防砂泵车故障的小波神经网络诊断法

将小波包分析应用于往复泵的故障特征提取中，建立了往复泵小波神经网络故障诊断模型。使用小波包分析的特征提取功能以及神经网络的非线性映射功能能够较好地完成从振动信号到往复泵故障的分类。以此为基础开发出的故障诊断软件系统具有使用的特征量较少、建造故障诊断系统较为简单等优点。通过对液力端的多故障诊断检验表明，该系统完全能够较准确地识别出往复泵多种常见故障。     

一种往复泵故障诊断的智能方法

<正>1往复泵故障特点与诊断现状往复泵是一种石化企业应用非常普遍的设备,由于结构复杂、激励源多,对其进行故障诊断较为困难。为了提高往复泵故障诊断的有效性,针对往复泵的常见故障类型,本文介绍一种基于小波分析的往复泵泵阀故障的智能诊断方法。     

小波包变换在往复泵活塞状态监测中的应用

根据小波变换能同时在时间域和频率域进行局部化信号分析的特点,采用小波包分解、小波包重构及小波包分频带能量监测方法对往复泵活塞状态进行识别,取得了良好的效果。这种方法具有特征参量少、故障特征突出等优点。可以预见,信号的小波包分析将发展为一种可用于往复泵工况监测与故障诊断的特征提取方法     

基于压力信号的小波神经网络往复泵故障诊断

为有效提取往复泵工作时非平稳时变信号中的故障特征和将故障特征准确分类,提出以泵缸内的压力作为系统特征信号来提取故障特征向量的方法.将小波包分解的"频率-能量-故障识别"模式诊断方法引入泵阀工作状态监测中,通过改进的BP神经网络进行故障诊断.试验确定了网络的初始值,即选择学习率初始值为1.5、惯性因子为0.6、网络结构为3层的BP网络,其中隐含层的节点数为19个,即网络的结构是8-19-3.结果表明,该法降低了对原始信号处理的难度,且各阀箱内的压力之间无相互影响.该技术已应用于某船载系统的往复泵实时故障诊断中,实验验证了其有效性.     

煤矿主通风机故障诊断的小波包方法

针对传统的时域和频域分析存在难以同时诊断故障时间和具体类型的瓶颈问题,提出一种基于小波包分解的煤矿主通风机故障诊断方法.在深入分析煤矿主通风机故障机理的基础上,采集对故障敏感的振动信号,并用具有时频局部化特性的小波对其进行三层小波包分解,通过提取各个频段信号的能量特征值,诊断故障.经实例验证,该方法能有效的诊断出故障时间和类型,为煤矿主通风机故障诊断的研究作了新的探索.     

基于压力信号的循环泵故障诊断小波神经网络技术

以泵缸内的压力信号作为系统特征信号,将小波包分解的"频率-能量-故障识别"的模式识别故障诊断方法引入泵阀工作状态监测技术,通过改进的BP神经网络进行故障诊断.此技术已应用于循环泵实时故障诊断系统中.     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.本文提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于小波能量谱和粗糙集的离心式压缩机振动故障诊断

结合小波能量谱和粗糙集理论各自优点,采用尺度小波能量谱计算公式对实测的时域信号进行尺度小波能量谱计算.以尺度小波能量谱为特征参数,对应故障为决策属性,结合粗糙集理论进行故障诊断规则获取,从而提出一种基于小波能量谱和粗糙集理论的离心式压缩机振动故障诊断方法.研究结果表明:测试样本对象诊断正确率为100%;该方法不需要精确计算离心式压缩机振动的故障特征频率,与传统的提取时域和频域参数方法相比,诊断正确率达88.5%.     

煤矿通风机故障诊断的小波包方法

针对常用的时域和频域分析在诊断通风机故障时存在不能同时诊断出故障时间和类型的瓶颈问题,提出基于小波包分解的煤矿通风机故障诊断方法.在分析通风机故障特征的基础上,利用时频两域都具有表征信号特征能力的小波,对采集来的通风机振动信号进行小波包分解,利用分解的小波系数,在各个频段上进行小波信号重构,并计算信号各个频段的能量特征值,提取故障特征,诊断故障发生的时间和故障类型.经实际验证,小波包分解能将故障信号有效的划分到不同的频段内,而且时域和频域局部化特性好,能有效的诊断出通风机故障,具有良好的理论意义与工程应用价值.     

