基于QTA的道岔转辙机故障诊断研究

为快速诊断ZD6直流转辙机故障,本文根据定性趋势分析算法的原理,设置固定时间窗口对动作电流数据进行平均分段,并对窗口中的数据进行线性拟合。每个趋势段都被识别为上升,下降或不变,从而产生简化的趋势序列。建立了故障诊断规则,提出了趋势序列的匹配度,可以有效地区分不同的故障状态。最后,通过一个例子验证了该方法的有效性。该方法能够准确识别100%的无故障状态和故障状态,能够准确地识别出几种特定的故障状态,且复杂度较低。     

面向多工况设备故障诊断的改进灰色关联分析法

针对传统灰色关联分析法不能直接应用于多工况设备故障诊断、不能进行关联度趋势分析、典型故障标准数据序列难以建立等缺点，提出了一种改进灰色关联分析方法。该方法根据设备控制参数区分不同工况，在不同工况下分别进行灰色关联分析；通过改进关联系数计算方法，使不同待检序列的灰色关联度具有可比较性，并据此提出了关联度趋势分析法；结合关联度趋势分析，使用关联度阈值对设备异常工作状态进行诊断，解决了典型故障标准数据序列难以建立的问题。以航天发射场常规推进剂加注泵气缚故障诊断为例，说明了该方法的具体应用步骤，结果表明了该方法的可行性和有效性。和传统方法比，该方法适用于多工况设备，能够进行关联度趋势分析，具有广泛的应用范围和较大的应用价值。     

一种基于性能退化数据的电子设备缓变故障预报方法

针对电子设备的测试和故障识别提出了一种基于性能退化数据的缓变故障预报方法.重点针对如何体现电子设备功能模块状态与其性能退化数据和故障树之间的内在关系开展建模研究,将难于定量描述的映射关系通过模糊神经网络转化为定性描述的映射关系,结合时间序列分析对性能退化趋势进行评估和判断,为电子设备缓变故障的预报和故障源定位提供了一种便于工程实现的建模方法.以功能模块为基本的故障定位单位,以性能检测数据、可靠性数据、故障树和故障机理等为输入,建立了基于故障树的时间序列神经网络拟合模型,采用时间序列分析对性能退化数据的波动趋势建立分析模型,利用基于故障决策树的模糊神经网络对系统可能故障来源建立判断识别和预报模型,基于非参数密度估计和假设检验方法对预报可信性建立评估模型,从而提高了故障预报的准确性.     

基于时间序列统计语言分析的齿轮箱状态监测

齿轮箱故障信号通常具有非平稳和非线性特性,基于平稳线性理论的时域统计参数方法难以有效地监测齿轮箱的运行状态。为了解决这个问题,采用时间序列统计语言分析方法来处理齿轮箱振动信号,提出了基于时间序列统计语言分析的齿轮箱状态监测方法。该方法首先将原始序列映射为一个单词频次序列,接着利用单词频次序列之间的相关系数来检测齿轮箱运行状态的变化。利用一组包含不同齿轮箱状态的振动数据对该方法的性能进行了验证,结果表明,提出的方法不但能够有效地区分不同的齿轮箱状态,而且能够准确反映齿轮箱运行状态的自然演化过程,与传统的时域统计参数方法相比具有明显的优势。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于时间信息融合的振动故障诊断方法

由于依靠一个状态的数据进行融合诊断存在误诊和漏诊的可能性,提出了一种基于时间信息的融合诊断方法,以小波分析和概率模型为分析手段,给出了基于时间信息融合的具体算法,并定义了故障定量判别的指标——故障度.通过转子故障模拟试验得到了大量数据,对故障实例的计算以及振动信号的分析结果表明,故障度能够有效地区分故障类别,提高了诊断的准确性.     

