基于小波包和并行隐马尔科夫的风力机易损部件健康状态评价

考虑到风电机组运行时监测到的轴承、齿轮等易损部件的振动信号具有动态和非平稳特性,提出一种基于小波包分解和并行隐马尔科夫(parallel continuous hidden Markov model,PCHMM)的易损部件健康状态评价方法。该方法对采集的振动信号进行小波包分解,根据信号的采样频率和部件的故障特征频率选取小波包分解层数,提取各节点能量与总能量之比作为健康状态评价的特征向量,并应用并行隐马尔科夫模型建立易损部件的健康状态评价模型,为合理确定评价并行模型中各组成部分的权重,引入信息熵计算各部分权重,以模型输出的对数似然概率值作为状态评价指标。将模型用于轴承退化实验数据和现场数据的研究表明评价模型很好地反映了轴承的运行状态,评价指标在故障早期有很明显的变化,有利于及时发现易损部件的故障,降低维修成本。     

基于变分模态分解和ANFIS的齿轮故障诊断

针对齿轮振动信号的传递路径复杂,噪声污染严重,故障特征信息微弱等问题,提出了基于变分模态分解和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的故障诊断方法。将原始振动信号利用变分模态分解得到不同尺度的本征模态函数后,通过提取各模态函数的排列熵,构造出表征模态分量信息的特征向量,并将提取的特征向量输入自适应神经模糊推理系统进行训练,建立齿轮故障诊断模型。最后通过齿轮实验故障数据对模型进行验证,并与支持向量机(Support Vector Machine,SVM)识别方法进行对比,结果表明,提出方法具有很强的学习能力,能够有效地对齿轮故障进行诊断,提高故障识别的准确率,识别效果明显优于SVM。     

基于自适应EEMD和分层分形维数的风电机组行星齿轮箱故障检测

针对传统平均经验模态分解(EEMD)中添加白噪声参数需依据人工经验设定的缺陷,在研究引起模态混叠原因的基础上提出一种自适应EEMD方法。该方法可以根据信号本身特性,自适应设定白噪声标准差以达到最优分解效果。首先使用奇异值差分谱法对信号进行分解、重构,然后利用提取得到的高频冲击分量和噪声分量的复合分量对所需添加白噪声标准差大小进行自适应整定,最后通过自适应EEMD将信号分解为一系列本征模态函数(IMF)。分形维数对信号特征评价性能良好,所以用分形维数来识别不同类型振动信号是十分有效的。本文提出分层分形维数方法,可提高信号识别、分类效率和准确度。使用该复合方法处理仿真信号、风电机组传动系统实验平台信号均取得良好效果,证明了本文所提方法的有效性。     

基于人工免疫方法的变压器故障诊断

将人工免疫方法引入变压器油中溶解气体分析,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类.通过对变压器故障数据的仿真研究表明:与IEC三比值法相比,该算法具有较高的诊断准确率.     

兰炭基活性炭负载TiO2光催化剂的制备及性能研究

以兰炭为原料,采用物理化学法制备了兰炭基活性炭,以钛酸丁酯、硝酸铁为主要试剂并采用泥浆法制备了不同煅烧温度的Fe3+-TiO2/AC复合材料,并将其用于光催化降解酸性橙溶液,考察了反应时间、催化剂用量、酸性橙初始质量浓度、溶液pH及光源功率对其光催化性能的影响.结果表明:制备的兰炭基活性炭具有发达的孔隙结构和良好的吸附性能,以其为载体制备的Fe3+-TiO2/AC复合材料在光降解时间为3 h、催化剂用量为0.8 g、酸性橙初始质量浓度为40 mg?L-1、溶液pH值为9、光源功率为650 W的条件下,酸性橙溶液降解性能最好,降解率达到96.8％.该研究成果对兰炭制备活性炭应用于TiO2光降解实验的研究具有一定的指导意义.     

实时故障诊断专家系统在PTA装置中的应用

精对苯二甲酸（pure terephthalic acid,PTA）是生产聚酯的重要原料。针对大型PTA装置故障的特点,提出将小波分析、模糊ART神经网络和专家系统等技术结合起来,开发了实时故障诊断专家系统。文中阐述了专家系统的具体实现,包括数据预处理模块、知识库组成及表达方式、人机界面、推理机的组成和诊断过程等。在某大型PTA装置中的成功应用表明：该系统具有预报准确、界面友好、易于维护等特点,有很好的通用性和推广价值。     

基于多结构元素形态滤波和EMD的轴承故障诊断

海上风电场现场釆集到的实际振动信号经常受到多种噪声的影响,加大了故障诊断的难度,而目前普遍应用的单一元素多尺度形态滤波器不能滤除各种噪声。为此文章在多尺度形态滤波方法的基础上,同时兼顾尺度和形状两种因素提出了基于多结构元素的多尺度形态滤波方法;用信噪比和偏斜度构建出新的判别指标,用来判断去噪效果的好坏;最后利用经验模态分解将信号进行分解得出更加准确的包络谱,由此进行故障判断。应用所提方法对标准轴承信号和某海上风机的现场数据进行分析,仿真结果表明该方法能够更好地滤除噪声,抑制噪声干扰,突出轴承故障频率,进而实现对海上风机轴承的故障诊断。     

优选小波包和AdaBoost-SVM的柔性直流输电变流器故障诊断

变流器作为输电系统中的核心部件极易发生故障。为了提高其故障诊断精度,提出一种优选小波包的故障特征提取和鸟群算法优化的AdaBoost-SVM相结合的故障诊断方法。首先,采用正常特征和故障特征之间的夹角余弦来选择小波基;再利用Parseval恒等式计算小波包变换后各频带的能量,以突出故障信号在尺度上复杂的细节特征;最后采用鸟群算法优化AdaBoost-SVM来实现变流器的故障诊断。仿真结果显示,该方法可对变流器开路故障进行有效诊断;相比于传统的SVM算法,该方法噪声鲁棒性强而且在不同比例训练样本下的诊断精度都要高。     

基于支持向量机的在线建模方法及应用

针对常规v支持向量回归用于在线建模时存在的问题，提出了一种支持向量回归在线建模方法．利用贝叶斯证据框架优化模型参数，通过判断新增观测值是否满足原来的KKT条件，并对历史数据给予不同程度的加权以充分利用最新的数据信息，使模型随着时间的推移在线更新．工业PTA氧化过程中4-CBA含量预测的实例表明，该方法能很好地跟踪4-CBA含量的变化趋势，是一种有效的在线建模方法．     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。