基于时频图像GLCM-HOG特征的往复压缩机故障诊断

往复压缩机的故障诊断技术能够为工业生产提供有效保障,针对传统方法诊断准确率不高的问题,提出了一种基于振动信号时频图像灰度共生矩阵-方向梯度直方图(GLCM-HOG)特征融合的往复压缩机故障诊断方法.首先,采用小波变换的方法处理往复压缩机的振动信号,生成时频图像;其次,利用灰度共生矩阵(GLCM)和方向梯度直方图(HOG)的方法提取时频图像特征,融合构建GLCM-HOG特征;最后,将融合特征输入支持向量机(SVM)进行分类,以判别往复压缩机的运行状态.实验结果表明,所提方法对设备的状态识别准确率可以达到92.33％,能够实现往复压缩机的准确诊断.     

基于声卡的乳化液泵故障诊断系统

通过分析乳化液泵排、吸液阀振动产生的机理设计了泵的振动信号测试系统和泵的故障诊断软件。测试系统采用PC计算机、电涡传感器,声卡,建立了乳化液泵振动信号的信号采集系统并对测点的安放进行了说明。用声卡成功地代替了一般的数据采集卡来采集振动信号,有效的降低了整个测试系统的成本。乳化液泵故障诊断系统软件主要包括主调度模块、功能模块组、人工神经网络程序包和数据库等部分。主调度模块主要控制和协调诊断系统其它部分的工作。诊断系统软件的在线故障诊断功能、事后故障诊断功能、人工神经网络的训练以及其它工具的功能都是通过它调用相应的功能模块或子程序来实现的。中心数据库是为整个乳化液泵状态监测与故障诊断系统服务其主要功能是存储各种过程参数和故障诊断参数。     

汽轮机故障诊断中的信息熵融合

在汽轮机轴系振动故障模拟试验的基础上,对大量故障模拟试验数据进行计算,建立了典型故障的4种信息熵样本.采用概率神经网络对故障信号的4种信息熵特征进行融合研究,并将融合结果与最小距离分类器的分类效果进行了对照分析.研究表明,概率神经网络可实现对训练样本100%的正确识别率,对"陌生"样本的正确识别率也超过80%,其识别效果远远超过最小距离分类器.可见,概率神经网络综合了贝叶斯分类器和神经网络的优势,在汽轮机故障模式分类方面具有明显的优势,利用概率神经网络融合信号的信息熵特征实现汽轮机轴系故障模式识别是一种可行有效的方法.     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

一种基于小波分时灰度矩与概率神经网络的电网故障诊断方法

为提高电网故障诊断的准确率和速度,提出一种将小波分时灰度矩与概率神经网络相结合的电网故障诊断方法,通过对小波灰度矩进行时间上的划分,计算得到故障发生后电流在不同时刻的灰度矩的值,从而得到小波系数随时间的变化情况;以小波分时灰度矩作为概率神经网络的输入,诊断结果作为输出,实现对电网故障的自动诊断,利用PSCAD/EMTDC对电网不同类型的故障进行了仿真,采用连续小波变换对电网发生短路故障后的暂态信息进行分析,提取其灰度矩信息,利用概率神经网络进行了故障识别。仿真结果表明,小波分时灰度矩具有较强的细节表现能力,可作为电网故障的故障特征,与概率神经网络相结合可有效地实现对电网故障的自动识别。     

神经网络在往复泵活塞磨损故障诊断中的应用

对用人工神经网络识别往复泵活塞磨损故障进行了研究。以在往复泵缸套压盖上采集的振动信号的振动功率谱为主要征兆，建立了基于人工神经网络的往复泵活塞磨损故障诊断系统。计算机模拟识别表明，运用该系统可较为准确地判别出活塞的磨损（破损）故障。     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．