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。     

匹配追踪信号分解与往复机械故障特征提取技术研究

提出了一种自适应提取往复机械振动信号冲击特征的信号处理方法,方法的核心是基于特别选定的基元函数将信号展开,在采用匹配追踪算法分解信号时,应用指数衰减正弦波函数作为信号分解的基元函数,能够十分理想地匹配信号中的冲击响应波形,与往复机械振动信号有最好的相似性,往复机械的故障诊断实例证明,利用该方法提取信号中的瞬态冲击响应特征是可行的,研究结果为机械冲击故障的特征提取与诊断提供了一条新途径。     

基于小波多分辨分析的往复机械故障特征提取与识别

本文从往复机械故障诊断领域中特征信号处理的应用角度,探讨了利用小波多分辨分析与信息熵相结合,对往复机械故障进行诊断识别的方法．首先应用小波分解,将监测信号映射到由一个小波伸缩而成的一组基函数上去,在通频范围内得到分布在不同频段内的分解序列;在此基础上,对各分解序列进行ＦＦＴ变换,建立信号的小波特征熵,以此作为故障识别的特征参数,对往复机械运行故障进行诊断识别,并以压缩机振动监测信号为例,实现了不同频段范围内特征信息的提取与故障识别,说明该方法是提取故障信息并进行诊断的有效方法     

旋转机械故障诊断方法概述

介绍了旋转机械故障诊断的常用方法,概述了国内外的研究发展状况,展望了故障诊断技术的发展趋势和前景。     

基于高阶统计量的机械故障特征提取方法研究

对高阶统计量用于机械故障特征提取进行了研究. 首先利用Hilbert变换构造原始信号的解析信号,求取信号的包络,然后计算包络信号的高 阶统计量.研究表明,用高阶统计量提取信号特征,可以容易地将正常齿轮信号和齿轮裂纹、 断齿的信号分离.     

采用多尺度注意力机制的旋转机械故障诊断方法

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。     

基于动态主题模型的往复机械故障早期预警方法

往复机械的故障早期高预警准确率对于设备安全运维具有重要意义。目前企业广泛应用的单特征门限报警方法存在预警准确率普遍较低的问题,这主要是由往复机械运行过程中振动激励性信号的非平稳性导致。针对该问题,提出一种基于动态主题模型(dynamic topic model, DTM)的往复机械故障早期预警方法。该方法运用机器统计学习的主题模型建模方法,基于往复机械正常运行状态的数据生成正常运行数据模型分布,并将其作为基准模型,根据实时工况状态数据建立的混合模型与基准混合模型间的差异实现对往复机械的故障早期预警。最后,分别采用往复压缩机工程案例数据和故障模拟试验数据对所提方法进行验证,结果表明：所提方法可准确识别设备的异常状态,同时减少了预警分析计算时间,有效提升了往复机械故障早期预警的准确性和时效性。     

基于RBF网络的旋转机械故障诊断方法

针对BP网络在故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于RBF网络的故障诊断方法,介绍了RBF网络的结构和自适应正交最小方差算法（SROSL法）,并应用于旋转机械的故障诊断中,应用结果表明,RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

对基于振动分析的机械故障诊断方法的讨论

在机械故障诊断实践中 ,人们通常根据线性振动理论建立诊断知识库 ,分析故障机理 ,解读实测数据和图谱 ,得出诊断结论。当诊断对象中的非线性因素较为显著时 ,近似的线性化处理将不可避免地产生定量和定性上的误差 ,甚至导致漏诊、误诊和谎报。本文对基于线性振动理论的机械故障诊断方法的主要依据进行了必要的理论分析 ,指出了其固有的局限性 ,讨论了机械系统非线性故障现象的机理、诊断与预测研究的若干重要问题。参 7。     

基于时频图像GLCM-HOG特征的往复压缩机故障诊断

往复压缩机的故障诊断技术能够为工业生产提供有效保障,针对传统方法诊断准确率不高的问题,提出了一种基于振动信号时频图像灰度共生矩阵-方向梯度直方图(GLCM-HOG)特征融合的往复压缩机故障诊断方法.首先,采用小波变换的方法处理往复压缩机的振动信号,生成时频图像;其次,利用灰度共生矩阵(GLCM)和方向梯度直方图(HOG...     

