基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理（Evidence Reasoning,ER）的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明：该方法可以有效地提高旋转机械设备故障诊断的识别率。     

基于量纲一指标和极限学习机的滚动轴承故障诊断方法

时域中的量纲一指标因对故障敏感,被广泛运用于机械故障诊断中,但是目前量纲一指标在诊断过程中存在严重交叉问题,即量纲一指标对于不同故障状态在特征空间中存在混叠现象。为了解决这个问题,提出基于量纲一指标和极限学习机的滚动轴承故障识别方法,采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集,验证算法诊断效果。为了进一步验证算法的优越性,将该算法与BP神经网络、支持向量机(SVM)和Grip search SVM 3种算法进行比较,结果表明:基于量纲一指标和极限学习机的故障诊断方法能够提高滚动轴承故障诊断效率和分类准确率。     

基于K-S和加权证据理论的复合故障诊断方法

针对复合故障难以识别的问题,提出双样本组合Kolmogorov-Smilnov检测对两条量纲一的指标曲线进行匹配,并通过加权证据理论方法对故障信息进行融合的新方法。实验结果表明:在双样本K-S检验中,峭度指标累积分布函数曲线匹配的准确率高于其他指标;通过D-S证据理论融合故障信息后,准确率虽无明显提高,但可以有效减小复合故障的范围,因此通过再分类可以提高准确率。     

融合OCEEMDAN的多模态互量纲一化与宽度学习改进的智能故障诊断

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化（MMDI）与宽度学习系统（BLS）的智能故障诊断方法。通过优化完全自适应噪声集合经验模态（OCEEMDAN）与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数（IMF）重构并提取MDI,构建了一批MMDI;采用反向传播算法（BP）与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。     

模拟退火算法在旋转机械故障诊断中的应用

用模拟退火算法建立了旋转机械故障诊断的人工神经网络模型,以幅值谱中七个频段上的幅值为网络的输入模式,对旋转机械常见的几种故障进行分类训练,并应用于待识别故障样本的识别计算,证明该方法在旋转机械故障诊断中是有效的。     

基于高价值小样本的石化装置旋转机械故障诊断NN模型

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型.依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果.研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3％.该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导.     

旋转机械故障机理的研究

根据旋转机械动态特性的特点,研究了转子不对中和油膜失稳的故障问题,并分别建立数学模型,讨论其产生机理,研究二者的耦合作用,改变了以往将二者单独进行研究的作法.为旋转机械的故障诊断机理分析提供了有实用价值的方法,具有一定的工程应用意义.     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

旋转机械故障诊断中的信号处理技术综述

基于旋转机械在各行业的广泛应用,旋转机械的故障诊断技术也倍受重视,从传统的信号处理方法到现代的信号处理方法,旋转机械故障诊断中的信号处理技术在不断发展,不断创新.综述了旋转机械故障诊断的传统信号处理方法和现代信号处理方法,分析传统信号处理方法和现代信号处理方法的实际应用,并展望了未来旋转机械故障诊断领域的研究方向.     

希尔伯特变换原理在轴承故障诊断中的应用

阐述希尔伯特变换及解调的基本原理,并据此对振动信号进行幅值及相位解调与分析,为旋转机械故障诊断提供早期和准确的故障信息.     

基于EEMD多维特征的旋转机械故障识别方法研究

为有效诊断旋转机械故障,提出基于集合经验模态分解（EEMD）的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数（IMF）,分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明：多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。     

CORBA技术在故障诊断系统中的应用

针对旋转机械故障诊断系统中系统的异构性，在简要介绍CORBA体系结构的基础上，对利用CORBA技术构建具有远程诊断功能的旋转机械故障诊断系统进行了研究，并介绍了具体的实现方法。基于CORBA技术构建的旋转机械故障诊断系统具有网络化、分布式、可扩展性等特点。     

基于无限因子隐Markov模型的旋转机械故障识别方法

在机械故障识别方面,因子隐Markov模型是目前常用的识别工具。无限因子隐Markov模型(IFHMM)是因子隐Markov模型(FHMM)的一种扩展形式,克服了因子隐Markov模型链条数往往事先假定的缺点。本研究将无限因子隐Markov模型(IFHMM)运用到旋转机械的升降速过程故障的诊断当中,提出了使用IFHMM作为诊断工具的旋转机械故障诊断方法,并与基于因子隐Markov模型的旋转机械故障诊断方法进行了对比,最后将提出的方法成功地应用到旋转机械的故障中。实验结果表明,提出的方法明显优于FHMM识别方法。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型，具有局限性。为解决此问题，提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号，得到有限个IMF分量，优化现有EMD算法得到最优的截断阈值，并有效分离系统噪声干扰；从多域量化角度提取故障信号的时域、频域特征，并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征，具有更高的训练精度和故障诊断精度     

基于PDA的模糊逻辑故障诊断智能终端设计

为了克服工程装备现场复杂环境下的故障诊断困难,开发了基于模糊逻辑的工程机械故障诊断终端。探讨了基于模糊关系逻辑的故障诊断系统在PDA上的实现方法,简要介绍了基于模糊逻辑关系方程的智能诊断原理。设计了智能诊断终端的结构,系统地阐述了诊断终端的应用及功能实现过程。实践表明:该诊断终端对工程机械故障的现场检测与快速诊断具有非常大的作用。     

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态，监测产生的数据量逐渐加大，以及故障特征提取困难的问题，以轴承作为关键部件，提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据；然后利用窄带物联网完成数据远程传输，并将其存储到云端数据库中；在云平台利用相关时域频域分析对轴承状态进行监测，并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断；然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好，系统能够良好地运行。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

工程机械智能故障诊断技术的研究现状及发展趋势

随着工程机械的日益复杂化和智能化,传统的故障诊断技术难以满足复杂系统的故障诊断要求,因此智能故障诊断技术得到更广泛的应用.介绍我国工程机械故障诊断技术的研究现状,并阐述工程机械现代智能故障诊断的方法,在此基础上提出工程机械故障诊断技术的发展趋势及需要进一步研究的问题.