针对往复机轴承性能衰退评估中模型适应性和指标量化困难等问题,提出一种基于奇异谱分布与核模糊C均值聚类算法(KFCM)的性能衰退评估方法。利用变分模态分解(VMD)算法提取并优选主模态多重分形奇异谱(MSS)构成谱形态参量,经奇异值分解降噪处理,建立KFCM与二叉树支持向量机相结合的评估模型,并给出完整的轴承性能衰退评估流程;进行压缩机轴承磨损故障模拟及算法对比分析。结果表明:该方法能有效评定滑动轴承磨损故障性能衰退程度。

针对往复压缩机气阀断裂型故障危害下故障振动波形的变异特点,为提高常见的气阀阀片失效后期断裂型故障的识别率,提出一种基于最优变分模态分解(OVMD)和三维奇异谱融合的诊断算法。通过VMD参数优化,利用多重分形去趋势波动分析(MFDFA)提取模态分量的三维奇异谱参数分析,结合核主分量分析降维提取不同工况模态分量的特征值,并建立完整的OVMD_MFDFA融合诊断识别方案。模拟试验和算法对比证实,该法能有效提高环状气阀阀片断裂故障诊断效率和准确性。

由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参数组合,利用正交性为指标选择最佳IMF分量,有效提高了IUPEMD对非平稳性信号的分解精度,减少模态混叠现象;以峭度为评价指标对分解后的IMF分量进行筛选,并重构信号,求解重构信号的RCMFE,提取故障特征向量;最后,将特征向量

由于往复压缩机的振动信号具有非线性非平稳性的特点,为进一步提高故障识别率,提出对自适应噪声完备集合经验模态分解(CEEMDAN)进行改进并与复合层次散布熵相结合的往复压缩机气阀故障诊断方法。利用正交性为指标选择最佳模态函数,有效提高了CEEMDAN对非平稳性信号的分解精度,减少噪声残差;采用峭度作为评价指标对分解后的IMF分量进行筛选并重构信号,求解重构信号的复合层次散布熵,提取故障特征向量;利用支持向量机进行分类识别。试验结果验证了

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解（Variational Mode Decomposition,VMD）的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN（K Nearest Neighbor）预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持。

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间,忽略最大预测可信时间而得到的仅包含有限离散振动幅值的预测,对具有周期震荡趋势信号的特征识别与寿命分析意义甚微。笔者从信息熵角度计算预测可信时间,在对振动时序局部均值分解(LocalMeanDecomposition,LMD)的基础上,建立基于KNN(KNearestNeighbor)非参数改进预测算法,从能量角度选择LMD主分量和影响权值,对主分量做相空间重构并构造预测序列,以最大预测可信时间为重构间隔,对不同特征模态相空间重构以实现对模型的变参数寻优;采用上述预测算法对2D12往复式压缩机轴承振动序列计算并提取故障特征分量,对比分析表明,该算法能较准确预测序列演化趋势并为寿命预测提供有效支撑。

结合神经网络和支持向量机的优点，针对实际应用的不同阶段，提出了一套基于神经网络和支持向量机的复合故障诊断技术。该技术不但可以融入新的故障信息，而且可以使故障诊断模型始终处于最优识别状态，并以往复压缩机气缸系统常见故障的诊断为实例，验证了该技术的有效性.

以往复压缩机传动机构为对象，利用ADAMS软件的碰撞函数，建立带有转动副间隙的往复压缩机传动机构多体动力学模型，研究间隙转动副对机构动力学性能的影响。考虑间隙幅值、气缸载荷、曲轴转速和柔性连杆等影响因素，进行五种工况的动力学分析。仿真的结果表明所述因素对机构的动力学性能影响显著。