全矢谱

摘要： 针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法。对采集到的多通道的机械振动信号利用全矢谱技术进行融合,得到融合信号的主振矢、副振矢和振矢角。将融合后的信号输入到深度置信网络(DBN)中进行训练,利用多个受限玻尔兹曼机无监督预训练的方式层层堆叠进行前向传播,减少模型直接单向训练时的复杂度。然后利用反向传播对模型进行监督优化参数。最后,输出层采用Softmax分类器进行故障模式识别。提出的方法通过转子故障诊断验证,并与全矢谱-DNN和单通道-DBN做比较,提出的方法优于全矢谱-DNN和单通道-DBN方法,能够很好地融合多通道信息,并具有较高的识别率。

摘要： 针对传统智能诊断方法需要专家知识和复杂特征提取,而深度神经网络模型复杂度高、构建难度大,以及单源信号信息不完备等问题,提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点,选择全矢谱技术与深度森林多粒度扫描相结合,用于接收同源双通道信号输入,增强了数据的完备性,并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性,分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究,结果表明,该方法在不同旋转设备上都有很好的诊断效果,并可以实现端到端故障诊断。此外,该方法在小训练数据集上的故障识别准确率也非常高。

摘要： 实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号.为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法.首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合.然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型.最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别.

摘要： 大型旋转机械设备在发生故障时所造成的损失是不可计算的,因此建立了关联规则库预警模型.首先采用全矢Hilbert对正常运行状态下的同源双通道原始样本数据进行信息融合,然后进行离散化等预处理,建立后期工作所需要的数据库.利用Apriori算法发现滚动轴承八个特征频率幅值数据之间的未知关系,继而用挖掘出的关联规则构建一个规则库.将运行数据通过处理之后与所建立的规则库相匹配,并设立阈值,依据此结果在设备未完全报废之前,及时发出报警信号,达到预警目的 .

摘要： 本文提出了一种基于全矢谱的RNN故障诊断方法.RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类.全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征.经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型.

摘要： 针对单通道信号不能全面提取旋转机械的振动信息,为了从强背景噪声中准确提取出滚动轴承的微弱故障特征,提出了一种全矢频带熵(FV-FBE)的滚动轴承故障诊断算法.该方法采用短时傅里叶变换计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行滚动轴承的故障识别.实验结果表明:FV-FBE算法可以全面准确地提取滚动轴承故障特征,优于谱峭度算法得到的全矢包络谱,抗干扰能力强.

摘要： 针对传统智能故障诊断系统需要大量先验知识,以及模型复杂度高和单通道信号不完整造成信息遗漏的问题,将全矢谱技术与卷积神经网络(CNN)结合,提出一种新的滚动轴承的故障诊断模型.该方法将全矢谱技术与深度卷积神经网络结合,相比于单通道数据建立的模型而言,具有特征信息完整、模型适应性强等优点.首先利用全矢谱技术对采集的双通道信号进行信息融合,得到融合后的主振矢数据.然后结合主振矢数据与深度学习算法构建全矢深度卷积神经网络,模型能够自适应地提取故障特征,利用反向传播算法调节优化模型参数.实验结果表明:该方法能够提取更加完整的轴承故障信息,该模型具有更高的准确率和更好的稳定性.

摘要： 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.

摘要： 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.

摘要： 针对故障信号的非平稳特征和单源信息进行故障识别易造成误判,提出了一种多维经验模式分解(MEMD)与全矢谱(FV)结合的故障特征提取方法一全矢多维经验模式分解(FV-MEMD).MEMD是一种基于多源信息等尺度分解的信号分析方法,该方法避免了采用传统EMD分解的分量在数量和频率成分出现的不匹配现象.首先使用MEMD算法对多源信息进行自适应分解得到各阶IMF分量,然后采用互信息法计算出多元信息和各自的IMF分量的相关系数,筛选出敏感的IMF分量并进行重构,最后应用全矢谱技术对重构信号进行特征频率提取.为了验证该方法的有效性,对仿真信号进行了处理.结果表明信号用MEMD处理后对应的IMF频率成分相同,满足了全矢谱融合条件,能够有效的提取出故障特征频率.