基于STL-1 DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明：该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1 780、1 700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。     

柴油机表面低频振动的状态空间重构及其应用

提出了由实测柴油机表面振动加速度信号经变换再用于状态空间重构的预处理过程,结合典型实测信号说明了此处理过程的分析方法用于诊断的情况.先对表面振动加速度信号进行积分和滤波,求得适用于特定分析目的的表面低频振动位移序列,通过对此序列的分析确定合适的重构参数,并据此重构了系统的状态空间,对正常情况和两种简单故障情况下的重构空间进行相图分析、最大Lyapunov指数分析、主成分分析,给出了相应结果.分析结果表明,基于低频振动位移重构状态空间的分析方法能够比较直观、清晰地区分正常状态和两种简单的故障状态.     

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。     

基于遗传KNN聚类的机械加工故障趋势预测模型

为了提高机械加工过程中的故障状态监测能力,提出一种基于遗传KNN聚类的机械加工故障趋势预测模型。采用大数据关联规则挖掘方法进行机械加工的故障特征信息采集,对采集的机械加工故障状态特征量采用K均值(KNN)方法进行数据聚类处理,结合遗传进化方法进行机械加工故障状态趋势的特征分类学习,采用Hilbert谱提取方法把机械零部件加工过程中的异常状态数据进行特征分解和状态参量提取,根据机械加工的故障状态特征参量提取值进行信息融合,建立机械加工故障趋势预测的专家系统模型,实现机械加工故障趋势预测。     

基于铁谱定量分析的齿轮箱磨损分析

铁谱定量分析能获得齿轮箱运行过程中的磨损量,主要指标为大磨粒读数DL和磨损烈度指数IS,并可将这两者绘制成趋势曲线。结合设备自身的故障率及铁谱数据的特点,对铁谱数据进行残差分析筛选合适数据,并改进传统的绝对值公式,计算出能反映齿轮箱运行情况的磨损状态界限值。在实际运用中,改进公式满足设备磨损状态的判断需求,及时反映齿轮箱当前运行状态的磨损情况,为设备故障预防的监测提供了一种方法。     

基于时间序列幅值分量标度特性的齿轮箱故障诊断

齿轮箱是复杂的动力学系统,其故障信号通常呈现出非平稳和非线性特征,因此齿轮箱故障信号的特征提取是一个难题。去趋势波动分析(Detrended Fluctuation Analysis,DFA)可以用来分析非平稳非线性数据,得到的标度曲线可以用来刻画复杂系统的动力学行为。然而原始序列的标度曲线通常具有复杂的形状,所以从原始序列的标度曲线提取故障特征具有一定的困难。为了解决这个问题,对齿轮箱故障数据增量序列的动力学特性进行了研究,结果证明增量序列的幅值分量主要携带数据的非线性特征,然后提出了基于时间序列幅值分量标度特性的齿轮箱故障特征提取方法。该方法首先计算原始序列的增量序列,获得增量序列的幅值分量,然后利用DFA方法计算幅值分量的标度曲线,最后提取标度曲线的左端点和转折点的波动参数作为故障特征进行故障诊断。利用实测数据对所提出方法的性能进行了验证,结果表明,该方法对噪声干扰具有较好的鲁棒性,可以有效地对齿轮箱故障进行诊断,与传统的时域参数方法相比具有明显的优势。     

VMD与多重分形奇异谱的往复压缩机故障特征预测方法

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解(Variational Mode Decomposition,VMD)的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN(K Nearest Neighbor)预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持。     

基于相似性建模的发电机组设备故障预警系统

针对由于发电机组设备故障而引起的电厂非计划停机所带来的不必要的经济损失问题,在故障诊断技术的基础上,对电厂开展了故障预警系统研究。故障预警系统包括状态估计和监测两个模块,通过分析故障预警系统的建模方法,提出了利用相似性方法实现设备状态估计,通过比较设备实时数据与历史正常数据之间的相似关系估计设备可能达到的状态。监测模块接收设备实时状态数据或估计状态数据后,判断设备状态,并显示故障关联信息,为工作人员分析故障原因提供了参考。最后,对山西某电厂的预警案例进行了介绍。研究结果表明,该故障预警系统可全面分析其所监控的所有设备信息、辨识设备性能异常状况,使发电企业能够在设备故障形成早期发现征兆,提前采取措施以避免设备故障的发生。     

