振动诊断技术及其在生产中的应用

振动是机械设备故障的普遍表现形式,正确分析振动信息,可以找到机械故障的真正原因,从而为避免和消除故障提供了一条捷径。本文介绍了振动诊断技术的原理和具体的分析方法,并结合实际给出了部分判断数据,通过实例介绍了振动诊断技术在状态监测和故障诊断中的具体应用。实践证明振动诊断技术在机械设备状态监测和故障诊断中具有重要意义。     

S变换与Elman网络的滚动轴承故障诊断

轴承故障诊断研究是机械设备故障诊断研究的重要组成部分.为了提高轴承诊断系统的实时性与准确性,提出一种基于S变换和Elman神经网络的轴承故障诊断方法.算法的有效性通过深沟球滚动轴承故障诊断得到验证,系统能够辨识出轴承内圈、外圈和滚动体故障,平均识别精度较高.     

模糊控制理论及音谱分析技术在 D.R. 中的应用

以用于故障诊断的机器人（ＤｉａｇｎｏｓｉｓＲｏｂｏｔ，简称Ｄ．Ｒ．）为例，介绍一种利用模糊控制理论及音谱分析技术对机械设备进行故障诊断的方法。应用这种技术，可使Ｄ．Ｒ．在强噪音环境下准确地探测到故障源并分析出其故障类型。     

往复压缩机故障诊断技术研究

本文以往复压缩机作为分析对象,通过阐述往复压缩机经常出项的两种故障,提出若干种有效的故障诊断技术,希望能够给予机械设备维修人员一些工作上的帮助,或者提高机械设备故障的诊断水平及质量。     

二维曲线相似与统计学原理在旋转设备故障识别中的应用

在机械设备状态检修中使用振动故障诊断已经相当普及。目前普遍采用设置阈值或数值的变化趋势实现故障预警,再通过大量的故障诊断算法实现故障识别。提出一种新的基于几何相似和统计学原理的故障频谱相似度算法,可以简单有效快速的实现故障识别。     

汽轮机常见运行故障分析

近年来,随着科学技术的发展,使得我国在汽轮机的实用性、稳定性以及安全性等方面有了质的飞跃,机械设备的可靠性、可用性、可维修性与安全性的问题也日益突出,从而促进了人们对机械设备故障机理及诊断技术的研究。汽轮发电机组是电力生产的重要设备,由于其设备结构的复杂性和运行环境的特殊性,使得汽轮机的故障率较高,而且故障危害性也很大。因此,汽轮发电机组运行故障诊断一直是故障诊断技术应用的一个重要方面     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断.结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发电机组的故障进行了诊断,诊断结果是正确和有效的.     

声信号分析方法在轴承故障诊断中的应用

由于轴承故障声信号的混响及临近的机械设备的噪声,造成声信号的频域分析很困难.通过小波变换原理,对滚动轴承故障声信号进行时频分析.通过对声信号的多尺度分解,分离出由故障造成的声信号突变.实验结果表明,较之以往的时域、频域信号处理技术,该方法对声音信号分解更趋合理,是一种可靠和有效的滚动轴承故障诊断新方法.     

浅谈设备状态监测及故障诊断

该文通过分析我国机械设备状态监测及故障诊断技术的研究现状和存在问题,提出早期发现故障及原因,并预测机械故障诊断技术的发展趋势,具有一定参考价值。     

自适应冗余多小波及其在故障诊断中的应用

针对机械设备在运行过程中萌生的故障尚在特征不明显、特征信息微弱且往往被机械设备运行过程中的强噪声所淹没等给故障特征提取与故障定位带来了很大困难,提出了自适应冗余多小波的故障诊断方法.基于Chui-Lian多小波,依据信号特点采用两尺度相依变换方法,以谱熵最小为优化目标、遗传算法为优化方法,实现了冗余多小波的自适应构造.同时,对振动信号进行了冗余多小波分解,从而实现了对故障的准确定位及特征提取.将提出的方法应用于滚动轴承的故障分析和烟汽轮机的碰摩故障诊断中,结果显示,该方法可以有效地提高对机械设备在运行中产生故障的诊断能力.对比结果表明,该方法明显地优于传统的傅里叶变换、Db6单小波变换和原始CL3多小波变换等方法.     

