基于混沌理论的设备状态监测应用研究

以汽车变速箱中齿轮系统疲劳实验为例，充分利用混沌方法与小波方法各自在状态监测与故障诊断领域中的优点，进行机械系统状态监测与故障诊断。通过对实验所得振动信号进行小波包分解与重构，得到反映目标部件的特征信号，借助于混沌方法，对信号进行了二次处理，进而对所得特征量的变化趋势进行比较研究，确定了各监测部位的运行状态，并实现了故障定位。计算结果和实验结果相吻合，证明了该方法的可行性。     

基于小波包能量矩阵的轴承信号特征提取

为通过振动信号识别轴承的工作状态,结合小波包变换和矩阵特征值理论,提出了一种新的轴承信号特征提取方法。引入了能量值方法,对小波包分解信号进行分层分段能量计算,组成能量特征矩阵,求得矩阵特征值;定义基于特征值的振动信号特征参数,并探讨了特征参数与轴承运行状态间的联系。最后在特征提取基础上,提出了故障早期模式识别的对应系数相乘方法。结果表明：最大值特征参数能够敏感的反映轴承工作性能的变化,可作为轴承状态监测特征量;对应系数相乘法可以作为故障部位诊断的有效方法。     

涡街流量信号背景噪声的混沌特性研究

首先介绍涡街发生的原理，分析了涡街噪声信号的产生具有混沌特性的可能性，引入小波方法分解涡街流量信号，运用混沌理论对涡街背景噪声信号的Lyapunov指数进行了计算仿真，结果表明涡街噪声信号是具有混沌特性的，并提取了涡街噪声信号的混沌特征，计算了盒维数。为定性地研究涡街流量信号特征提出了新的思路，实验数据的仿真结果说明了该方法的有效性。     

基于模糊灰关联分析的高速列车运行状态识别

针对高速列车运行状态监测问题提出小波包能量熵与模糊灰关联度相结合的运行状态识别方法。对高速运行状态下列车10个关键部位传感器振动信号进行均匀分段及多层小波包分解,将小波包能量熵作为特征值;随机选取四种运行状态下各10段数据求其平均能量熵作为参考序列,其余数据能量熵作为待检测序列,采用灰色理论对参考、待检测序列进行模糊灰关联分析,获得待检测序列对各运行状态隶属度;实现对高速列车运行状态识别。实验结果表明,该方法能有效诊断高速列车运行状态,尤其小样本、故障特征不明显时明显优于支持向量机及概率神经网络方法。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

基于小波包和拉普拉斯特征值映射的柱塞泵健康评估方法

柱塞泵是液压系统的关键部件之一,监测其健康状态对液压系统的可靠运行具有重要意义。提出一种基于小波包和流形学习的方法,用于分析柱塞泵出口振动信号,从而对其进行健康评估;该方法利用小波包对原始信号进行分解,从中提取用于描述柱塞泵健康状态的有效特征群;把提取的高维特征群作为输入,利用并比较多种流形学习方法进行特征降维,选取状态识别准确率最高的拉普拉斯特征映射方法,建立起的特征向量到健康状态之间的对应关系,实现液压泵健康状态监测的分类要求。实验结果表明,采用小波包和拉普拉斯特征映射相结合的方法可以有效提高柱塞泵状态评估的准确性。     

小波分析在混沌信号识别中的应用研究

通过分析混沌信号和噪声信号的频谱特性以及小波变换对两种信号的作用结果的差异。论证了小波变换是一种有效的去除混沌信号中噪声成分的方法。通过数值仿真研究，证明了小波方法的有效性，最后给出了实验结果。     

基于声信号的滚动轴承故障诊断研究

结合小波包短时能量散布熵、回溯搜索算法以及学习矢量神经网络，提出一种基于声信号的滚动轴承故障诊断新方法。首先利用小波包分解结合短时能量对声信号进行脉冲能量提取，突出与故障相关的时频子空间的能量分布，再通过计算各子空间短时能量序列的散布熵，构造特征矩阵。利用t-分布随机邻域嵌入方法对所获特征进行降维聚类，显示所提取的特征具有较好的聚类性能。然后采用回溯搜索算法优化学习矢量量化建立神经网络故障诊断模型，对轴承故障进行识别，并与多种诊断方法进行比较，试验结果表明，加入短时能量散布熵后，本模型提升了声信号的能量特性，优化了特征矩阵，诊断性能最佳。     

活塞环失效振动监测研究

利用发动机机身振动信号对活塞环失效进行监测,提取了时域特征量、频域特征量和小波包特征量,并绘制了小波包三维时频能量图。在此基础上,对敏感特征量变化的原因进行分析。结果表明,提取的特征量可以作为活塞环失效监测的依据。     

小波包——自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论，由此提出一种称之为小波包－－自回归谱分析的新方法，它将小波包和自加归模型结合起来，该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取，并以挖掘机提升系统龄轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。     

