机械设备故障特征提取分析及维修决策研究

对工业设备的故障特点及共同特征进行了剖析和概括，介绍了目前常用于故障信号检测的方法，在故障识别过程中对故障识别的内容、过程及方法进行了探讨，为了预估设备的剩余寿命和故障发生的时间、部位及严重程度，利用灰色预测方法对设备运行状况进行预测，为维修决策提供依据。     

液压机械无级变速器故障识别研究

对液压机械无级变速器机械故障的振动和噪声信号进行了分析:采用双谱分析法识别齿轮故障,希尔伯特信号包络法识别滚动轴承故障,小波变换信号分离法识别传动箱故障。对液压机械无级变速器液压故障的试验数据进行了研究:采用BP神经网络法识别电液比例伺服机构故障,频段分布法识别变量泵故障,核方法识别湿式离合器故障。研究表明:六种不同的方法对变速器的故障都有独特的识别作用,应根据变速器零部件的特性选择恰当的识别模式,以提高故障识别水平。     

基于IMIE、MCFS和SSA-ELM的离心泵故障诊断方法

采用多尺度排列熵对离心泵振动信号进行分析时，存在忽略信号幅值信息以及粗粒化处理存在不足的问题，从而导致离心泵的故障识别准确率不高，为此，提出了一种基于改进多尺度增长熵(IMIE)、多聚类特征选择(MCFS)和麻雀搜索算法优化极限学习机(SSA-ELM)的离心泵故障诊断方法。首先，基于改进粗粒化处理，提出了改进多尺度增长熵(IMIE)方法，将其用于提取故障特征，构造了反映离心泵损伤属性的特征矩阵；随后，采用多聚类特征选择(MCFS),对原始故障特征进行了重要性排序，获得了对分类识别贡献度更高的故障特征，提高了故障特征的质量；最后，将低维的敏感特征输入至基于麻雀搜索算法(SSA)的极限学习机(ELM)中，进行了离心泵故障分类，完成了离心泵不同故障类型的识别任务；并采用离心泵故障数据集，对基于IMIE、MCFS和SSA-ELM的故障诊断方法的有效性进行了实验验证。研究结果表明：所提故障诊断方法的故障识别准确率达到了100%,多次实验的平均准确率和标准差也优于其他对比的故障诊断方法，即IMIE能够准确地提取信号中的故障信息，进而表征离心泵的健康状态；SSA-ELM能够准确地识别离心泵的故障类型...     

基于电力线载波通信的电缆故障识别算法

随着电网中电缆的大规模使用，电缆状态监测和故障识别对于电网安全运行变得尤为重要。针对实际电缆带电检测或在线监测场景下的高噪声或强干扰情况，提出了一种基于电力线载波通信的电缆故障识别和定位算法。该方法在待测电缆一端注入载波通信中常用的前导码序列，同时采集电缆中的反射信号，并利用多径迭代分析算法提取反射路径数量、强度、到达时间等信息，实现电缆故障识别、故障类型/程度判断以及故障定位。由于前导码序列良好的自相关性能，所提出的电缆故障识别算法具有较强的抗噪声和干扰性能。通过仿真分析表明，所提算法在信噪比为-5 dB左右时故障识别准确率可达100%，故障定位均方根误差收敛到误差平台。此外，利用前两径的到达时间降低系统采样率对故障定位影响，相比传统方法定位精度可提升约60%。     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

低信噪比下的滚动轴承早期微弱故障识别

低信噪比下的滚动轴承早期微弱故障识别是轴承故障诊断领域的一个难点问题，基于希尔伯特变换解调的包络谱分析法虽是得到广泛工程应用的轴承故障检测经典方法，但其对信噪比过低的轴承早期微弱故障诊断能力不足。针对这一问题，采用时频域高阶统计量——谱峭度开展滚动轴承早期微弱故障识别研究。利用滚动轴承从完好逐渐发展到外圈损伤失效的全寿命周期试验数据进行分析，结果表明：对于轴承出现的早期微弱故障，谱峭度法能够通过识别提取位于高信噪比共振频带的微弱故障信号，实现轴承早期微弱故障识别，相比直接采用包络谱分析法提前了200 min检测出微弱故障。     

旋转机械轴心轨迹特征提取技术研究

轴心轨迹是表征旋转机械运转状态的重要特征，目前轴心轨迹识别局限于人机对话模式，并且只对轴系故障进行初步识别，不能实现对故障细节的描述。针对这个问题，研究了轴心轨迹的自动识别方法，主要研究了轴心轨迹与转子故障严重程度的关系，提出通过特征定量化对同类故障的不同图形进行分类，引人交叉点和圆环数作为特征指标，并通过仿真分析，取得了良好效果。     

飞行器发动机结构系统早期故障分类识别方法研究

在对飞行器发动机结构系统早期故障进行分析的基础上,提出应用小波变换、分形与模糊神经网络相结合的早期故障识别分类方法。该方法首先利用小波变换和分形技术对早期故障的微弱信号进行处理并提取早期故障信息,然后利用模糊神经网络(FNN)对早期故障特征信息进行聚类分析识别。实验结果表明,该方法是一种识别早期故障的有效方法。     

小波分析在车辆故障诊断中的应用

车辆变速箱振动信号可用小波分析法预处理后，再用小波包能量尺度图分析法识别故障，按此法对BJ212变速箱准确地进行了故障识别，结果表明利用小波分析进行变速箱故障诊断的方法行之有效。     

