共查询到18条相似文献,搜索用时 171 毫秒
1.
以机载燃油泵实时状态监测为背景,针对目前燃油泵故障数据少、诊断方法效率低、成本高等问题,研制了机载燃油转输系统实验平台,提出基于小波包分析和改进粒子群支持向量机(M-PSO-SVM)的故障诊断方法。该实验平台可针对燃油泵5种典型故障模式进行实验,测取泵故障状态下的振动信号和出口压力信号。利用小波包分解提取振动信号不同频段的能量值作为特征参数,并结合出口压力均值构造故障特征向量。提出混合遗传变异思想的粒子群算法对SVM分类模型进行参数优化,用得到的故障特征向量训练并验证该分类模型。实验分析表明,该实验平台可有效采集泵的故障信号,并且测试点可进一步优化,M-PSO-SVM在诊断速度、诊断精度等方面都优于传统Grid-SVM和GA-SVM,能够满足实际故障诊断的需求。 相似文献
2.
为提高水电机组故障诊断的准确性,提出了基于Choquet模糊积分融合的多分类器组合故障诊断方法,对朴素贝叶斯分类器进行了基于属性相似度的加权改进,得到基于属性相似度的加权朴素贝叶斯分类器(Attribute Similarity Weighted Naive Bayes Classifier,简称SWNBC),并应用基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC)与BP神经网络(BP neural network)组合成为SWNBC+MDC+BP的多分类器组合模型,以小波包提取的相关频带能量作为输入特征向量,应用组合模型对水电机组故障进行诊断,采用模糊积分法来决定最终的故障类型。实验结果表明该模型相对于单一的分类器,能有效提高识别故障的精度。 相似文献
4.
5.
6.
早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。 相似文献
7.
8.
摘 要:通过钢梁损伤试验,验证基于小波包能量谱的结构损伤预警方法在实际结构上应用的有效性。对钢梁进行完好工况和三个损伤工况的动力响应测试,对得到的响应进行小波包分解,考察损伤前后各个特征频带的能量变化。试验结果显示,损伤预警指标ERV和ERVD能够对三种损伤工况做出有效预警;同一工况的多次测试得到的损伤预警指标ERVD虽有变化但变化不大。基于小波包能量谱的结构损伤预警指标对结构损伤具有敏感性、对测试噪声具有鲁棒性,可以用于实际结构损伤预警。 相似文献
9.
为了解决滚动轴承故障模式智能识别与运行状态检测问题,提出了时间-小波能量谱样本熵的计算方法,并将其作为特征参数用于滚动轴承智能诊断的研究。采用Hermitian小波对轴承信号进行连续小波变换,得到蕴含故障信息的时间-小波能量谱序列,再通过计算其样本熵值,量化提取信号中的故障特征信息。轴承不同故障模式下的时间-小波能量谱样本熵区分明显,以此作为特征向量输入支持向量机,实现了对轴承不同故障模式的智能识别。之后计算轴承全寿命周期实验数据的时间-小波能量谱样本熵,按照时间顺序排列,绘制出了轴承运行状态曲线,通过判断曲线走势可有效诊断出轴承早期故障的发生。实验结果表明,时间-小波能量谱样本熵可以有效用于滚动轴承智能诊断的研究。 相似文献
10.
为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。 相似文献
11.
12.
通过分析齿轮啮合过程的数学模型及典型故障,论证了扭振分析方法在齿轮系统故障诊断上的优越性,并提出一种测量齿轮轴上扭振信息的新方法。在此基础上搭建了齿轮传动系统,通过采用永磁旋转(角)加速度传感器检测齿轮系统各个运行状态下不同轴上的扭振信号;然后,分别对齿轮传动系统轴上的扭振信号和平台的振动信号采用小波包分解,提取各个节点的能量作为特征向量;最后,结合以径向基函数(RBF)为核函数的支持向量机(SVM)分别进行故障的辨识。实验结果表明:轴上的扭振信号在齿轮系统故障诊断上的效果要优于平台振动信号的诊断效果。 相似文献
13.
14.
15.
在线状态监控与故障诊断具有很大的经济与安全意义,提出了一种基于独立特征选择(IFS)与相关向量机(RVM)的智能故障诊断模型用于变载荷条件下识别多类轴承故障及其故障程度。首先混合空载(0hp)与满载(3hp)两种载荷状态下的实验数据作为训练样本;其次提取时域统计特征与全小波包域节点能量特征作为候选特征;接着采用一种改进的Fisher特征选择方法为每两类故障状态独立选择具有最大分类能力的最优特征子集;然后用“一对一”的方法训练多个RVM二类子分类器;最后采用“最大概率赢”的策略组合所有子分类器构成IFS_RVM多类故障诊断模型。用未知载荷(1hp,2hp)下的实验数据验证了模型的有效性,得到99.58%的极高诊断精度,实验结果表明,该模型精度高、鲁棒性强,满足变载荷条件下在线故障诊断的需要 相似文献
16.
17.
18.
基于时频域模型的噪声故障诊断 总被引:4,自引:3,他引:4
为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。 相似文献