小波包熵与多核学习在列车转向架轴承故障诊断中的应用

为提高列车转向架轴承故障诊断的准确性和效率,提出一种基于小波包熵和多核学习的列车轴承故障智能诊断方法。该方法通过对轴承振动信号进行小波包分解,提取小波包特征分量,通过广义信息熵的概念定义了小波包特征熵函数,最后基于多核学习训练出的分类器对轴承故障类型进行分类,判断轴承的工作状态。实验结果表明,该方法可以准确、有效地实现列车轴承的故障判别,为列车转向架轴承早期故障诊断的研究提供一定的新的思路。     

基于混合智能算法的轴承故障诊断系统设计

设计了基于多种智能方法的轴承试验机故障监测系统,该系统可实现轴承试验机的在线监测,对被试验轴承的的振动信号的时域与频域指标通过多种智能算法进行分析,从而实现轴承故障的综合实时诊断,整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中.该系统在轴承生产企业得到了成功的应用.     

基于混合智能算法的轴承故障诊断系统设计

设计了基于多种智能方法的轴承试验机故障监测系统,该系统可实现轴承试验机的在线监测,对被试验轴承的的振动信号的时域与频域指标通过多种智能算法进行分析,从而实现轴承故障的综合实时诊断,整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中。该系统在轴承生产企业得到了成功的应用。     

多参数监测智能轴承的设计与研究

研制了一种多参数监测智能轴承。该智能轴承对轴承实际工况中的振动加速度、转速和温度进行实时监测,并将测量数据传递给云端数据管控平台,实现对轴承运转状态的监控与故障预警,重点研究了轴承振动加速度的测量方式,通过对轴承工况下振动特性的研究与轴承内部结构的分析,选择采用三轴振动加速度计作为研究基础进行测量;通过对轴承内圈结构的改造,采用霍尔传感器与磁编码体相结合的方式测量轴承转速;采用温度传感器测量轴承内圈的温度。通过将该智能轴承与传统轴承座监测系统的对比,可知研发的智能轴承性能相较于传统轴承监测系统有显著的提升,其中振动加速度的监测信号幅值达到了传统轴承监测系统的3倍以上,能更好地判断轴承的运转状态,具有优秀的故障预测预警能力。     

基于PCA的船舶机舱辅机监控系统设计

引入主元分析方法,通过对PCA的建模计算和故障检测方法的研究,实现原始数据的降维检测,提升设备状态监测的灵敏度,基于BP神经网络和专家知识进行故障信息的识别诊断及辅助决策.实验表明,该系统能够为机舱辅机设备智能综合管控提供支撑,实现辅机设备状态监测、故障诊断和辅助决策功能,显著提高机舱设备运维效率,快速诊断出发生故障位置以及发生故障原因,从而及时采取有针对性的维修措施,提高船舶机电设备的维修效率,减少船舶设备的故障率.     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于选择性集成神经网络的电路板故障智能诊断

针对基于红外图像的电路板故障诊断准确率较低、检测灵敏度差等缺陷,分析了基于神经网络的智能诊断方法。该方法结合多分类器转化为二分类器思想,设计了一种基于BP神经网络的集成神经网络诊断模型,并且对于同一类故障采取范围化样本进行训练,每组被测故障数据根据特征阈值选择相关几个子网络进行诊断。最后利用Matlab软件进行实例仿真和测试。结果表明:该网络对于电路板多故障模式的识别准确率较高,检测灵敏度可以提高1.74倍,而预测误差可以降低到原来的17.6%,为电路板故障诊断的实用化提供了理论依据。     

动力平板车自动润滑故障诊断系统开发

针对现有自动润滑系统故障率高、诊断技术落后的问题,提出了故障树分析与专家系统相结合的润滑系统故障诊断方法。通过分析125型动力平板车润滑系统的故障机理,建立了故障树并以此为诊断模型构建出知识库,再结合相应的算法实现了故障的诊断与定位。试验结果表明:该方法可以实现润滑系统的运行状态监测与故障诊断。     

基于自适应观测器的列车牵引系统执行器故障诊断

针对高速列车牵引系统执行器故障,提出了一种基于自适应观测器的故障诊断方法。针对高速列车纵向运动模型参数不易获得的特点,建立了参数未知的列车动态数学模型。考虑到高速列车牵引系统具有多个执行器,其故障发生时间及位置未知,针对不同故障位置,设计了基于自适应技术的故障诊断观测器,观测器相关参数由自适应律更新,通过观测器与列车系统匹配实现故障诊断,基于李雅普诺夫稳定性定理,证明了匹配观测器的收敛性和不匹配观测器无法收敛,从而诊断出故障位置及时刻。最后通过一个高速列车仿真例子验证了所提故障诊断方法的有效性。     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于奇异谱分析的轴承温度趋势预测及其应用

采用奇异谱分析方法对轴承温度信号在相空间进行重构,并利用重构吸引子轨道矩阵的奇异谱特性来分离温度信号的趋势成分,从而得到轴承温度的变化趋势特征.在此基础上开发了水电机组轴承故障预测系统,该系统包括数据采集、趋势分析和故障预测3部分.试验结果表明,该系统能早期预测轴承温升趋势,提取温度信号中的故障特征,对烧瓦故障作出早期预警,可用于水电机组的状态分析、状态评估和故障预测.     

