机械设备故障诊断专家系统的构建

使用传统的故障诊断方法只能检测单一的信号,而对于复杂系统和多元性故障诊断比较困难,所以本文选用专家系统来解决这个问题。机械设备故障诊断专家系统主要包括知识库、知识获取、推理机,综合数据库,解释模块和人机接口6部分内容。使用本专家系统可以快速找出故障的部位、机理、性质和发展趋势,帮助快速给出维修与更新决策,缩短维修和停机时间,避免造成大的经济损失。在上海—50拖拉机上进行多次测试和应用,故障诊断准确率达到95%以上,并具有很好的运行性能。     

改进型证据更新规则的动态故障诊断算法

火炮装填系统故障的成因复杂,单因素、单模型的故障诊断方法已显其不足。提出了改进型证据更新规则的动态故障诊断算法,并将所述的人工智能方法应用到火炮自动装填故障诊断系统中。该方法通过对模糊规则库的描述来确定故障诊断的辨识框架,应用新型的模糊推理方法生成诊断证据,并通过证据更新规则对所获取前后时刻的诊断证据进行动态更新,将更新融合后的证据进行故障决策,从而解决了故障特征的不确定性、故障模式多样性以及动态故障诊断问题。实例分析证明：该方法达到了有效提高故障诊断确诊率的目的。     

基于改进的证据更新工业过程故障诊断研究

工业生产过程的故障成因颇为复杂,一种故障的故障特征可能有多种表现形式,而多种故障又有可能表现出一种故障特征。因此单模型、单因素的故障诊断方法已显其不足。提出了改进的证据更新的动态故障诊断算法,并结合人工智能方法应用到硝酸生产过程故障诊断系统中。该方法通过对模糊神经网络的描述来确定故障诊断的辨识框架,应用新型的模糊推理方法生成诊断证据,诊断证据再基于改进的证据更新规则来实现证据的动态更新,根据结果来进行故障决策,从而解决了故障模式多样性、故障诊断动态性以及故障特征不确定性的问题。经实例验证,该方法的应用可提高故障诊断确诊率。     

基于小波分析的轴承故障诊断和分析

故障特征提取与表示关系到故障诊断的可靠性和准确性,是机械设备故障诊断中的关键问题,而且是机械设备故障诊断的瓶颈所在。应用小波分析理论,针对旋转机械体轴承这种典型部件,对于他们的故障特征进行提取、表示以及判断。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

邻域知识图算法在旋转机械设备故障诊断中的应用

旋转机械应用过程中极易出现内环故障、外环故障、滚动体故障的情况,而这也直接影响机械部件的使用寿命。为准确诊断设备元件的故障行为,达到延长旋转机械设备寿命水平的目的,针对邻域知识图算法在旋转机械设备故障诊断中的应用展开研究。求解邻域知识图算法的函数表达式,并以此为基础,完成对故障数据的推荐,再通过预处理的方式,实现对旋转机械设备故障数据的深度挖掘。融合关键故障数据,并对其进行降维处理,根据核特征定义条件,完善具体的故障诊断流程,完成基于邻域知识图算法的旋转机械设备故障诊断算法的设计。实验结果表明,上述方法的应用,可以准确诊断出内环故障、外环故障、滚动体故障三种故障表现行为,通过适当方法对所诊断出故障行为加以处理,可以达到延长旋转机械设备使用寿命的目的。     

天然气压气机械设备故障信号时频分析特征提纯

天然气压气站压气机械设备工作环境恶劣,故障多发,而机械设备的故障状态下的振动噪声信号是研究机械设备故障诊断的有效载体。为有效进行故障诊断,需要对机械设备的故障信号进行提纯分析和特征提取等研究。提出基于时频分析技术的WVD和Hough变换结合的方法对低信噪比的故障信号进行提纯算法。首先分析了非平稳信号处理技术的基本原理,对原始信号的滤波和检测、频谱分析等处理,分析了时频分析特性和对应的条件,提出采用时间均值、频率均值、时间散布和频率散布四个特征值作为时频分析的特征提取量。仿真实验以某天然气压气站某型压缩机故障振动下采集信号样本为研究对象,进行提纯滤波和特征提取仿真,仿真实验得到降噪滤波和WVD及Hough变换算法下的检测结果,表明在强干扰背景SNR为-8dB下,有卓越的滤波降噪和检测性能,特征提纯检测性能相比传统算法提高18％以上。为天然气压缩机故障诊断奠定了可靠的理论基础。     

基于信息融合的电力变压器故障诊断

电力变压器故障的多样性、不确定性和各种故障之间联系的复杂性构成了故障诊断技术上的难点,仅靠单一的故障特征量和诊断方法无法完成诊断任务。把信息融合引入变压器故障诊断中,将油色谱分析与电气试验等其他信息相结合,建立基于信息融合技术的变压器故障诊断模型。对变压器故障进行分层决策,不仅能判定故障性质,还能初步判定故障部位,提高故障诊断结果的准确性,最大限度地减小不确定性。     

基于模态逻辑的通信设备故障诊断系统研究

针对通信设备故障的复杂性、渐变性和知识的不确定性,提出了一个基于模态逻辑的通信设备故障诊断系统。首先,定义一个时态逻辑来预测设备状态,然后用改进的模态逻辑来对通信设备的故障进行知识表示和推理,通过对故障征兆和故障知识库的交互自动地识别出具体的故障,找出具体的维护方法,通过人机接口将结果提供给用户,并利用基于Agent的更新器来更新知识库。最后用一个故障诊断的例子来证明系统的可行性。     

基于数据挖掘的机械设备故障诊断的研究

随着信息技术的发展,人们采集数据的手段日益丰富与高明,由此积累的机械设备故障数据日益膨胀,而且高维数据也日益成为主流.如何从这些海量数据及高维特征中选出有用的数据进行有效的故障诊断成为一件困难的事情.计算机性能的日益更新和数据库技术的快速发展,使得数据挖掘这一融合多种分析手段,从大量数据中发现有用知识的方法应运而生,为上述问题的解决开辟了一条道路.本文就详细论述了应用数据挖掘技术进行机械设备故障诊断的全过程.     

