摘要：为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

摘要：针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。

摘要：随着旋转机械的大型化、高速化、高精度化,全面、及时、有效的对其进行故障特征提取的重要性愈来愈明显。传统的单通道信息采集方式有着信息量不全面易造成误判的弊端;传统的信息处理方式存在着效率低等弊端。基于同源信息融合和故障特征提取的思想,将全矢谱技术和粗集理论结合,提出了全矢-粗集理论在旋转机械故障频谱特征提取中的应用方法,给出了相关的定义和算法。并通过典型故障的实验验证,此方法在旋转机械故障频谱特征提取中有着更为准确、全面的优势,是一种有效的故障频谱特征提取方法,为旋转机械故障的在线监测提供参考。

摘要：建立了转子-滑动轴承-基础动力学分析模型,利用全矢谱技术分析了转速对轴振和瓦振以及轴振与瓦振比例关系的影响程度。结果表明,在刚性转子条件下,瓦振与轴振椭圆轨迹随转速变化较为相似;而在柔性转子条件下,两者主振矢之比和副振矢之比随转速变化更为相似。该结论为全矢谱技术在轴振与瓦振信号处理中的应用提供了理论参考。

摘要：基于全矢谱分析技术的理论,对全矢谱体系进行了深入研究。探究全信息分析与传统常规分析之间的内在联系,使之可以相互兼顾。进行了全矢谱体系在计算方面,图谱表达方面及诊断规则方面的兼容性问题的研究。在研究探索崭新故障分析诊断分析方法时,建立全矢谱体系与传统方法之间的联系,对基于单源信息的分析方法的诊断经验和诊断规则进行了调查,对全矢谱分析这种新方法的推广,应用和普及具有重要的现实意义。表明全矢谱分析对于旋转机械故障诊断是一种非常实用的分析工具。

摘要：齿轮传动作为机械传动主要形式之一,应用极为广泛,设备在高速运转下,一旦发生齿轮断齿故障将会带来巨大的经济损失以及人员伤害,为让损失降到最低,需要做到故障强度早知道,因此设备故障强度预测显得尤为重要。单通道预测方法由于获取振动信息不完善,导致预测结果一致性差,从而不能很好地实现故障强度的预测。通过全矢谱获得的频谱结构具有唯一性的特点,能够很好地弥补单通道的不足,在此基础上,将时序预测方法 ARMA模型与全矢谱技术相结合,提出了全矢-ARMA模型预测方法,并把该方法应用到齿轮断齿故障强度预测研究中。实验表明,该方法预测齿轮断齿故障强度结果与实际较吻合。

摘要：全矢谱理论将两个单源信号复合成矢量信号来处理信息,可以反映转子在某截面内的真实振动情况。基于全矢谱理论,定义了全矢幅频特性图和三维全矢瀑布图的概念。利用Benlty转子实验台进行了数据的采集。实验显示,所得全矢幅频特性图和三维全矢瀑布图作为机组启停车分析工具,相比单源信号的幅频特性图和瀑布图,振动幅值更加准确明显,解决了原图谱两单源信号间存在幅值大小相差较大的问题,有助于更准确的故障诊断,在大型机组启停车故障诊断中具有广阔的实用价值。

摘要：旋转机械的振动信号频谱分析中,存在单源信号信息不完整、频率调制等问题,导致频谱不能全面、清晰地反映设备运行状态,增加误判风险。而全矢谱技术能充分融合双通道振动信息,Hilbert变换对时域信号包络解调效果良好,结合两者的优点形成Hilbert-全矢谱方法,并将其应用于滚动轴承退化过程分析中。实验表明,Hilbert-全矢谱能更加准确、全面地反映设备振动特性,从中提取的特征主振矢,既能够表征滚动轴承退化过程中的振动强度,又可以区分其故障类型。

摘要：针对滚动轴承信号的非平稳调制特性以及单通道分析易造成信息遗漏的缺点,提出了一种基于快速谱峭度算法(Fast Kurtogram)和全矢谱技术的故障特征提取方法。首先利用快速谱峭度算法自适应地确定带通滤波器的最佳中心频率与带宽等参数,根据所选参数构建带通滤波器对双通道故障信号进行滤波,以提高其信噪比;然后对滤波后的信号进行全矢信息融合以保证故障信息的全面性;最后对信息融合后的信号进行包络解调分析以获取振动信号的故障特征信息。实验分析结果表明,该方法能有效地提取滚动轴承的故障特征频率,并提高故障诊断的准确性。

摘要：传统的倒频谱技术处理信号提取特征是基于单通道数据以及其本身计算需要经过两次傅里叶变换的局限性,获得的频谱特征不足以完全反映设备运行状态,同时还会造成谱线泄露严重,分辨率低等问题,基于此,提出一种新的思路:将全矢谱,最大熵谱与倒频谱理论相结合提出全矢最大熵倒谱新方法,新方法以全矢谱为基础,对全矢最大熵功率谱进行傅里叶变化得到。给出基本理论及计算公式,并通过实验处理故障信号与常规倒频谱进行对比。结果验证了新方法的有效性,且相比传统倒频谱具有更高的分辨率。