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。

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。

以滑动轴承转子系统为研究对象,采用ANSYS软件建立滑动轴承双盘转子-滑动轴承系统有限元模型,将所得到的单通道信号和全矢谱技术融合后的全矢Hilbert解调信号相比较,并通过实例分析验证,结果表明全矢Hilbert解调信号能够更好的识别滑动轴承转子系统油膜失稳的故障特征,并且该方法有助于降低系统采样难度,该结论为油膜失稳故障提供了新的诊断方法,与传统方法所得结果不同,该方法显示发生油膜振荡时系统半频成分处于一定范围内而非一固定值。

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。

局部均值分解（LMD）可将采集的时域信号分解为多个单分量信号（PF）,全矢谱（FVS）技术可将双通道信息相互融合,防止单通道信息不完整。在此基础上,借鉴边际谱的思想,提出了一种新的解决方式—积频谱（FAS）：采集滚动轴承的同源双通道振动信号,用LMD对同源双通道的振动信号进行处理,得到双通道各个分量的瞬时幅值和调频信号,并对调频信号进行计算得到各个分量的瞬时频率,由此可求出各通道LMD的时频分布;对时频分布进行频率上的积分后,再通过傅立叶变换求出各通道的积频谱;并通过信息融合,将得到的全矢积频谱和单通道积频谱进行对比。选择有外圈故障的滚动轴承进行试验,试验结果表明,该方法是有效的。

支持向量机（SVM）在解决小样本、非线性及高维问题方面表现突出,支持向量回归（SVR）目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归（FVSVR）频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解(ITD)和独立分量分析(ICA)相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。

针对低速重载轴承故障信号频率低、单通道情况下复合故障信号不完整,从而导致故障特征提取困难的问题,提出将全矢谱技术与EMD相结合的方法解决低速重载轴承故障诊断问题。首先对时域非平稳信号进行角域重采样转化为角域伪平稳化信号;然后通过EMD进行信号的分解与重构,采用双通道全矢谱技术进行同源信息融合,弥补单通道信号测量的不完整性;最后对重构信号进行频谱分析提取特征参量进行故障识别,并通过试验分析进行了验证。

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。

为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。