全矢模糊专家系统在混流泵故障诊断中的应用

在混流泵故障诊断中,针对传统单源振动信号特征提取不完整、不充分可能造成的误诊等问题,采用全矢谱技术对混流泵进行故障诊断.相比于传统单源振动信号特征提取,该技术保证了信息提取的全面性和完整性.采用模糊专家诊断技术对混流泵故障进行诊断,与全矢谱技术互为补充.实验结果表明,该方法能够有效对混流泵进行故障诊断,提高诊断结果的可靠性.     

EMD全矢谱技术及其在滑动轴承故障诊断中的应用

针对基于单源信息的EMD故障诊断的局限性和根据传统全矢谱分析故障的缺点,提出了基于EMD的全矢谱故障特征提取新方法。该方法对采集于同一截面上的互相垂直的两个传感器上的振动信号,运用EMD将其分别分解为若干IMF分量之和。根据IMF频率及其能量特点,通过全矢谱技术融合特定的IMF分量,得到基于EMD的全矢谱,进而进行故障诊断。仿真结果显示,该方法获取的故障特征更全面、准确。某额定功率为3000k W的TRT发电机组轴瓦振动故障诊断结果进一步表明了该方法的可行性和有效性。     

全矢—模糊核聚类在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及经典模糊聚类算法中的不足,结合全矢谱技术、密度函数法和模糊核聚类法,提出一种新的旋转机械故障识别方法。该方法首先应用全矢谱技术为特征提取工具,然后以密度函数法求得模糊核聚类的初始聚类中心,最后再用模糊核聚类法建立分类器进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高故障诊断的准确率。     

基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念.定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰.阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中.为了对比分析,还通过类似的方法定义了矢Wigner分布.仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布.     

基于复调制的细化全矢谱分析研究

将全矢谱理论在旋转机械故障诊断中的优越性与传统复调制细化分析方法相结合,复调制细化全矢谱(zoom vector spectrum,ZVS)的原理为,两次频移-低通滤波-隔D(细化倍数)点选抽-FFT(fast Fourier transform)-计算全矢谱.其兼具信息全面和高分辨率的特点,运算量远小于具有相同分辨率的普通全矢谱.仿真计算表明,复调制细化全矢谱可应用于旋转机械故障诊断中,对频谱密集型多源融合矢量信号进行有效分析.     

全矢谱-粗集理论在旋转机械故障频谱特征提取中的应用研究

随着旋转机械的大型化、高速化、高精度化,全面、及时、有效的对其进行故障特征提取的重要性愈来愈明显.传统的单通道信息采集方式有着信息量不全面易造成误判的弊端;传统的信息处理方式存在着效率低等弊端.基于同源信息融合和故障特征提取的思想,将全矢谱技术和粗集理论结合,提出了全矢-粗集理论在旋转机械故障频谱特征提取中的应用方法,给出了相关的定义和算法.并通过典型故障的实验验证,此方法在旋转机械故障频谱特征提取中有着更为准确、全面的优势,是一种有效的故障频谱特征提取方法.为旋转机械故障的在线监测提供参考.     

基于全矢色散熵和极限学习机的液压泵故障诊断

为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散熵(FVDE).相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果.液压泵故障诊断实例表明,FVDE对故障状态的区分度更加明显,极限学习机(ELM)的诊断精度也更高,具有一定的优势.     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

基于频谱细化的全矢谱分析

全矢谱技术作为一种全信息技术,能够有效融合同一截面两个相互垂直传感器的信号信息,准确地提取机械故障的关键特征信息。针对全矢谱在密集频谱情况下使用精度会降低的问题。提出一种将全矢谱理论和基于复解析带通滤波器选带细化方法相结合的复解析细化全矢谱,具有信息全面和高分辨率的特点,运算效率高于具有相同分辨率的普通全矢谱。仿真计算表明,复解析细化全矢谱可应用于旋转机械故障诊断中,对密集型频谱进行有效的分析。     

基于ACO-SVM的火炮供输弹系统机械故障诊断

针对火炮供输弹系统故障信号所提取出的特征参量冗余复杂而导致故障类型不易识别的问题,设计一种基于蚁群优化支持向量机(ACO-SVM)的机械故障诊断方法.对信号进行特征提取得到信息熵,再采用ACO-SVM算法对其进行优化约简和故障诊断,并与支持向量机算法进行对比.结果表明:ACO-SVM算法具有更高的准确率,且准确率高达9...