基于频谱细化的列车轮对轴承故障在线检测

列车轮对轴承故障是危及列车运行安全的重要因素之一,对其准确检测是高速重载列车需要解决的关键问题。当轮对轴承出现异常时,其振动信号中的幅值就会出现突变点,据此提出了利用频谱细化技术对轮对轴承的振动加速度信号进行分析的方法。实验结果表明,该方法实现了轮对轴承异常的高精度检测,说明这种方法比常规的方法能更有效地检测出轮对轴承的异常状态。     

基于性能导航中基于数值分类的RAIM算法改进

卫星接收机完好性监测(RAIM)根据基于性能导航运行方式提出,确保导航精度及系统完好性的方法.该文重点论述基于性能导航运行下RAIM预测中提高故障检测识别率的监测性能的算法改进.根据导航卫星完好性概念及RAIM预测原理,分析了在基于性能导航运行中,RAIM性能产生异常的情况,采用数值分类法建立RAIM故障监测识别的改进算法.该算法计算量小,在故障卫星监测、识别方面均具有一定可靠性,可为提高RAIM性能提供理指导.     

基于遗传算法的网络故障诊断专家系统的设计与实现

采用遗传算法理论实现了故障规则的自动获取,并利用专家系统实现诊断,提高了系统抑制噪声的能力,同时使系统具备了自学习功能,并对该系统的结构和各模块功能进行了阐述.采用面向对象方法和Visual C 6.0程序设计语言开发了一个智能故障诊断专家系统,在校园网环境中进行了实验.调试结果表明,该系统能够在校园网环境下实现告警数据的收集与处理、网络状态的监测以及简单故障的诊断等功能.     

基于SVM的智能化电气故障诊断方法研究

分析常见建筑电气故障类型与成因,提出SVM诊断模型.首先构建建筑电气故障仿真平台,在此基础上建立小样本诊断模型,并通过数据模型测算分析,提出分组诊断模型,以提高电气故障的诊断精确度,为相关技术研究提供理论支撑.     

极小样本下高速列车轴承的可靠性评估

针对高速列车轴承在极小样本零失效情况下的可靠性试验评估问题,采用Bayes数据统计理论将先验信息与试验信息进行融合,建立累积失效概率数学模型,根据最小二乘法求解出二参数威布尔分布中的待定参数,得出高速列车轴承可靠性数学模型.研究结果为评估高速列车轴承的可靠性和运行安全性提供了一定的理论依据.     

滚动轴承的状态监测系统

论述了滚轴承的状态监测原理、方法和系统。为了判别轴承有无故障,采用了振动监测和温度监测系统对轴承进行在线监测。发现故障后,则采用共振解调法诊断出故障的部位及其趋势等。     

基于EEMD-SVD与时域分析的马田系统轴承故障诊断

针对轴承初始故障发生的时间点以及退化趋势,提出了基于总体平均经验模式分解和奇异值分解方法(EEMD-SVD)与时域分析的马田系统故障诊断方法.该方法通过提取振动信号时域和时频特征,构建不同特征参数下的基准空间并利用正交表对特征参数进行降维和优化,最终融合成单一特征参数马氏距离.分别用马氏距离监测轴承运行状态,判断初始故障发生的时刻以及演化趋势,并依据马氏距离对轴承故障发展的过程进行了划分.该方法有效地提取了振动信号时频特征并优化了马田系统基准空间,更加准确地识别了轴承初始故障发生的时间点以及更加合理地划分了轴承的退化过程.通过两组滚动轴承加速寿命试验,验证了该方法的有效性和合理性.     

故障树分析法在汽车故障诊断中的应用

建立了故障树诊断模型,系统地分析汽车故障现象与原因之间的复杂关系．在此基础上用Visualc＋＋6．0编程语言,开发了汽车故障诊断系统。以悬架系统的诊断为例,验证了该方法的有效性。     

基于EMD与多重分形去趋势法的轴承智能诊断方法

引入经验模态分解(EMD)方法去除故障信号的趋势项,提出EMD-MFDFA(multifractal detrended fluctuation analysis)的多重分形分析方法,并通过仿真分析EMD方法去趋势效果的有效性。然后将采用EMD-MFDFA方法提取的电机滚动轴承振动信号的多重分形特征向量作为训练集,利用混合遗传算法搜索全局最优的能力优化支持向量机(SVM)模型参数,建立电机滚动轴承的智能诊断模型。最后,通过对电机滚动轴承不同状态的振动信号进行分析。研究结果表明:EMD-MFDFA方法能很好地揭示滚动轴承的振动信号多重分形特性,对滚动轴承正常状态、单一故障与多故障耦合等状态具有很强的辨识能力;所建立的智能诊断模型可以有效地诊断滚动轴承不同的故障状态,能够作为滚动轴承故障在线监测的有效工具。