单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

免疫遗传优化Elman神经网络的旋转机械故障诊断

针对旋转机械故障诊断过程中故障知识相互关联的过程难以用传统机器学习模型快速得到全面的典型故障数据,提出一种免疫遗传算法(immune genetic algorithm,IGA)优化Elman神经网络的故障诊断模型。首先对滚动轴承振动信号进行经验模式分解(empirical mode decomposition,EMD),得到多个内禀模态分量(intrinsic mode function,IMF),再提取表征状态特征的内禀模态分量能量构建特征向量输入到IGA优化的Elman神经网络进行故障模式辨识,IG     

鉴别流形敏感的跨模态轴承故障诊断方法

目的 在实际应用中采集的原始多模态故障数据通常是包含大量噪声和冗余信息的非线性数据,如何从不同故障模态中提取有效的非线性故障特征仍是一个挑战性的问题。方法 提出了一种鉴别流形敏感的跨模态故障诊断方法,在该方法中首先借助相关分析理论在跨模态故障空间中构建了不同模态间的相关系数,并通过理论推导获得了相关系数的等价优化模型,然后利用局部近邻图构建了鉴别流形敏感散布,进而通过最大化不同模态间的相关性和最小化鉴别流形敏感散布,形成了鉴别流形敏感的跨模态故障诊断模型,并且在理论上推导出了该优化模型的解析解,从而能够从不同模态的故障数据中学习强鉴别力的非线性故障特征。结果 在德国帕德博恩轴承数据集和多模态轴承故障数据集上设计了针对性实验,实验结果显示在少量故障样本用于训练时即可获得良好的诊断准确性。结论 提出的方法是一种有效的跨模态故障诊断方法。     

基于时延自相关与变模态分解的故障诊断方法

在故障诊断领域,时延自相关已是一种重要的信号处理工具,而变模态分解则是新兴起的信号处理方法.文中利用时延自相关函数对信号进行降噪处理,再对提取的时延自相相关函数进行变模态分解,选择有效本征模态函数提取出故障频率.模拟仿真与故障实验结果表明:该方法更能有效地抑制噪声,凸显故障特征信息,在旋转机械故障诊断领域具有广泛的应用前景.     

基于经验模态分解的无量纲指标故障诊断定位

无量纲指标作为新的理论工具应用于故障诊断研究中,虽然取得了一定的进展,但在应用时没有考虑到其他噪声干扰信号的影响,对结果分析有一定的干扰.而经验模态分解(EMD)技术能够提取出振动数据的故障特征信号,针对无量纲指标分析数据时的噪声干扰,提出了基于EMD的无量纲指标处理算法.首先对采集到的振动数据做EMD,分解出的前几个固有模态函数(IMF)分量中包含了振动数据的故障特征,去除其他噪声干扰信号的影响;其次求出含有振动数据特征信号的IMF分量的无量纲指标值,做出其无量纲指标的特征范围值;最后进行故障诊断分析.将此算法应用于旋转机械的故障诊断实验中,通过实验验证了该方法的可行性和有效性.     

DHMM的动态模式识别理论在旋转机械故障诊断中的应用

对于旋转机械启动过程的动态模式,提出了一种基于离散隐马尔可夫模型(DHMM)的旋转机械故障诊断新方法.该方法对旋转机械启动过程的局部振动信号进行FFT特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到DHMM中进行机器学习和故障诊断实验.实验表明,提出的方法对旋转机械启动过程进行诊断是十分有效的.     

旋转机械故障诊断中相对时相的提取及分析

通过对旋转机械相位信息的研究,提出从倍频相位中提取相对时相作为诊断特征量,讨论了相对时相所包含的故障信息及在不同故障种类中的表征.研究结果表明,相对时相在旋转机械故障诊断中有较大的实用价值.     

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD).使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量.应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行...     

经验模态分解与RBF神经网络在轴承故障诊断中的应用

针对轴承振动信号的非线性与非平稳性,采用经验模态分解与RBF神经网络相结合的故障诊断方法.首先,采用经验模态分解法对轴承信号进行分解得到各个固有模态函数,提取各个固有模态函数的能量作为故障特征参量,然后将故障特征参量输入RBF神经网络进行训练与测试,实现了智能化的故障模式识别.结果表明,基于该方法的轴承故障诊断系统能够准确地识别外圈裂纹、内圈点蚀和保持架断裂等故障,具有较好的实际工程应用价值.     

