旋转机械故障诊断综述

文献总结一.旋转机械故障诊断试验台的研究北京化工大学1.实验系统组成和转子一般故障类型与特征1.1实验系统组成基本与本实验室转子试验台基本一致1.2转子一般故障类型与特征（1）不平衡：故障频率等于旋转频率，即基频（2）转子不对中：主要激发二倍频与多倍频振动（3）机械松动：一般非线性振动（4）摩擦：一般非线性振动（5）轴承引起：比较复杂2.旋转机械故障诊断常用方法时域，频域，幅值域分析结果均可作为故障征兆，目前以频域特征为主要故障征兆2.1功率谱估计经典功率谱估计方法(主要问题：泄漏，频率分辨率低)现代：最大熵谱估计参数模型功率估计提高了频率分辨率2.2时频域分析方法短时傅立叶变换：用窗函数将信号截断，每段视为平稳过程来估计，改进了传统傅立叶变换只适用于线性平稳信号的不足Wigner-ville分布：一维时间或频率映射为时间-频率二维函数，但存在频率干涉问题小波变换：适用于线性平稳与非平稳信号，具有良好的局部化特征基于EMD分解的希尔伯特变换：适用于大量频率随时间变化的非线性，非平稳信号分析2.3其他方法：轴心轨迹，全息谱，角域分析，分形维数……3.故障诊断推理方法基于控制模型的故障诊断基于人工智能的故障诊断基于知识的故障诊断基于神经网络的故障诊断基于支持向量机的故障诊断其他：模糊理论，模糊神经网络，粗糙集理论……4.技术路线模拟转子不平衡故障，监测采集转子振动数据与转速数据使用时域特征分析与小波包频域能量分析提取故障特征时域特征：均值，标准差，峰值，峰峰值，均方根值，峰值指标波形指标，偏度，峭度频域分析：频谱分析，小波包变换，基于EMD的希尔伯特变换对故障特征评估选择建立故障诊断模型的特征故障诊断模型分别采用向后传播神经网络（BP）自组织竞争神经网络（SOC）和支持向量机（SVM）二.大型旋转机械振动监测与故障诊断知识体系研究与实现重庆大学主要内容：介绍了振动分析常用方法1.时域分析关键：分辨率，时间间隔2.频域分析（1）频谱分析功率谱：振动能量在频域分布幅值谱：各频率成分对应的振幅（2）解调谱分析：检波滤波，同态滤波，高通绝对值分析（3）细化分析：进行局部放大，提高精度3.轴心轨迹分析：一般情况呈椭圆形，轴心轨迹图可用来确定临界转速4.相位分析（可用来验证临界转速）三.基于Hilbert-Huang变换的机电设备故障诊断综述针对信号中非平稳信号和非线性特征，信号时频分析技术应用而生。4.1HHT：基于信号局部特征和自适应，消除了传统信号分析方法如FFT分析所产生的表示非线性，非平稳信号的伪谐波，适用于大量频率随时间变化的非线性，非平稳信号4.2HHT变换原理第一步：对信号进行经验模态分解.通过对原始数据序列处理，将数据分解为一组固有模态函数和一个残余量之和。这些基本模式分量分别包括了信号从高到低不同频率段的成分，且这些分量是平稳化处理过的。第二步：对分解后的固有模态函数进行希尔伯特变换得到时频谱图Hilbert幅值谱Hilbert能量谱四.小波-神经网络在旋转机械故障诊断中的应用中北大学4.1神经网络优势针对旋转机械故障形式多样，原因与征兆之间关系复杂，很难用精确数学模型描述，人工神经网络具有高度并行处理与较强学习功能，分布式表示知识，能够逼近任意非线性关系，可用来建立特征参数与故障种类之间的非线性关系4.2小波包分析优点小波包具有将随尺度增大而变宽的频谱窗口进一步分割细分的特性，能够从复杂信号中有效提取微弱的故障特征信号并进行去噪，为神经网络提供可靠的输入特征向量4.3小波变换用于信号消噪对于具有非稳态时变性质的旋转机械振动信号，采用小波分析可以屏蔽噪声，较好再现系统故障特征4.4小波包特征提取五.基于小波分析和支持向量机的旋转机械故障诊断方法5.1技术路线运用小波包对振动信号进行分解与重构提取各个频带里的信号能量值将能量值作为特征参数输入到支持向量机故障模式识别5.2支持向量机与神经网络神经网络：存在收敛速度慢，局部极小点，过学习和前学习等不足，且需要大量故障数据。支持向量机：采用结构风险最小化原理，在解决小样本数据集及非线性问题上有独特优势，适合建立故障诊断模型六.一种基于经验模式分解与支持向量机的转子故障诊断方法6.1研究方案【1】采用自回归（AR）模型参数作为特征向量分析系统状态变化十分有效，但（AR）只适用与平稳信号分析，故首先采用EMD分解将信号分解为平稳化的一组固有模态函数（IMF）【2】对每个分量建立AR模型【3】取模型自回归参数而后残差的方差作为故障特征向量，并以此建支持向量机分类器，判断转子工作状态和故障类型SVM1f(x)=1?SVM2f(x)=1?SVM3f(x)=1?6.2支持向量机是一个两类分类器输入x(t)NNNYYY其他故障正常不平衡不对中七.分形维数在大型旋转机械故障诊断中的应用东北大学从状态向量中提取特征量---以分段关联维数为特征量---建立状态距离函数---模式识别关联维数：相对于其他分形维数算法简单，常用来处理时域序列数字信号，故障诊断中用来区分不同工况或进行判别八.基于遗传算法的旋转机械故障诊断方法融合哈工大针对任何单一性质故障特征，单一诊断方法都难以突破在整个状态空间上准确诊断的局限性，因此有效利用各种不同特征和不同诊断方法，在各自的优势空间上发挥作用。本文针对不同特征利用遗传算法将神经网络诊断和人工免疫诊断方法融合，用小波包能量特征和双谱特征对两种诊断方法训练以后，用遗传算法优化诊断融合权值矩阵。提高了故障诊断准确率，以及系统的鲁棒性九.基于CHMM的旋转机械故障诊断技术东北大学简介：隐马尔可夫模型具有较强的时间序列建模能力的信号模式处理工具。适用于非线性，重复再现性不佳的信号分析，采用12阶LPC倒谱系数进行特征提取，建立CHMM（连续）模型，通过求其最大似然概率值来判别机器运行状态。十.基于粗糙集理论旋转机械频域特性的故障诊断2.主要研究内容应用粗糙集理论将旋转机械转子的频域信息作为研究对象,从转子故障实验的频域图表及其相关数据中,构造符合粗糙集理论要求的决策表,并对决策表进行约简,得到旋转机械故障诊断的决策规则,优化鳞选出决策表的最小约简形式.3.结论通过仿真实验验证了应用粗糙集理论对旋转机械故障频域特性的知识库约简,极大地减少了数据库中数据量,对实现旋转机械故障在线诊断的智能化故障诊断提供了很好的途径.1.粗糙集理论：粗糙集理论是对不完整、不精确、不确定信息的表达、学习和归纳的理论,可将测量所得的数据信息进行分类、约简、挖掘并形成规则,它具有很强的定性分析能力.