EMD降噪的关联维数在齿轮故障诊断中的应用研究

本文运用分形理论中的关联维数计算方法,对齿轮正常、齿根裂纹和断齿三种不同工况的振动信号进行识别。为了降低噪声对关联维数计算结果的影响,提出EMD滤波方法对采集的信号进行预处理。通过对仿真信号和齿轮箱实测信号的诊断,证明了该方法的可行性和有效性。     

关联维数在设备状态监测中的应用研究

提出用关联维数来定量描述机械设备的工作状态，进而对设备进行故障。同时研究了噪声对关联维数计算结果的影响，并提出用采样迭代奇异值降噪算法对原始数据进行降噪处理。文中以ZYB80A型复合气泵为例，计算了气泵在不同工作状态下降噪处理后振动信号的关联维数，分析结果表明，气泵不同运行情况所对应的关联维数有明显不同，因此可以用关联维数区分气的运行状态。以关联维数作为故障诊断的依据，将对提高设备状态监测和故障诊断的准确率有重要意义。     

时频分析在旋转机械故障诊断中的应用

针对旋转机械发生故障时振动信号的不平稳性，利用时频分析中的小波尺度图和再分配后的小波尺度图对点碰摩、松动、裂纹和油膜失稳故障进行对比分析，结果表明再分配小波尺度图比传统小波尺度图，具有更高的时频分辨率，可以更好地识别转子早期故障。     

大型旋转机械故障诊断专家系统ETHYLENE的理论研究

本文在模糊产生式规则的基础上引入了加权模糊连接算子的概念,并研究了征兆的类型。在此基础上,为旋转机械模糊诊断知识提出了一个灵活的知识表达方法——广义模糊产生式规则。在征兆类型的基础上引入了征兆认可因子的概念.利用这一概念来描述模糊蕴涵关系的语义,基于征兆认可因子提出了一个模糊推理算法。文中还给出了由基于这一广义模糊产生式规则和模糊推理算法建立的透平压缩机组故障诊断专家系统ETHYLENE得到的两个诊断结果。     

神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

利用关联维数分析机械系统故障信号

根据机械系统运行中测量到的信号的处理，进行系统特征识别。针对非线性系统的特点，区别于以往对线性系统使用的时域，频域定性分析法，用分形维数定量刻画机械系统运行状态。使用分形维数中能直接反映转子系统运行特点的关联维数来获得转子运行故障以及故障发展程度的定量描述。本文采用的高效关联维数算法，提高了计算速度和描述转子系统故障的精度。     

关联维数快速算法及其在机械故障诊断中的应用

基于GP算法的关联维数计算方法简单,但计算量大,无标度区间识别困难,难以实现自动化。分析关联积分计算量基础上,运用组合参数法减小关联维数计算量,并由关联积分曲线的二阶局部斜率实现无标度区间的自动识别,进而实现关联维数的自动计算,Lorenz系统实例证明了该方法的有效性。运用该方法计算不同汽车主减速器振动信号的关联维数,结果显示不同状态主减速器振动信号的关联维数具有明显的可分性,关联维数可作为判别机械产品故障特性的有效量化指标。     

旋转机械故障诊断中的神经网络改进算法研究

就ＢＰ神经网络学习收敛速度慢和易出现局部最小点的不足，采用了自适应学习率和绝对误差等距离逼近方法，引入了控制因子常数，就控制因子常数，惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。     

改进BP网络在旋转机械故障诊断中的用

ＢＰ神经网络在旋转机械故障诊断中得到了广泛应用，但是实践中发现，ＢＰ网络的联想能力有限，特别是对于多故障情况，本文以此进行了改进，提出了一种新型ＢＰ网络模型，新模型增加了输入、输出层间的部分连接，大大提高了ＢＰ网络的联想能力，特别适用于象旋转机械这类复杂系统的故障诊断。     

基于关联维数和线段聚类的滚动轴承故障诊断

提出一种基于关联维数的滚动轴承故障特征提取方法。线性标度区域的识别是影响关联维数准确度的重要因素,针对关联维数线性标度区对应的二阶导数在零上下波动这一特征,将二阶导数数据点转化为线段,再利用线段的聚类方法进行两次聚类分析,并应用统计学准则排除粗大误差,最后对数据拟合得到特征值。对经典的Lorenz混沌系统进行仿真分析,具有良好的效果,并对滚动轴承4种状态信号进行特征分析,实验表明该方法能更加准确地识别出轴承故障信号。     

基于广义粗糙集理论的旋转机械故障诊断

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了分析处理，求出了进行诊断所需的关键条件，由相对约简得到了最优诊断规则。在工程实践中成功地诊断出了大型旋转机械的一些常见故障。     

自适应时频分析在回转机械诊断中的应用研究

针对各类时频分析方法的缺陷，提出了基于高斯线性调频基的自适应时频分解算法，经仿真试验验证，该方法拥有极高的时频分辨力，且无交叉干扰项，将其运用于转子冲临界瞬态振动分析，取得了良好的效果。     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

改进的支持向量机在旋转机械故障诊断中的应用

系统地研究支持向量机的基本原理。针对旋转机械振动故障特征复杂的特点,提出采用基于K-L变换的故障提取方法。改进支持向量机的多分类算法,将支持向量机分类方法用于旋转机械振动分析,利用其模式辨别和系统建模能力对典型故障的初始征兆、发生、发展进行动态分析,为旋转机械的故障诊断提供新的思路和方法。     

A Method of Rotating Machinery Fault Diagnosis Based on the Close Degree of Information Entropy

1 IntroductionWith the development of industry,the machine or the production system is becoming more and morecomplicated,and the fault diagnosis for such large and complicated systems is also becoming moreand more difficult.For such large-scale diagnosis problems,some approaches based on the modelwere proposed[1,2],butthe diagnosis accuracy is notsatisfactory because the modular diagnosis mod-els are based on single symptom domains.Thus,in order to improve the diagnosis accuracy,it isdesirable…     

旋转机械故障诊断系统数据库的机器自学习方法

本文讨论一种旋转机械故障诊断系统数据库的计算自学习方法.该法能使计算机在长期的运行实践中,自动识别和跟踪被监测机组工作参数的改变,从而大大增强了故障诊断系统的适应性.本文将最小?乘法应用于计算机自学习,并以"MMMD-1"的模糊诊断系统为例,介绍了这种方法的原理和应用.计算结果表明,该法对初值稳定.     

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。     

旋转机械故障诊断中的主从混合神经网络模型研究

针对ＢＰ网络在旋转机械故障诊断应用中的不足，借助Ｈｏｐｆｉｅｌｄ网络的优良特性，建立了以反馈式Ｈｏｐｆｉｅｌｄ网络为主控网络、前馈式ＢＰ网络为从网络的主从混合神经网络模型。通过这个网络模型的设计、动力学行为分析、学习算法的描述和测试以及它在旋转机械故障诊断中的应用，结果表明：该网络模型具有收敛速度快、稳定性好、最小系统误差等优点，是一种实现旋转机械故障诊断的优良网络模型。     

基于HMM的核动力旋转机械故障诊断的研究

隐Markov模型(HMM)已经证明是学习动态时间序列的概率模型的最广泛应用的工具之一,它可以使用一个隐变量来模拟系统的动态行为的变化。核动力旋转机械升速过程具有信息量大、信号非平稳、重复再现性不佳等特点,HMM很适合处理此类信号。将HMM引人到核动力旋转机械的故障诊断中,提出了一种基于HMM的故障诊断方法。