一种数字电路板故障定位的实用方法

一个系统或电路在设计和制造过程中以及运行过程中往往存在着故障，如何找出系统或电路中的故障，并区分它们是帮位的任务。利用夹具作为辅助工具，用夹具的移动来踊跃故障引线，以达到故障尽快定位的目的。     

FMES运行监视与故障诊断系统的研究与设计

以长春柔性制造实验系统为研究对象，研究了柔性制造系统的运行监视与故障诊断技术，研制了基于实时动画和人工智能的ＦＭＥＳ运行监视和故障诊断系统。介绍了ＦＭＥＳ－ＭＤＳ的总体结构讨论了ＦＭＥＳ－ＭＤＳ中的信息检测方法和故障诊断技术。     

转子-轴承系统裂纹-碰摩耦合故障的非线性特性研究

研究了带有裂纹和碰摩耦合故障的弹性转子系统的复杂运动。在同时考虑轴承油膜力和碰摩发生时转静件间的相对速度对非线性摩擦力的影响基础上,构造了含有裂纹-碰摩耦合故障转子系统的动力学模型。针对短轴承油膜力和裂纹-碰摩转子系统的强非线性特点,本文用Runge-Kutta法对转子-轴承系统由裂纹和碰摩耦合故障导致的非线性动力学行为进行了数值仿真研究,发现该类系统在运行过程中存在周期运动、拟周期运动和混沌运动等丰富的非线性现象,研究结果为转子-轴承系统故障诊断、动态设计和安全运行提供了理论参考。     

旋转机械启动全过程DHMM故障诊断方法研究

旋转机械启动过程中的振动信号包含有重要的参考信息，研究该过程中的旋转机械运转状况，有助于发现存在于系统中的早期故障。根据离散隐Markov模型（DHMM）的建模理论，对旋转机械启动过程的振动谱矢量序列进行标量量化处理，并建立了各种模拟故障的DHMM进行故障分类尝试，实验证明，该方法是十分有效的。     

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。     

基于拉普拉斯特征映射的滚动轴承故障识别

用传统的线性方法对非平稳和非线性运行状态的滚动轴承进行故障诊断时,效果欠佳。为了及时、准确地监测轴承的运行状态,提出了将拉普拉斯特征映射算法(Laplacian Eigenmap LE)应用到滚动轴承的故障识别中。在振动信号构建的时域和频域高维特征空间矩阵中,充分利用LE算法在非线性特征提取和降维的优点,进行学习,提取表征轴承状态的特征量,并以可视化的聚类结果进行表示。实验模拟了轴承的4种不同类型故障以及滚动体的4种不同受损程度,采用模式识别中聚类性的类内距和类间距两个参数作为衡量指标。与PCA和KPCA两种方法对比,LE不仅明显识别出四种故障类型和有效的区分出滚动体的不同受损程度,而且识别率大大提高。并通过测试样本组验证了LE方法的有效性。     

Planar defects in layered hydroxides: Simulation and structure refinement of β-nickel hydroxide

Although nickel hydroxide can be obtained by various methods in a highly ordered form, this work shows that most such preparations are not free of stacking faults. The stacking faults belong to more than one type, which differ from one another in their structure as described by the local stacking sequence. The incidence of such residual stacking faults varies in the range 1-3% depending on the method of preparation.     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

滚动轴承复合故障振动建模及Lempel-Ziv复杂度评价

故障建模是探寻机械诊断中认知规律的关键环节。为了更能准确地预知振动特征,研究滚动轴承结合面间的多体接触与传递过程的耦合作用,根据Hertzian理论建立一种详细的计及内圈-外圈-轴承座传递过程的6DOF振动模型。从轴承实际运动学的角度刻画故障的形成及渐进发展过程,进而实现单点、复合故障的有效模拟,并与实验结果进行了比较。轴承运行过程中故障状态的变化,必然导致振动信号复杂性的变化。基于非线性动力系统理论,引入Lem-pel-Ziv复杂度指标评价运行状态。结果表明,单点及复合故障的信号具有不同的复杂度,反映了不同故障状态的动力学响应的差异。Lempel-Ziv复杂度能有效描述轴承振动信号的复杂性,可作为量化指标用于滚动轴承状态评价。     

On-line Condition Monitoring and Diagnostic Network System for Rotating Machine Set

1IntroductionThemachineryinfactoryisalwaysthekeyequipment,soOn-lineConditionMonitoringandDiagnosticSystemCMDS)isveryimportant.Usingthissy000000stem,engineerscanknowtherunningconditionclearlyandanalyzethepossiblefaultswhenthesemachinesetscannotrunnormally.Computerscience,numericsignalprocessing,sensorandnetworktechnologyarethekeytechnologiesofnetworkbaseddistributedon-lineCMDS,anddevelopmentofthesetechnologiesmakeCMDSplayamoreimportantroleinindustry.NetworkstructureandfunctionofCMDSare…