基于灰色系统理论的工程机械质量评判

影响工程机械质量的指标众多，对这些指标的评判带有一定的模糊性，无法作出定量的评判，如果单凭经验和主观意愿对机械质量进行评判，很难得到满意结果，因此给评判工作带来一定的难度。运用灰色系统理论可对工程机械的多项质量指标进行归纳和计算，判断机械所属的灰类，从而更合理地评价机械的综合质量。应用此方法，对某单位ZL40装载机进行质量评判，其评判结果与实际较为相符。     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

基于小波包分解的整循环征兆提取与故障识别

为了检测内燃机气阀漏气的气密性故障,利用小波包分解改进算法,通过对柴油机完整工作循环内的缸盖振动信号进行小波包分解,从小波包分解系数中提取柴油机振动诊断的整循环征兆.由整循环特征向量图表明,正常状态时柴油机气缸盖振动信号中低频部分能量相对较大,高频部分能量相对较小;漏气状况时振动信号中的低频部分能量减小,而高频部分能量增加,由此实现了故障的识别.这说明基于小波包分解的整循环征兆提取与故障识别方法有效、可行.     

用连续小波灰度图诊断齿轮故障

为了识别齿轮振动信号中的冲击性故障，利用连续小波变换对正常和故障齿轮的振动信号进行分析，将不同尺度下连续小波分解系数的绝对值用灰度图的方式表示出来，并利用特征矢量法估计信号功率谱进行验证，准确识别出了齿轮轴的不对中故障。分析结果表明，小波分析对信号具有多尺度分析能力，对振动信号中的冲击成分有很强的识别能力；连续小波变换灰度图不仅能直观反应齿轮的正常与故障状况，而且不会丢失冲击信号的时间信息，有利于寻找故障源，实现对齿轮故障的准确诊断。     

伪魏格纳分布和连续小波变换在变速箱故障诊断中的应用

将伪魏格纳分布和连续小波变换理论应用于汽车变速箱故障诊断,给出了变速箱故障振动信号的基本模型,并进行了变速箱故障的实例分析,结果表明,伪魏格纳分布和连续小波变换与传统的谱分析相比,不仅能形象、直观地反遇变速箱故障信息,而且对故障信息具有更强的判别能力。     

发动机故障分形诊断中噪声信号的分析和处理

为分析信号中噪声成分对信号关联维数计算结果的影响,提高利用信号关联维数诊断机械故障可靠性,模拟产生不同信噪比的含噪混沌信号,分析其关联维数随噪声水平的变化情况。证明噪声成分会极大影响到信号关联维的计算效果,利用含有噪声信号的关联维数刻画系统的特征行为是不可靠的,必须对获得的原始信号进行滤波消噪处理。通过对气阀正常、轻微漏气、较重漏气和严重漏气4种情况下,发动机启动电压信号降噪前后的关联维数对比研究,进一步证明,利用小波降噪对发动机启动电压信号进行预处理,可使得信号关联维数较为接近于系统的真值,极大地提高利用启动电压信号的关联维数判断发动机运行状态的准确性与可靠性。     

基于BP网络的闸门典型故障诊断

用BP网络实现闸门典型故障的诊断。信号依次经历小波除噪、归一化和去趋3个预处理过程，从处理前和处理后的信号中提取能有效描述信号特征的特征量作为网络输入。同时，为4种典型信号设立了相对应的网络输出，形成输入一输出样本对。网络用这些样本对训练自身。网络性能测试表明，它能有效识别典型故障，而没有训练过的模式，网络也能判断出其为陌生信号模式。     

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...     

基于DRNN神经网络的挖掘机伺服系统参数辨识

为有效分析挖掘机电液伺服系统,提高依据模型设计控制器的精度,建立了系统状态空间模型。针对模型中的不确定参数,提出了基于对角回归神经网络的系统辨识策略。通过神经网络在线学习得到系统Jacobian信息,将实测信息代入含Jacobian信息与待辨识参数的线性方程,利用最小二乘法求得未知参数。实验表明,辨识模型能从初始阶段的微小误差逐渐地逼近实际系统,所提出的方法能有效辨识系统参数。     

基于SVD差分谱和IMF能量谱的改进HHT方法

针对随机噪声和虚假IMF会导致改进HHT中EEMD分解质量下降和Hilbert谱混乱,提出了一种基于SVD差分谱降噪预处理和IMF能量谱剔除虚假分量的改进HHT.该方法首先对原始信号进行SVD降噪,通过基本不等式原理来确定相空间重组的最佳Hankel矩阵结构,利用奇异值差分谱来确定有效奇异值的阶次;然后对消噪的信号进行EEMD分解,通过IMF能量谱来去除虚假分量;最后对主IMF进行Hilbert谱分析.仿真和实验结果表明,SVD能提高信噪比,抑制噪声对EEMD分解精度的干扰;能量谱能有效地消除虚假IMF对Hilbert谱分析的影响;Hilbert谱中各频率成分清晰,解决了随机噪声和虚假分量对传统改进HHT的不良影响.