非平稳短时矢谱研究及其应用

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 202-204.

非平稳短时矢谱研究及其应用

董辛旻^1,2,韩捷¹,石来德²

1.郑州大学振动工程研究所，郑州 450002
2.同济大学机械工程学院，上海 200092

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 董辛旻

Study on short time vector-spectrum and its application

DONG Xin-min^1,2,HAN Jie¹,SHI Lai-de²

1.Vibration Engineering Research Institute，Zhengzhou University，Zhengzhou 450002，China
2.Mechanical Engineering School，Tongji University，Shanghai 200092，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: DONG Xin-min

摘要/Abstract

摘要： 大型旋转机械的故障在发生或发展时，其运行过程具有明显非平稳特性的瞬态过程。通常的针对单通道信息的时频分析不能准确提取瞬态过程的特征信息。论文结合矢谱分析和短时傅立叶变换（STFT）技术提出了短时矢谱（STVS）分析方法。它融合了转子同截面两通道图谱中各自存在的振动分量，能准确地反映转子发生故障时的瞬态过程特征量变化。工程实践应用表明：短时矢谱分析对于旋转机械故障诊断是一种新的、较为实用的信息融合方法。

关键词: 旋转机械, 故障诊断, 矢谱, 短时傅立叶变换

Abstract: When the faults of the large rotary machinery happen or develop，the moving processes of the machinery are obviously transient processes.The usual analysis in time-frequency domain to a single channel can’t truly abstract the information of the processes.The Short Time Vector-Spectrum（STVS） is brought forward based on the Vector-Spectrum and the Short Time Fourier Transform（STFT）.It can fuse the vibration information of the two channels fixed at a section of the rotor and reflect exactly the change of the characteristic in the transient processes.Engineering practice indicates that the Short Time Vector-Spectrum is a new and usable method for rotary machinery fault diagnosis.

Key words: rotary machinery, fault diagnosis, Vector-Spectrum, short time Fourier transfrom

董辛旻^1,2,韩捷¹,石来德². 非平稳短时矢谱研究及其应用[J]. 计算机工程与应用, 2008, 44(1): 202-204.

DONG Xin-min^1,2,HAN Jie¹,SHI Lai-de². Study on short time vector-spectrum and its application[J]. Computer Engineering and Applications, 2008, 44(1): 202-204.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[9]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.