机械故障诊断技术进展

本文简要地回顾了现代机械故障诊断理论与技术的诞生与发展概况；论述了其研究与应用现状及当前存在的主要问题。最后，指出了该领域的研究动态与发展趋势。参２５。     

基于案例推理的机械故障诊断方法探讨

介绍了基于案例推理的故障诊断方法的机理,从案例的表示与存储、检索和匹配、修改与维护等3个方面对基于案例推理的机械故障诊断过程进行了分析。表明了基于案例推理的故障诊断方法具有实现方式灵活简便、自学习能力强等特点,使用大量的范例特征集合,能够不断积累问题求解的经验,避免知识荻取的困难,缩短了问题求解途径,提高了推理效率,节省了开发时间,具有很好的应用前景。     

基于独立分量分析的机械故障信息提取

独立分量分析是盲源分离的一种新方法，其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号，最终目的是从混合信号中分离出各独立的信号分量、为此，论证了机械振动信号盲源分离的可行性，并对盲源分离中的“源”赋予了新的含义，利用互相关函数估计不同通道之间的时延参数，适当截取后组成混合信号再进行盲源分离，可以保证振动信号分离的有效性、盲源分离技术在涡流传感器失效故障诊断和早期碰摩故障诊断的成功应用，表明该技术在机械设备状态监测和故障诊断中有着广阔的应用前景．     

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。     

船舶液压系统故障诊断方法

在总结和分析目前液压系统故障诊断方法的优缺点后,根据液压系统的特殊性,提出以船舶液压系统功率流为基础的注压系统故障诊断方法,并以实例说明其正确性及有效性。     

设备管理中的机械故障诊断技术与状态监测维修

简述了机械故障诊断技术与状态监测维修的发展概况、概念；论述了状态监测在于掌握设备发生故障之前的异常征兆与劣化信息，以便事前采取针对性措施控制和防止故障的发生，从而减少故障停机时间与停机损失的意义；介绍了故障诊断、状态监测的工作原理和工作程序，包括信息库和知识库的建立，以及信号检测、特征提取、状态识别和预报决策等4个工作程序；对如何建立状态监测体系进行了研究：在建立起检测小组的基础上，从简易诊断入手，逐步过渡到设备的故障诊断；根据测点选择原则确定合适的设备测点；根据需要测定的振动测量参数配置合适的测量仪器；根据现场设备的具体情况确定检测周期，可以每隔30天、15天、10天、7天、3天、1天检测一次，一般情况可按照选定原则来确定检测周期。     

基于高阶统计量的机械故障特征提取方法研究

对高阶统计量用于机械故障特征提取进行了研究。首先利用Ｈｉｌｂｅｒｔ变换构造原始信号的解析信号,求取信号的包络,然后计算信号的高阶统计量。研究表明,用高阶统计量提取信号特征,可以 容易地将正常齿轮信号和齿轮裂纹、断齿的信号分离。     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于模糊关联度的旋转机械故障多参数诊断

本文首先分析了几种多参数故障诊断方法的特点，进而从故障诊断的角度，分析比较了多参数故障诊断的参数样本与灰色关联度原始定义的数据样本的特点差异，提出了模糊关联度的概念，实测数据检验结果表明：模糊关联度分析比灰色关联度分析诊断准确度高，具有很好的应用前景。     

设备管理中的机械故障诊断技术与状态监测维修

简述了机械故障诊断技术与状态监测维修的发展概况、概念;论述了状态监测在于掌握设备发生故障之前的异常征兆与劣化信息,以便事前采取针对性措施控制和防止故障的发生,从而减少故障停机时间与停机损失的意义;介绍了故障诊断、状态监测的工作原理和工作程序,包括信息库和知识库的建立,以及信号检测、特征提取、状态识别和预报决策等4个工作程序;对如何建立状态监测体系进行了研究:在建立起检测小组的基础上,从简易诊断入手,逐步过渡到设备的故障诊断;根据测点选择原则确定合适的设备测点;根据需要测定的振动测量参数配置合适的测量仪器;根据现场设备的具体情况确定检测周期,可以每隔30天、15天、10天、7天、3天、1天检测一次,一般情况可按照选定原则来确定检测周期.