往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

基于支持向量机的往复泵泵阀故障诊断方法

提出一种基于支持向量机的往复泵泵阀故障诊断方法。该方法将泵阀振动信号的小波包变换系数作为特征向量，输入到由多个支持向量机构造的一个多值分类器中进行故障模式分类。试验结果表明，该方法不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断。与常用的人工神经网络方法比较，该诊断方法具有更好的有效性、鲁棒性和推广性，在机械设备故障诊断中有很好的应用前景。     

基于粗集理论的往复泵泵阀故障诊断方法

提出了一种基于粗集理论的往复泵泵阀故障诊断方法。该方法可以直接从经过小波包处理的泵阀振动信号中提取故障诊断观测，并由此建立基于规则的泵阀故障诊断系统，该系统不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断，试验结果表明了这种方法的有效性。这种方法的可行性也为其它复杂机械的故障诊断提供了新思路。     

往复泵泵阀故障的细化谱诊断法

往复泵泵阀振动信号的常规频谱分析,由于故障特征信息往往被淹没于强大的噪声以及相邻部件的干扰而使诊断精度大打折扣.研究了泵阀振动波形的规律和提取规则,并提出了特征波形的细化谱分析.通过模拟试验建立了正常泵阀和故障泵阀的细化谱,再经故障验证试验表明了泵阀故障细化谱诊断法的有效性.     

往复泵故障示功图灰度矩阵法特征量研究

为了准确获取往复泵故障规律和特征量用以监控和诊断往复泵工作状态。本文通过人为实验模拟往复泵液力端泵阀漏失、弹簧断裂、柱塞磨损等6种典型故障,得到了往复泵在典型故障状态下的示功图并分析其产生原因和规律;利用MATLAB编程分别对6种故障状态下的示功图提取6组灰度矩阵特征向量,所得特征量样本数据通过支持向量机训练。结果表明,其故障自动识别率能达到95%以上,具有较高的诊断准确性,可作为往复泵在线监控和故障自动诊断的数据基础。     

声信号的MFDFA和SFLA-SVM算法的往复泵故障诊断

利用声信号对往复泵进行状态监测,针对往复泵的声信号是具有非平稳性、非线性等复杂特征的信号,采用多重分形去趋势波动分析(MFDFA)计算时间序列声信号的多重分形谱,并提取作为故障特征量。分别用支持向量机(SVM)、遗传算法(GA)改进的SVM、混合蛙跳算法(SFLA)改进的SVM进行故障识别。通过实验测取往复泵的原始信息信号并分析,验证了声信号的波动呈现明显的多重分形特性,可以有效区分正常状态与故障状态,对比研究三种识别方法表明了基于混合蛙跳算法优化(SFLA)改进的支持向量机识别效果最好,基于MFDFA和SFLA-SVM相结合的故障诊断方法能准确地提高往复泵泵阀的故障诊断准确率,是往复泵故障诊断方法的一种新的有效方法。     

基于形态提升小波变换的滚动轴承故障特征提取

为有效提取表征轴承故障的脉冲特征,提出采用形态提升小波变换对轴承故障信号分析的方法.仿真信号和实际滚动轴承故障信号的分析结果证明了形态提升小波变换提取信号脉冲特征的有效性.与传统的线性小波变换方法相比,形态提升小波的脉冲信号保持和抗噪声能力较强,可以识别出传统小波不能识别的轴承故障状态,同时形态提升小波变换只涉及加、减和比较运算,计算更加简单、快速,可应用于轴承故障的在线监测与诊断.     

小波分析在钻井泵阀故障诊断中的应用

较详尽地讨论了钻井泥浆泵阀的失效机理，针对钻井泵使用工况恶劣、环境噪声大的特点，利用声信号诊断泵阀故障，通过对声信号的多尺度小波分解，找出了泵阀失效的故障特征，用该方法能很好地诊断出泵阀的泄漏故障。     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于小波变换的鼠笼式异步电动机故障诊断

小波变换在时域和频域都具有良好的局部化能力,尤其是对信号的突变点很敏感,其多分辨率性质可逼近细化频谱,对故障信号提取有突出的作用。本文通过算例论述了小波分析在故障诊断中的研究和应用,验证了小波变换方法检测鼠笼式异步电动机故障的准确性。     

小波包-神经网络在斜轴泵故障诊断中的应用研究

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题,采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息,并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本,研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法,建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。     

基于小波变换的隐Markov模型离心泵故障诊断方法研究

根据离心泵故障振动信号的特点,本文提出了一种结合小波变换与隐Markov模型(HMM)的离心泵故障诊断方法。小波变换具有多分辨率分析并且在时频两域都具有表征信号局部特征能力的特点,利用Daubechies小波对振动信号进行一维8尺度的小波分解,然后从中提取一维信号的低频系数作为特征向量,将其输入到各个状态HMM进行训练,其中输出概率最大的状态即是离心泵的运行状态,从而实现离心泵的故障诊断。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

基于小波分析的离心式注水泵机械振动实时监测方法

为保证注水泵机组安全稳定运行,减少管理人员工作量,提出基于小波分析的离心式注水泵机械振动实时监测方法。探究注水泵作业流程与结构特征,结合多种常见故障类型分析结果,构建水泵输入、输出功率与生产效率的动力学模型;考虑到注水泵特性,以压电加速度传感器作为主要监测设备,明确信号采样要求,通过量化处理将模拟信号变换为数字信号,便于信号分析;当监测信号内低频成分丰富时,确定母小波和变换系数,经伸缩与平移处理完成连续小波变换与反变换;当低频分量不足时,引入小波包理论,分割小波空间,合理分解不同频带的信号,保证监测信息不丢失,获取信号特征,实现机械振动实时监测。仿真实验证明,该方法具有较强的信号处理能力,可通过监测信息准确判断出设备故障类型。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

基于小波包分析的液压泵状态监测方法

液压泵是液压系统中的关键部件,对其运行状态的监测与故障诊断对整个液压系统的可靠性具有重要意义。基于小波包分解和小波系数残差分析方法,提出一种利用液压泵出口压力进行液压泵故障诊断的方法。通过分析液压泵出口处压力信号的特征,利用小波包对压力信号进行频谱分解,提取液压泵的故障特征,建立不同频率范围的特征信号与液压泵不同故障因素的对应关系,为液压泵的故障诊断与定位提供依据。利用小波包能量残差判别液压泵的运行健康状态,并比较不同小波基函数在故障诊断时的敏感度。为减小小波分析时边界效应所引起的信号畸变,引入“滑动双窗口”的分析方法。试验结果表明,与快速傅里叶方法相比,基于小波包分解的残差分析方法可有效提高故障诊断的准确率,实现对液压泵的状态监测与故障诊断。     

基于小波消噪的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点，采用小波分析进行消噪处理，利用具有紧支结构的小波函数进行分解和重构消除检测信号中的干扰成分，有效提取故障特征，从而实现液压泵配流盘偏磨故障及滑靴磨损故障的高效故障诊断。试验结果表明，小波包分析能够将信号进行多层次的划分，根据被分析的信号的特征，自适应地选择相应的频带，从而提高信号的时—频分辨率，在时域和频域上有效突出故障信息，实现微弱故障的高效诊断。