转子系统不平衡-轴承耦合故障下,不平衡故障特征与轴承故障相互调制,弱故障特征易被强故障特征和强噪声成分淹没。通过稀疏表示最优参数的选取,减少稀疏重构误差,提出一种多步网格搜索优化稀疏诊断方法,进一步提高了稀疏表示算法的抗干扰能力。首先,基于多步网格搜索理论,建立多步网格搜索优化稀疏表示方法模型,实现计算精度的提高;其次,通过优化位移因子和频率因子,实现基于自适应Gabor原子字典正交匹配追踪算法的信号重构;最后,对不同信噪比的耦合仿真故障数据进行分析。结果表明,随噪声干扰增大,所提方法的抗干扰能力增强。不同实验案例进一步验证了所提方法的准确性和适用性。

稀疏表示在图像处理领域、音频处理领域有着广泛应用,将稀疏表示理论应用在振动信号处理领域可以高效地表示出信号的周期性成分。通过对Adams系统仿真和实测信号的转子耦合故障数据进行稀疏表示,研究了稀疏表示下转子不平衡-轴承耦合故障的振动特性以及故障间相互影响规律。结果表明,耦合故障下轴承故障通常会被淹没,且相较于不平衡故障表现出弱故障特征。针对转子不平衡-轴承耦合故障中轴承故障特征不易提取这一问题,采用基于Gabor原子的稀疏表示方法匹配转子不平衡-轴承耦合故障振动信号中的周期性振动成分,并通过谱峭度算法寻找冲击信号所在频段进行轴承故障特征提取,通过对多组实测信号分析,验证了该方法的有效性。

旋转机械振动信号具有较强的非线性、非平稳性的特点,互补集合经验模态分解(CEEMD)克服了传统EEMD的缺陷,提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异,提出一种基于多尺度加权CEEMD的一维卷积神经网络(1DCNN)故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数(IMFs),然后求取各个IMF分量的峭度值,计算各分量峭度所占权重,根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集,将训练集输入到一维卷积神经网络中学习更新网络参数,然后用验证集进行验证得到最优诊断模型,最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证,诊断精度分别为99.98%和99.73%,表明所提方法能够快速准确地诊断出不同故障类型,并且具有较高的故障...

针对单源信号对回转机组电机多点复合故障信息表征不充分及复合故障信号小样本问题,提出一种小样本下电机复合故障的多头卷积神经网络迁移学习模型,实现小样本下电机复合故障的多源异构迁移诊断。将动力装置中电流、振动等多源原始数据作为输入,构造超参数优化的多头卷积神经网络模型。将大样本单故障的原始数据集作为源域,构建目标域下以原始数据为输入的电机小样本复合故障迁移网络模型。将正则化惩罚项应用到迁移学习模型中,构建模型目标函数参数更新准则,实现模型对源域与目标域参数的自适应更新配适。试验结果表明:单源信息的诊断可靠性依赖于数据源的选取,多源信号的多头卷积神经网络模型可有效融合电流、振动信号并实现特征提取。通过与多个模型比对,所提方法在小样本下对电机复合故障的识别精度显著提升,且收敛时间...

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。

针对转静碰摩故障的振动响应问题，采用小波基函数db6三层小波包分解和能量谱相结合的分析方法，对实测的碰摩故障信号进行频带能量特征提取。通过对仿真和实测信号进行小波包分解后作频谱分析发现：当转子发生转静碰摩故障时，频谱图中除了转子的工频外，在分频、分频倍频处引起比较稳定的分数谐波，并出现了3x等高阶倍频频率成分。在对实测信号作进一步能量谱分析时，存在碰摩特征频率的频段能量发生了变化，因此小波包能量谱分析方法能够很好地区分转子的碰摩故障。

针对齿轮故障振动信号的调制特点，设计了一种基于振动信号的齿轮状态检测分析系统，实现齿轮传动过程中异常状态的实时在线检测。以LabVIEW为开发平台，在开发齿轮状态监测各个程序模块的基础上，设计了基于Hilbert的包络解调分析模块。最后通过仿真和实验对齿轮故障的调制振动信号进行了解调分析。分析结果表明，基于包络解调分析模块的齿轮检测系统可准确地对齿轮故障的类型和位置进行识别。