PCA和自相关包络分析在转盘轴承故障诊断中的应用

提出一种自相关降噪和主元分析(PCA)相结合的故障检测和诊断方法。首先采用自相关分析对正常运行状态的振动样本数据进行降噪,然后建立PCA模型,并通过T2和SPE统计量来区分正常和故障状态,最后采用Hilbert包络解调获取故障特征频率。转盘轴承加速寿命试验表明,该方法不但能较好地检测转盘轴承故障状况,而且可准确识别转盘轴承故障类型。     

集成电路封装设备远程运维系统设计

针对集成电路封装设备自动化程度高、运行状态数据多等特点,以砂轮切片机、高速打孔机、电路印刷机为核心设备,开发了集成电路封装设备远程运维系统,包括设备数据采集、运行状态监测、故障模式识别、预测性维护等功能单元。数据采集实现设备状态数据的采集和导入、数据预处理;运行状态监测对设备现场采集数据、故障数据等进行分析,分析结果以图表等形式动态实时呈现,实现设备的预警与报警;故障模式识别根据设备监控状态参数,通过故障诊断方法判断设备是否处于故障状态,并对故障进行定位;预测性维护基于采集后处理数据与历史数据预测设备故障模式与剩余寿命,提出设备维护策略。提高了设备运行的可靠性、安全性和有效性,降低了设备故障,已在国内部分集成电路产品制造企业示范应用,为集成电路智能生产线的建设提供指导。     

基于协整分析的风力机多工况监测与故障诊断

为降低装备故障率、减小停机损失,提出一种基于协整分析的装备多工况监测与故障诊断方法。基于监控与数据采集系统采集的数据,利用随机森林特征选择算法提取与装备故障相关的关键特征变量;通过对关键特征序列的协整分析,计算协整系数,建立协整残差模型,获得反映装备状态变化的最优残差序列;采用概率图分析最优残差序列,完成了多工况状态的区间划分,确定了每种工况对应的残差预警阈值,实现了状态监测与故障预警。某型号直驱式风力机的研究结果表明：所提出的方法能有效分析非平稳时间序列,利用残差阈值可以监测电机故障、识别风力机工况,提高故障诊断的准确性。     

多重分形方法在耦合故障诊断分类中的应用研究

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析,找出谱能量与分形维数的关系,对用分形维数分析故障的强度提供了依据。另外运用广义维数序列和数学方法相结合提出分形诊断分类方法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数据与理论响应模拟数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数中提取的各分形维数都能较好地对故障状态进行诊断、识别;且耦合故障的分形诊断分类方法具有较好的实效性。     

基于贝叶斯推断贡献的机械设备故障诊断方法

现有机械设备故障诊断方法大多针对已知故障建立,不具备识别新故障的能力,针对该问题提出一种基于贝叶斯推断贡献(Bayesian Inference Contribution,BIC)的故障诊断方法.该方法基于BIC理论对各已知故障建立状态模型,并自学习振动数据与各状态模型的允许最大距离,当振动数据与各已知故障状态模型间距离均大于允许最大距离时识别为新故障,反之为已知故障,并在此基础上设计了状态模型更新方法,使其能够利用新故障数据和误诊数据对模型进行更新.采用往复压缩机的真实故障数据进行测试,结果表明,该方法对新故障的识别准确率为100％,采用误诊数据对状态模型更新后整体诊断准确率得到明显提升.     

基于斐波那契法的风速计故障诊断研究

随着运行风电机组的增多,风电场的运行监控数据也越来越庞大,如何高效利用这些数据并从中挖掘出有用的故障信息,成为国内外专家学者研究的对象。分析了风电机组的损耗模式,建立了机组的基准模型,基于风电场监控数据和斐波那契法进行了风速推算,并与风速计实际所测得的数据进行对比,最后通过对风速残差进行分析来判断风速计的运行状态。研究表明,这一方法可有效对风速仪进行故障状态识别。