复杂机械系统实用故障诊断原则的研究

在总结现有诊断技术成功应用实例的基础上,提出了一种新的实用诊断原则-“最少试验故障模”原则,对于复杂的机械设备和系统,采用这种新的研究思路有利于降低研究难度,提高研究成果的实用性.还以滑动轴承为例,通过对滑动轴承主要失效形式和机理的分析,说明可将滑动轴承简化为-多输入（多种故障原因）-单输出（接触摩擦）的灰色系统模型,并以滑动轴承各种故障的共同特征-接触摩擦作为滑动轴承故障诊断研究的唯一故障基准模.根据上述研究思路,对静、动载荷工作条件下滑动轴承的故障诊断进行了大量的实验研究.实践表明,提出的诊断原则诊断效率高,实用性强,可借鉴用于许多领域的故障诊断.     

深度玻尔兹曼机在故障诊断中的应用研究

构建了一个基于深度玻尔兹曼机的故障诊断系统。首先,基于一个滚动轴承故障实验平台,对深度玻尔曼兹机的在滚动轴承故障诊断领域应用进行了深度分析;然后将方案应用于20 kg级的航空涡喷发动机的故障诊断中;通过与BP神经网络和支持向量机故障诊断模型进行对比,实验结果表明:采用深度玻尔兹曼机对机械设备故障进行故障识别,具有更高的准确性和可靠性。     

浅谈矿山机械设备液压故障原因及处理措施

通过对矿山机械常见液压故障的理论分析与实际调查，得出了故障产生的原因，并对处理故障的方法进行了归纳，制定出了排除故障的顺序。在不影响设备正常工作、同时考虑经济因素的前提下，以此来检查各种矿山机械液压元部件出现故障的部位。对目前机械设备液压系统故障诊断技术的现状作了简要的论述，提出了几种有实用价值的故障诊断方法，阐明了机械设备液压系统故障诊断技术的机理。     

多级离心泵转子与轴部故障诊断技术研究

随着科学技术的迅猛发展，适合于现代化生产的机械设备在国有资产中占有越来越大的比例。机械设备运行状态的优劣直接影响到社会经济效益，而工业现代化的进程对机械设备的安全性、可靠性也提出了更高的要求，既要少出故障，又要减少盲目维修带来的损失。因此．机械设备的状态监测与故障诊断技术越来越引起人们的重视。     

高斯小波-最大熵谱分析法及其在机械故障诊断中的应用

充分利用小波和现代谱分析的优点,提出一种新的谱分析方法——高斯小波－最大熵谱分析方法。介绍了该方法的分析步骤,并应用于减速机的故障诊断。该方法实现了在机械设备故障诊断中不同频带范围内零部件故障信息的分离和提取。     

面向旋转机械的嵌入式故障诊断系统

介绍了一种基于嵌入式系统技术,面向大型旋转机械设备,集数据采集、状态监测、专家系统等功能于一体的状态监测与故障诊断系统,讨论了其系统底层硬件架构以及系统上层的软件设计.该系统已成功运用于工业现场的大型水泵、鼓风机等设备的故障检测,取得了满意的运行效果.     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

往复机械故障分析及诊断方法

往复式机械设备的结构复杂,运行不平稳,其故障诊断技术有待深入研究。文中对往复机械的常见故障进行了介绍,并介绍了在往复机械状态监测与故障诊断中常用的监测信号、信号特征提取方法及故障识别方法,比较了各种监测信号及特征提取方法的优劣,并分析了制约往复式机械故障诊断发展的技术难点,并针对性地提出了解决这些技术难点的方法或可能的发展方向。     

往复机械故障分析及诊断方法

往复式机械设备的结构复杂,运行不平稳,其故障诊断技术有待深入研究。文中对往复机械的常见故障进行了介绍,并介绍了在往复机械状态监测与故障诊断中常用的监测信号、信号特征提取方法及故障识别方法,比较了各种监测信号及特征提取方法的优劣,并分析了制约往复式机械故障诊断发展的技术难点,并针对性地提出了解决这些技术难点的方法或可能的发展方向。     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。