在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明采用多传感器提...

针对CICA方法用于轴承早期故障诊断中,滤波参数选择困难的问题,提出了一种基于遗传算法改进的小波滤波、CICA方法相结合的故障诊断方法,小波滤波器的参数通过遗传算法优化得到。在对采集到的多路信号进行滤波时,提出以峰值因数为目标函数,借助遗传算法构建带通滤波器,这样避免了盲目或者凭经验选择滤波器参数,经过滤波后,提高了轴承故障信号信噪比。接下来,输入到以负熵为目标函数,乘子算法为优化算法的CICA方法中,可以将有用的信号从混合的信号中分离出来,利用TEO方法进行解调识别故障特征。

针对旋转机械转子振动信号通常伴随着强噪声,难以提取其有效信息的问题,提出一种基于时变滤波经验模态分解(Time varying filtering based empirical mode decomposition,TVF-EMD)和Teager能量算子(Teager energy operator,TEO)相结合的故障特征提取方法。首先,用TVF-EMD方法自适应地分解轴承振动信号,以获得一组本征模态函数(Intrinsic mode functions,IMFs);然后,对分解结果进行峭度计算,并根据峭度最大准则选出峰度值最高的敏感分量;进而,利用Teager能量算子对选定的敏感分量进行解调处理,通过观察明显的周期性故障特征频率来实现轴承微弱故障特征提取。进行了仿真和实验,结果证明,该方法能有效实现轴承微弱故障的诊断。

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法。首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息。结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断。

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信

Teager能量算子追踪并计算信号的瞬时能量,在检测信号冲击特征方面具有独特优势,已广泛运用于轴承的故障检测,但尚未见其在列车轮对轴承声音信号分析中的运用。为此,提出一种基于Teager能量算子解调的轮对轴承故障检测方案,首先介绍Teager能量算子的概念及解调原理,利用该方法对型号为197726TN的轮对故障轴承服役过程中采集的声音信号进行分析,通过Teager能量算子解调得到信号的瞬时能量波形,再对其进行包络谱分析得到包络谱,进行轴承故障识别。与常规的Hilbert解调方法对比,可知Teager能量算子解调法能更加有效地突显故障信号特征并确定故障类型,其在轮对轴承声音信号故障检测上的优势得到验证。

针对滚动轴承早期微弱故障能量小，易受背景噪声干扰的问题，提出了基于谱峭度（SK）和约束独立分量分析（CICA）相结合的方法来提取故障特征。首先，对信号的快速谱峭度图分析得到带通滤波的优化参数，以实现降噪作用；然后，将滤波后的信号作为CICA的输入信号，依据滚动轴承故障特征频率建立参考信号，提取出目标振动信号；最后，利用Teager能量算子解调方法得到信号的能量谱，识别故障特征。

针对传统包络方法中存在的不足,提出一种新的能量转换表达。该种新的能量表达主要基于高阶对称能量算子。这种新的表达可以跳过求包络信号这一步,而直接得出故障信号的能量,从而从能量谱中分辨出轴承故障特征及其倍频。同时,由于采用了对称高阶求导方法,大大增强了检测轴承微弱信号的能力,可以从受到严重污染的测量信号中提取出轴承故障特征,因此它具有更好的鲁棒性。将该方法应用到仿真模拟信号与实际轴承故障信号中,并与传统的解调算法Teager能量算子和希尔伯特变换进行对比,证明了该方法的实用性和优越性。

针对柱塞泵早期故障时特征信号微弱的问题,首先对采集到的泵壳体振动信号进行极值域均值模式分解（extremum field mean mode decomposition,EMMD）,得到有限模态分量IMF及余量C,然后对IMF分量进行Teager能量算子解调,提取特征频率点的能量信息组成能占比特征向量,并利用分类敏感度对向量进行筛选,最终获得有效特征向量。实验结果表明,采用EMMD-Teager方法能有效对信号进行滤波,方便从频域提取特征,经过筛选后的能占比特征向量可以准确分类柱塞泵正常、柱塞孔磨损及滑靴磨损3种状态。