由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

提出了一种基于全矢谱的CEEMD故障诊断方法。CEEMD是为了在保证所得到的分解与EEMD有相当的分解效果的前提下,还要有效的抑制由白噪声引起的重构误差。具体做法主要是在分别进行EMD分解之前把两对相反的白噪声信号加入到原始信号中。此外,CEEMD对比EEMD,筛选迭代次数大大的减少了,进而使计算成本得到了有效的降低。根据分解得到的IMF分量的频率及其能量特点,通过全矢谱技术融合特定的IMF分量,得到基于CEEMD的全矢谱,进而进行故障诊断。由实验结果证明,经过该方法提取的故障特征更全面、精确。

现代机械设备逐渐关联化,传统的单通道数据难以全面反映设备的运行状态。因此提出一种以全矢谱为基础结合核主成分分析和隐马尔科夫模型的滚动轴承剩余使用寿命预测新方法。首先利用全矢谱技术,对原始信号的振动信息进行同源双通道振动信息融合,克服单通道信息不全的缺点,得到较为全面的频谱结构。然后对融合后的信号进行多元时频特征提取,利用KPCA降维方法,设置降维数据置信率为95%,提取主元信号,以HMM最大似然值识别当前设备运行状态,从而进行剩余使用寿命的预测。最后,利用轴承的全寿命进行验证,结果表明该方法可以对滚动轴承剩余使用寿命进行较为准确的预测!

为实现有效的故障诊断,提出一种基于HHT时域边际谱的轴承诊断方法,对使用中的轴承进行诊断。通过ANSYS完全瞬态分析方法得到转子系统同一截面上互相垂直的两组同源信号,并得到其HHT时域边际谱,将所得到的单通道信号和全矢谱技术融合后的全矢HHT时域边际谱信号相比较,并结合实验分析,结果表明全矢HHT时域边际谱能更好的应用于滑动轴承裂纹转子系统故障诊断分析中,这为滑动轴承裂纹转子系统的故障诊断提供了一种新的方法。全矢HHT时域边际谱显示,当滑动轴承转子系统发生裂纹故障时,系统存在多倍转频,并且此时伴随低倍频存在。

对旋转机械进行频谱结构预测可以有效地掌握设备未来的运行状态,预判故障类型、性质,锁定故障位置。由于基于单源信息的频谱结构具有不确定性,无法进行预测研究。为保证预测结果的唯一性和准确性,将全矢谱技术引入预测模型,结合灰色GM(1,1)模型,构建全矢-GM(1,1)预测方法用于设备频谱结构预测研究。以汽轮机转子为对象,对其频谱结构进行多步预测,预测精度较高、误差可接受。实验结果表明,该方法能准确对设备频谱结构进行预测,为预知维修提供技术支持。