基于特征频率功率谱方差的故障实时检测

针对火力发电厂湿法除灰系统中柱塞泵的泄露问题,介绍了频域和时域相结合检测故障的方法.文中对比了声音样本的波形特点,利用加窗傅立叶变换分析了时域短时能量和频域短时自相关函数、功率谱函数,提取了声音样本的频率特征量,证明了利用特征频率点附近功率谱函数方差值检测故障的可行性,并提供了利用工程简化实现多路信号实时检测的方案.     

故障树分析方法在油气管线方面的应用

故障树分析法 (Fault Tree Analysis)是分析大型复杂系统安全性与可靠性的一种较好的方法 .文中利用该方法对油气管线进行了失效分析 .通过考虑引起管线失效的主要原因 :泄漏、断裂以及其他造成泄漏和断裂的主要因素 ,建立了管线失效的故障树 .结合 VB编程并采用下行法(Fussell)求出了系统的全部 42个最小割集 ,并求出了管线的失效概率和基本事件的概率重要度和临界重要度 .从定性与定量两方面探讨了引起管线失效的基本原因 .通过对系统的故障树分析发现 ,引起管线失效的主要原因是第三方破坏、腐蚀、误操作和材料缺陷等 ,并提出了相应的改进措施     

惠民凹陷临南地区油气输导系统及油气运移特征

油气输导系统和油气运移的特征决定油气藏形成与分布 .根据惠民凹陷临南地区的实际地质条件的分析 ,指出在异常低压的背景下 ,该研究区输导系统和油气运移聚集呈现如下特征 :( 1 )该区输导系统主要由砂体和断层组成 ,断层 (以夏口断层为主 )在油气运移中起着更重要的作用 ,且受断层面形态控制 ,两个北凸面起着汇聚油流的作用 ;( 2 )由于异常低压使得运移动力非常弱 ,油气运移表现为低速流近距离运移的特征 ,油气藏主要分布在夏口断层两侧 ,斜坡南侧高部位无油气藏     

基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法.对采集的轴承振动信号采用高、低正交共轭镜面滤波器组,将信号划分到不同频道上.滤波器每作用一次,数据点减半,采样的时间增至两倍.选取轴承缺陷所在频段的数据插零,将其他频带补零重构提高缺陷信号的时频分辨率;然后通过AR功率谱分析轴承运行状态,诊断出轴承对应的故障.对207滚动轴承的早期缺陷作了实际诊断,诊断结果与实际较为符合.证明该方法是一种有效的弱信号缺陷提取与诊断方法.     

旋转机械轴心轨迹故障诊断

应用轴心轨迹图的直观性特点，对旋转机械进行状态监测和故障诊断。从轴心轨迹图上判断出振动的前期征兆，对防止故障的恶化和排除故障具有指导作用。因此利用轴心轨迹图来判断旋转机械是否处于正常状态是可行的。     

面向自主机器人的实时彩色视觉系统

设计开发了一种新型的机器人实时彩色视觉系统，以及基于颜色的实时分割和识别软件系统，采用即插即用型的USB接口数字摄像头，简化了系统的使用和维护，首先把输入的彩色图像从RGB空间转换到YIQ颜色空间，提取出和颜色有关的IQ平面的信息；然后根据目标颜色在IQ平面里分割图像，再对图像进行游程编码，并从游程编码中提取出有效的图像信息；最后通过TCP／IP接口将视觉信息发送给机器人控制系统，为了抑制光强变化的影响，采用了一种阈值学习方法，实验结果表明，整套系统具有很高的实时性和较好的识别效果。     

水平轴变转速风力机气动参数辨识

文章对变转速水平轴风力机气动参数辨识的问题进行了研究 .风轮的功率曲线为风力机气动性能的整体体现 ,直接影响系统的经济性与控制性能 .通常情况下 ,功率曲线与桨距角和叶尖速比有关 ,可以看成是它们的非线性函数 ,一般由气动性能计算得到 .本文首先利用辨识算法 ,在风轮功率曲线的函数形式假设已知的前提下 ,利用测量的输入输出数据 ,辨识出功率曲线函数的参数 .最后 ,利用辨识出的曲线参数 ,预估系统风轮转速 ,并与测量的转速对比 ,以验证辨识模型的准确性 .     

基于核方法的复杂设备运行状态监测技术

分析了复杂机械设备运行状态监测中遇到的困难，介绍了基于核的特征提取方法和基于支持向量机的模式识别理论，指出：将核方法应用到状态监测中有望解决其中的非线性、不精确性和不确定性问题，为该领域的研究提供了全新且可行的研究途径。     

一维抛物型方程参数识别反问题的数值解法

以函数逼近和Tikhonov正则化为基础，利用算子识别摄动法和线性化技术提出求解一维抛物型偏微分方程参数识别反问题的迭代算法，拓宽了求解此类反问题泛定方程和初边值条件的适用范围。数值模拟的结果表明，用此迭代法求解参数识别反问题具有数值精度高、稳定性好、收敛速度快的特点。     

小波分析在旋转机械故障诊断中的应用

简述小波分析的数学原理和小波分析在故障诊断中的应用机理，并以透平压缩机组为例，分析了小皮分析在故障诊断中的应用。用小波进行信号降噪的方法是，先对机组轴承径向报动信号进行处理后再进行特征提取，使故障诊断过程变得容易，很好地保存了瞬态信号的尖峰和突变部分。