基于SNRgram方法的滚动轴承故障特征提取

针对平方包络信号的负熵对随机脉冲敏感以及平方包络谱的负熵易受离散谐波干扰，从而导致信息图法对随机脉冲和离散谐波分析时鲁棒性差的问题，引入信噪比测度作为轴承故障信息的评估指标，识别包含丰富故障信息的共振频带，并进一步提出基于SNRgram的包络分析方法提取滚动轴承故障特征。仿真和试验结果表明，相对于信息图和其他典型频带识别方法，SNRgram方法处理随机脉冲和离散谐波时具有更强的鲁棒性以及更高的频带识别准确性，能够有效识别轴承故障相关共振频带并提取轴承故障脉冲特征。     

基于EMD解调的齿轮裂纹早期故障诊断研究

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱。为了有效提取早期裂纹故障特征,文中提出基于经验模式分解(empirical mode decomposition,EMD)的早期故障诊断方法。该方法首先去除振动信号中的啮合基频及其谐波成分,得到残余信号,然后针对残余信号进行基于EMD解调分析和处理。仿真及工程实例分析结果表明,所提方法能成功地将齿轮早期裂纹故障信息从复杂的振动中提取出来,更有利于及早发现故障,并判断故障的严重程度。     

基于小波包的遗传神经网络故障诊断系统研究

用遗传算法建立了汽机故障诊断地人工神经网络模型,以小波包分解技术获得的10个频段上的能量为网络的输入模式,对汽机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,结果表明该方法在汽机故障诊断中是有效的。     

基于模糊聚类的油田往复压缩机气阀故障诊断研究

往复压缩机气阀是整个机体中故障率最高的部件,针对其故障模式复杂、难以辨识的特点,选取与气阀运行状态密切相关的6个振动参数作为特征参数,采用模糊聚类方法对气阀故障和运行状态进行评判.用现场实际采集的20个样本进行模糊聚类分析,求出故障特征,并与频谱分析和现场实际情况进行比较,聚类结果与实际情况相吻合,证明此方法应用于运行状态评判和挖掘故障特征是有效的.     

基于K-L散度的机械或传感器故障判别方法

机械故障诊断系统中，对同一监测部位通常采用双传感器配置（如水平和垂直方位）。文中首先运用核密度估计方法得到两传感器输出信号的概率密度函数估计，然后计算两输出信号间K-L（Kullbaek—Leiber）散度，并提出一种基于K-L散度值的机械或传感器故障判别准则。通过对一个齿轮减速箱实测振动信号和模拟的传感器故障信号的计算，可以发现，与无故障状态时K-L散度相比，监测部位出现机械故障时两传感器输出信号间K-L散度显著减小；而两传感器之一出现故障时其K-L散度显著增大。因此，两信号间K-L散度的变化可用于区别机械和传感器故障。     

冗余度机器人容错控制研究

对冗余度机器人运动学动力学容错控制进行了较深入的研究,以冗余度机器人容错控制是冗余特性的具体应用这一思想为出发点,利用自运动变量这种冗余参数作为容错控制系统的状态变量,对容错控制系统进行简化,并提出了利用自运动控制冗余度机器人实现各种容错的新方法。仿真结果表明这些方法具有运算简单、容错效果好的优点。     

轴承事故的神经网络（ANN）分析

用神经网络分析和模拟轴承事故，分析了基于Ｐｅｔｒｉ网的事故分析的优点和不足。通过构造事故的神经网络，可求出导致顶上事件发生的最小割集和控制事故发生的最小径集，这种分析方法为神经网络在故障诊断中的应用开拓了新的研究思路。     

基于故障统计模型的可修系统维修周期预测法

提出一种可修系统故障统计模型和维修周期的顶测方法，它的基本原理是系统局部故障变化率的单样本参数估计。结合实例，本文介绍了新方法在设备维修管理中的应用。     

基于ART-人工免疫网络的多级压缩机故障诊断

为解决多级往复式压缩机故障诊断这一复杂问题,提出了一种基于智能互补融合的智能诊断策.该策略整合了自适应共振网络(ART)和人工免疫网络各自的优点,对数据样本进行浓缩,建立从故障状态空间至解释空间的映射,从而达到故障诊断的目的.另外,还提出新的数据浓缩度量指标--数据蒸发率.对一个四级压缩机的故障诊断结果表明,提出的方法具有诊断率和数据蒸发率高等优点.     

液压动力系统运行状态识别技术研究

以机械工程中液压动力系统为对象 ,在理论分析以及大量试验研究的基础上 ,给出了基于电流信号功率谱特征的液压动力系统 4种运行状态标准模式。提出了基于灰色关联度计算的模式识别方法 ,该方法能很好地识别出液压动力系统正常以及电动机故障、机械故障、油泵故障的发生。此外 ,灰色关联度算法简单、计算量小 ,可以实现在线监测。     

基于解调技术的双特征分析法在轴承故障诊断中的研究

机械故障信号双特征分析法是提高诊断准确率的有效方法,双特征分析法的关键是应用共振解调技术提取微冲击信号.为了提取微脉冲冲击,文中提出共振解调技术数学模型,并求解该模型的脉冲响应,为该技术的应用提供理论依据.工程实例表明,使用共振解调技术可以有效提取轴承故障微小脉冲冲击,通过在共振解调傅里叶谱图上分析冲击功率故障振动信号特征,可以较容易地进行故障诊断.