基于EEMD能量矩与邻域粗糙集的转子故障数据集分类方法

针对旋转机械故障辨识准确率偏低的问题,将经验模态分解（ensemble empirical mode decomposition,EEMD）与能量矩、邻域粗糙集（neighborhood rough set,NRS）结合提出一种转子系统故障模式辨识的方法。首先利用EEMD将采集到的振动故障信号自适应分解成若干个平稳的本征模态函数（intrinsic mode function,IMF）分量并计算其能量矩;以此能量矩作为描述故障状态的条件属性建立故障识别决策表;然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性;最后将约简后的敏感特征子集输入所设计的决策树（decision tree,DT）C4.5 算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。     

基于Infogram的重复瞬态特征提取与旋转机械故障诊断

针对旋转机械常见故障类型与检测问题,考虑到旋转机械故障振动信号的重复瞬态、冲击和循环平稳特性,提出基于Inogram的重复瞬态特征提取与旋转机械故障诊断方法.不同于谱峭度、快速谱峭度图以及包络谱,Infogram不仅能够同时在时域和频域捕获重复瞬态特征,而且以热力学的平衡态分离思想为基础能够测量信号平方包络和平方包络谱的负熵,因此它对冲击和循环平稳较为敏感,有助于实现旋转机械故障诊断.通过对仿真和电机轴承实验数据分别用提出方法和集总经验模式分解提取故障征兆特征,结果表明提出方法优于集总经验模式分解方法,能够实现旋转机械关键零部件的故障诊断.     

粗决策树动态规则提取算法研究及应用

针对静态算法对大数据和增量数据处理不足的问题,构造了基于粗决策树的动态规则提取算法,并将其应用于旋转机械故障诊断中.将粗集与决策树结合,用增量方式实现样本抽取;经过动态约简、决策树构造、规则提取与选择、匹配4个步骤的循环迭代过程,实现了数据的动态规则提取,使得提取的规则具有更高的可信度;同时,将算法应用于旋转机械故障诊断这一动态问题中,验证了算法的有效性;最后,将所提算法分别与静态算法和增量式动态算法进行了效率对比分析,实验结果表明,所提算法能够以最精简的规则获得更多数据隐含信息.     

基于数值优化的改进BP算法在旋转机械故障诊断中的应用

机械设备的安全运行对企业的现代化生产至关重要,因而对故障机械的诊断近年来受到了普遍关注,而神经网络具有分辨原因及故障类型的能力,在故障诊断领域中得到了广泛应用.本文针对传统BP算法存在的收敛速度慢以及容易陷入局部最小点等问题,给出了两种基于数值优化方法的改进BP算法,应用改进的BP算法对旋转机械故障进行诊断研究,结果表明,加快了网络的收敛速度.证明该算法比BP算法精度更高且收敛速度更快.     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

Accurate diagnosis of induction machine faults using optimal time–frequency representations

This paper presents a new diagnosis method of induction motor faults based on time–frequency classification of the current waveforms. This method is composed of two sequential processes: a feature extraction and a rule decision. In the process of feature extraction, the time–frequency representation (TFR) has been designed for maximizing the separability between classes representing different faults. The diagnosis is realised in two levels; the first one allows the detection of different faults—bearing fault, stator fault and rotor fault. The second one refines this detection by the determination of severity degree of faults, which are already identified on the previous level. The diagnosis is independent of the level of load. This method is validated on a 5.5 kW induction motor test bench.     

一种基于动态可测性测度的快速识别逻辑冗余故障的方法—DRFM

在测试生成之前,借助可测性分析方法,以线性时空开销识别数字电路的冗余故障是个至今尚未解决的问题.本文在文献[8,9]的四值动态代价分析的基础上,首次采用动态相关信号模型,提出了动态约束四值测度方法DRFM.DRFM能精确描述实用电路中常见的冗余故障,它识别一个冗余故障所需的时间为电路门数的线性增长函数.     

Fault diagnosis and condition surveillance for plant rotating machinery using partially-linearized neural network

Fault diagnosis and condition surveillance of rotating machinery in a plant is very important for guaranteeing production efficiency and plant safety. In a large plant, with an enormous number of rotating machines, condition surveillance and fault diagnosis for all rotating machines is not only time consuming and labor intensive, but the accuracy of condition judgment cannot be ensured. These difficulties may cause serious machine accidents and consequently great production losses. In order to improve the efficiency of condition surveillance and detect faults at an early stage, this paper proposes a method of condition surveillance and fault discrimination for rotating plant machinery using non-dimensional symptom parameters in a time domain and “Partially-linearized Neural Network” (PLNN), from which the state of a rotating machine can be discriminated automatically. The verification results of precise diagnosis for rolling bearings show that the PLNN can effectively distinguish bearing faults. The verification results for condition surveillance of rotating machinery in a real plant show that the PLNN correctly judges the machine state of the inspected rotating machine as normal or abnormal.     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。