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。     

旋转机械故障诊断中的改进型RBF神经网络算法研究

为克服BP网络在机械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,提出了一种基于最近邻聚类学习算法的改进型RBF神经网络模型,并将该模型应用于旋转机械的故障诊断中.应用结果表明,改进型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.     

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.     

一种基于人工神经网络的旋转机械故障监测方法

把神经网络与数字信号处理相结合，提出并实现了一种基于神经网络的旋转机械在线故障监测系统，主要用于识别旋转机械的一些常见故障如转子不平衡振动、转子零部件松动、油膜涡动等等。系统主要由数字信号采集、数字信号预处理和Ｂ－Ｐ神经网络几部分组成。在神经网络中采用批处理加动量项的梯度下降算法学习。仿真结果表明该故障监测系统在故障识别率等各方面性能指标均优于传统的基于知识的工况监测与故障诊断系统。     

一种新的旋转机械故障诊断系统

本文提出了一种新的旋转机械故障诊断系统，把基于规则的知识处理方法与神经网络集成在一起，本文研究了系统的知识表示，推理、自学习和集成方法，并结合一实例进行了分析。     

Bayes网络在机械故障概率估计中的应用

提出了将bayes网络应用于机械故障诊断。主要是为了解决如何从机组运行状态数据中来推断出机组发生某种故障的可能性,从而为进一步的诊断维护提供依据。Bayes网络是一个具有一系列条件概率的有向无循环图。本文采用两层结构的网络模型,上层为旋转机械的故障样本集,下层为症状属性样本集。根据给出的各故障发生先验概率以及各症状节点的条件概率和泄漏概率,利用网络的推理计算,求出机组发生各种故障的后验概率大小。从而达到预测发生某种故障可能性的目的。实例验证了该方法的可行性和正确性。     

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。     

基于语义网络的旋转机械故障诊断知识表示

针对旋转机械故障诊断专家系统中的知识表示问题,讨论了语义网络的知识表示方法。并以此为基础进一步探讨旋转机械典型故障诊断的知识表示模型－－语义网络知识表示模型,文中还讨论了它的计算机语言实现方式,在VC＋＋环境下开发出了一个语义网络知识表示的演示模型。结果说明该知识表示方式是有效的。     

基于人工神经网络的旋转机械多故障同时性诊断策略

针对大型旋转机械多故障同时性诊断问题，基于人工神经网络，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。该网络旨在将一个大的分类模式空间划分为几个小的子空间，以便对各子网络进行有效的训练，提高各子网络的分类能力，从而使整个网络具有高精度的多故障同时性诊断能力，测试结果表明：ＨＤＡＮＮ网络不仅能准确地对单故障进行诊断，而且多故障同时存在的情况下，也能有效地识别出各种故障，该网络具有较高的诊断     

旋转机械故障诊断的框架知识表示

专家系统的核心是知识，有效，正确的知识表示是专家系统中知识处理的最基本前提，针对旋转机械故障专家系统中的知识表示问题，作 用框架结构对其知识进行表示，并讨论了框架结构表示的推理技术和搜索技术，使旋转机械故障诊断专家系统能利用这些知识进行迅速推理并得出正确的诊断结论。文中给出了其在C＋＋语言环境下的实现方式，顺便讨论了框架知识表示与面向对象知识表示之间的关系。并在VC＋＋集成开发环境下开发出了一个知识表示的演示模型，结果说明该知识表示方式是有效的。     

基于局域波时频分析的机械故障诊断

提出一种新的自适应时频分析方法——局域波法．结合仿真信号与故障检测信号进行分析研究,提出一种新的机械故障诊断方法并将其成功地应用到齿轮箱故障诊断中．振动信号能量在局域波时频分布中的变化,是局域波法诊断齿轮磨损故障的特征．诊断结果表明,局域波时频分析为齿轮磨损故障诊断提供了一种更为有效的手段,在故障诊断工程中具有广泛的应用前景．     

基于混沌的旋转机械故障诊断

研究了Duffing方程解的特性，应用分形维数来识别混沌运动及其分岔参数，说明混沌振子的非平衡相交对微弱信号的敏感性和噪声的免疫力，通过混沌振子由混沌运动到大周期运动的相交识别可对旋转机械早期不对中故障信号进行检测和诊断，为工程实际中旋转机械的早期故障诊断提供有效的依据。     

基于RBF人工神经网络的电动机振动故障诊断

针对电动机转子不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动等常见的几种振动故障,用RBF网络对提取出的6种故障信息进行分类,判断故障类型,并进行了仿真试验,最后将试验结果与BP网络的诊断结果进行了详细的分析比较.结果表明,RBF网络可以应用于电动机转子振动故障诊断,其诊断速度比BP神经网络快,诊断结果也更为准确.     

粗糙集与神经网络集成在故障诊断中应用研究

提出了SOM网络－粗糙集－BP网络集成进行故障诊断的方案；首先应用SOM网络离散化故障诊断数据中的连续属性值；然后基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统；最后在最优决策系统的基础上设计BP网络进行故障诊断，4135柴油机的实际诊断结果验证了所提出的民粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其他机械设备。     

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。     

基于多尺度形态学的舞台机械控制系统编码器故障诊断方法

针对舞台控制系统中常用的一类传感器——编码器故障问题,提出一种多尺度形态学分解方法.通过对故障原因及故障模式的分析,采用多尺度形态学对故障信号进行分解;借助于DIF滤波器本身具有展现信号冲击特征的能力,采用其对分解后的信号进行处理,并用于信号的重构,从而使重构后的信号在故障发生时刻能够突显故障的特征,以此实现对故障编码器的检测.通过模拟不同类型的故障,仿真实验及实践应用验证本文算法的有效性.     

混沌粒子群优化模糊聚类的旋转机械故障诊断

提出基于混沌粒子群优化加权模糊聚类的旋转机械故障诊断算法。该算法用混沌粒子群算法取代传统的梯度下降法,优化加权模糊C-均值算法的各个参数,并依据聚类有效性指标确定最优聚类数及聚类中心。应用表明,混沌粒子群算法有效提高了模糊聚类分析的收敛速度和精度,提高了旋转机械故障诊断的准确率。     

RBF神经网络在旋转机械故障诊断中的应用

以频谱能量和轴心轨迹特征作为机械故障的特征量,通过RBF神经网络对机械故障进行诊断,使用Matlab软件编程并得出识别结果.与BP神经网络、Elman神经网络相比,RBF神经网络在机械故障诊断中具有训练次数少,速度快,准确度高,识别误差小的优点.