征提取中的问题,提出一种混合故障诊断方法。首先,将“形态滤波-平移不变量小波”作为EEMD的前置滤波器,实现对原始信号中窄带脉冲和随机噪声干扰的有效消除;其次,针对本征模式分量(Intrinsic mode functions,IMFs)中真实分量的选取问题,提出一种轴承振动信号EEMD分解的筛选规则,即计算各IMFs和原信号的自相关函数并作归一化处理,然后计算各IMFs自相关函数和原信号自相关函数的相关系数,以最大相关系数的一半作为阈值剔除虚假的IMFs,与此同时保留第1和第2阶IMFs,从而实现对EEMD的改进。仿真和实验轴承故障诊断研究表明了该方法的有效性,方法的优点在于将“形态滤波-平移不变量小波”作为集成经验模式分解的前置滤波器,可有效去除故障轴承振动信号中的窄带脉冲和随机噪声干扰;本文的...