Fault Identification of Rotor Machine Based on Optimized Method

The size and complexity of modern equipment require more advanced fault diagnosis techniques Different from signal analysis based methods, a dynamic model based diagnosis technique can further diagnose the location and severity of the fault, and detect multiple faults at one time. A model based fault diagnosis method was developed to identify typical faults of rotating machinery. This method can identify mass unbalances, crack locations and sizes, and oil film parameters in rotating machinery by optimization methods and dynamics simulation technique. Numerical and experimental results demonstrate that the method is useful for detecting faults of rotating systems.     

旋转机械转轴裂纹损伤故障研究进展

综述了近年来旋转机械转轴裂纹损伤故障诊断研究的主要成果和发展前景。首先,对旋转机械转子系统转轴裂纹损伤非线性特性的研究方法、裂纹刚度模型和非线性动力学特性问题的国内外研究现状进行了概述。在此基础上,指出了目前旋转机械转轴裂纹损伤故障问题研究尚待解决的问题,并对今后的发展趋势进行了展望。     

旋转机械基础松动故障研究进展和展望

基础松动故障是目前为止旋转机械故障中识别率较低的故障之一。对近年来旋转机械转子系统基础松动故障的研究现状、进展进行综述,包括基础松动故障非线性特性分析方法及复杂动力学特性、含有基础松动的耦合故障问题、基础松动故障诊断及故障试验等方面国内外的一些研究成果。在此基础上,对目前旋转机械基础松动故障问题研究尚待解决的问题提出了一些看法,并对今后的发展趋势进行了展望。     

基于小波包-神经网络故障诊断系统研究

建立了旋转机械故障诊断的神经网络模型，采用小波包分解方法提取特殊频段上的能量作为特征值为神经网络的输入模式，模型具有通用性。并且应用于旋转机械故障样本的识别计算，结果表明该方法在故障诊断中是有效的。     

基于时空域自回归模型的视频信号内插算法

研究视频帧的内插算法。首先,提出了一种新的时空域自回归模型,像素点由当前帧内的4个像素点和相邻帧内的4的像素点线性表示。然后,根据此时空域模型,利用软判决策略估计图像的内插像素值。实验结果表明,图像内插算法的PSNR值比其它算法提高0.27 dB～0.39 dB,同时得到了较好的主观视觉效果。     

BP算法在旋转机械故障诊断中的应用

分析了旋转机械故障的特性,在此基础上对基于BP算法的诊断方法进行了研究,建立了旋转机械故障诊断的神经网络模型,对基于BP网络的汽轮发电机组的故障进行了诊断。实验证明,基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

基于Web Service旋转机械故障诊断集成系统的开发与应用

本文对Web Service技术和旋转机械的故障特征作了详细地研究,在此基础上利用Delphi7软件工具开发了一套针对旋转机械故障的系统,并运行给出分析结果。     

自学习模糊脉冲神经网络的旋转机械诊断

针对旋转机械故障分类边界的模糊性和传统的神经网络算法难以解决应用问题的实例规模和网络规模之间的矛盾问题,提出了一种自学习模糊脉冲神经网络算法,该算法通过脉冲序列的种群编码和无监督学习较好的克服了旋转机械故障分类边界的聚类分析无效性问题.应用表明该算法有效解决了旋转机械故障的边界模糊性问题,较大提高了故障诊断的准确率.     

二叉树支持向量机的旋转机械故障诊断

针对SVM二叉树多类分类优先级的确定问题,通过旋转机械故障实验平台和数据采集系统,采集旋转机械故障实验台转子正常、转子不平衡、转子不对中、转子轴承内圈裂缝、转子轴承外圈裂缝5种工况下的振动信号,进行零均值化处理;选择信号的主要频段进行信号重组,提取其时域无量纲特征值,利用并联式SVM的正检率大小确定SVM二叉树多类分类的优先级,进行故障类型的识别。通过实验,实现了训练样本的完全可分,说明此种方法的有效性。     

多传感器信息融合技术在液压设备故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型.该模型充分利用液压设备上能够携带故障特征的多类信息,并对这些信息在不同的层次上通过神经网络、贝叶斯理论、D-S证据进行有效的融合和计算,从而提高液压设备故障诊断技术的准确度.详细分析了多传感器信息融合技术的结构层次和一般方法,并讨论了信息融合技术理论在液压设备故障诊断模型中的原理和功能.达到了对液压设备典型故障的准确诊断.