摘要： 结合遗传算法建立了旋转机械故障诊断的GA-BP网络模型，以全矢谱分析方法获得的6个倍频特征为网络的输入，对转子的几种典型故障进行分类训练，并应用于测试样本的识别计算，结果表明该方法在旋转机械故障诊断中是有效的。

摘要： 针对在工程实际中单通道滚动轴承故障信号的特征提取信息不全面、不准确等问题,提出了一种基于全矢谱(Full Vector Spetrum,FVS)技术的局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)和核独立分量分析(Kernel Independent Component Analysis,KICA)相结合的方法,并利用Hilbert包络分析提取故障特征.首先通过LCD将两个相互垂直方向的振动信号分解成一系列内禀尺度分量(Intrinsic Scale Component,ISC),其后将含故障特征信息更加明显的较高能量的ICS分量利用KICA分离故障信号与噪声信号,最后利用全矢包络分析处理有效分量信号,提取故障特征.通过实验验证,该方法提取滚动轴承的故障特征有效.

摘要： 滚动轴承早期微弱故障特征信号容易被系统噪声掩盖,奇异值分解技术(SVD)可以有效降低噪声水平,提高周期成分的提取能力.全矢谱技术可以融合同源双通道信息,能够更加全面、准确地反映设备振动特性.结合两种算法的优点提出了基于全矢信息融合和奇异值分解的故障特征提取方法,实验证明了该方法的有效性.

摘要： 为了能够对轴承的故障进行准确的诊断,现提出一种结合了全矢谱技术和K-中心点的聚类分析方法.该方法应用全矢谱进行双通道采集信息,得出轴承的特征频率数据,相比单通道分析更加准确.然后用K-中心点聚类分析对轴承常见的几种故障进行诊断,得到聚类分析结果,相比与K-均值聚类分析来言可以不易受噪声和离群点的影响.该方法在WTDS实验台上进行验证.结果表明全矢K-中心点分析能够较为准确的对轴承故障进行诊断,能够应用于工程实际当中.

摘要： 提出一种基于旋转机械同源数据融合的全矢(Ensemble Empirical Mode Decomposition,EEMD)总体平均经验模态分解信号分析方法.EEMD法是在传统的(Empirical Mode Decomposition,EMD)经验模态分解法的基础上,为了有效地抑制模态混叠现象而提出的改进方法.而在一些实际应用中,全矢EEMD方法能够提供比直接进行全矢融合更为可靠的诊断结论.具体地实现在处理存在噪声的同源信号时,先进性EEMD分解,再进行全矢谱信号融合,并对比传统全矢谱法说明本方法的优越性与局限性.

摘要： 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.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,结合反向传播(BP)神经网络,构建全矢-BP神经网络预测模型.对风机设备轴承的频谱结构进行多步预测,比较预测精度.研究结果表明,该方法能准确对设备的频谱结构进行预测,为设备的预知维修提供技术支持.

摘要： 针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.

摘要： 针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.

摘要： 针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.

摘要： 一种铁路轨道偏矢矢距与矢距差快速测量方法，其特征是按以下步骤：（1）利用轨检仪连续测量轨道短弦中点矢距，获得短弦中点矢距序列；（2）计算n倍长弦条件下的偏矢矢距；（3）由各偏矢矢距，可得任意点间矢距差。本发明利用轨道检查仪能够快速、全面、准确的检测轨道短波不平顺的能力，构造递归算法，利用短弦的中点矢距信息测取轨道各点的不同测弦长度组合下的矢距及矢距差。该方法无需外部标志物的信息，测量与解算效率高，适合高铁轨道正线及道岔等设备的几何形位快速测量与日常养护。

摘要： 本申请公开了一种全脊椎最佳矢状位的确定系统、方法及装置。该方法包括：获取与脊椎相关的多个图像切片，所述脊椎包括多个椎骨；获取分类器，所述分类器用于识别所述椎骨的椎孔；利用所述分类器，识别所述多个图像切片中的一个或一个以上椎孔；基于所述椎孔，确定所述椎骨的最佳矢状位。本申请中公开的方法和系统可以快速定位到最佳矢状位，提高图像重建效率，带来了好的交互体验。

摘要： 一种铁路轨道偏矢矢距与矢距差快速测量方法，其特征是按以下步骤：（1）利用轨检仪连续测量轨道短弦中点矢距，获得短弦中点矢距序列；（2）计算

摘要： 本申请公开了一种全脊椎最佳矢状位的确定系统、方法及装置。该方法包括：获取与脊椎相关的多个图像切片，所述脊椎包括多个椎骨；获取分类器，所述分类器用于识别所述椎骨的椎孔；利用所述分类器，识别所述多个图像切片中的一个或一个以上椎孔；基于所述椎孔，确定所述椎骨的最佳矢状位。本申请中公开的方法和系统可以快速定位到最佳矢状位，提高图像重建效率，带来了好的交互体验。

摘要： 本发明公开了一种基于全矢谱的柔性转子动平衡方法，通过全矢谱分析软件能够客观真实地发现现场转子不平衡故障，并通过测取各测振截面上互相垂直的两个通道的振动原始信号，用全矢谱滤波方法来提取转子在各测振截面的工频主振矢，用此主振矢来代替传统单通道信号中提取的转子工频幅值和相位，结合影响系数法进行现场动平衡，平衡过程较少依赖于操作者的经验知识，可显著提高柔性转子动平衡的效率和精度，是一种高度集成的计算机辅助型现场动平衡方法。

摘要： 本发明公开了一种基于NA‑MEMD和全矢谱的齿轮故障特征提取方法，包括集正常双通道振动信号，发生中间缺齿故障的齿轮的双通道振动信号，1)通过对采集到的信号添加高斯白噪声，产生含噪正常双通道振动信号；含噪中间缺齿故障齿轮的双通道振动信号；2)将1)中信号经过NA‑MEMD处理，得到频段对应数量相同的固有模态函数(IMF)组；3)利用相关系数准则从IMF组中选择原始信号的敏感IMF；4)对提取出来的敏感IMF进行希尔伯特变换求取包络；5)最后将包络信号进行全矢信息融合，绘制全矢希尔伯特谱，实现对齿轮故障的特征提取。

摘要： 本发明涉及基于全矢谱特征提取的机械故障诊断方法和系统，首先，采集机组的振动类参量、工艺类参量和电气类参量；然后，将上述三类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；最后，将振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果进行故障诊断。在数据采集和提取过程中，除了获取振动类参量之外，还获取工艺类参量和电气类参量，结合这三种参量进行机械故障诊断。因此，该诊断方法更加全面，根据多方位的数据信息诊断机械的运行状态，大幅度提升诊断可靠性和准确性，避免传统机械智能诊断时特征量过于单一以致造成漏判或误判的弊端。

摘要： 本发明涉及一种基于全矢谱的故障征兆提取方法，属于机械故障诊断技术领域。本发明首先测量同一截面相互垂直的两个通道的振动原始信号，然后对所采集的两个通道的振动数据进行全矢谱滤波，提取矢量谱图上不同倍频下的主振矢量值；并对所提取的各倍频下的主振矢量值进行模糊化处理，确定各个倍频的隶属度；根据所确定的隶属度提取征兆信息，确定振动故障所属类型。本发明采用双通道的全矢谱分析方法能够客观真实地反映振动信号的频谱情况，结合合理的模糊分布函数，可显著提高故障诊断的可靠性。

摘要： 本发明公开了一种基于全矢谱的柔性转子动平衡方法，通过全矢谱分析软件能够客观真实地发现现场转子不平衡故障，并通过测取各测振截面上互相垂直的两个通道的振动原始信号，用全矢谱滤波方法来提取转子在各测振截面的工频主振矢，用此主振矢来代替传统单通道信号中提取的转子工频幅值和相位，结合影响系数法进行现场动平衡，平衡过程较少依赖于操作者的经验知识，可显著提高柔性转子动平衡的效率和精度，是一种高度集成的计算机辅助型现场动平衡方法。

摘要： 本发明涉及一种用于振动信号全矢谱分析的数据采集装置，包括嵌入式CPU，嵌入式CPU上接设有传感器接口电路，所述传感器接口电路设有至少一个传感器输入接口，传感器接口电路输出通过一个交直分离电路分别连接一个用于处理交流信号的放大、滤波电路和一个用于处理直流信号的放大电路，所述放大、滤波电路和放大电路的输出端均连接一个A/D转换模块，A/D转换模块与所述嵌入式CPU的对应端口连接；嵌入式CPU输出端口上还设有受控于嵌入式CPU、为传感器接口模块对应的传感器供电的恒流源模块。本发明提供的采集装置，能够进行全面检测，还能够保证进行信息融合的数据的同时性，有效提高了大型旋转机械故障诊断的准确性和可靠性。