基于EMD与BP神经网络的齿轮故障诊断

针对基于传统BP神经网络的齿轮故障诊断方法存在收敛速度慢，误差较大等问题，提出经验模式分解（EMD）与BP神经网络相结合的齿轮故障诊断方法。首先简述经验模式分解和BP神经网络的基本原理，然后采用EMD方法提取齿轮时域信号中的各个IMF分量，计算IMF分量中故障信号能量特征参数，将这些能量特征参数作为BP神经网络输入参数进行故障诊断。在齿传动故障实验台上采集足够的样本数据进行实验研究。结果表明:与传统的BP神经网络相比，可将训练误差从0.01降低至0.001左右。此外，训练迭代次数可减小至10次以内。     

推焦杆回程振动原因分析

推焦杆回程中的振动问题严重影响了推焦设备整体稳定性及焦炉正常生产,为找到推焦杆振动原因,通过模态分析,得到推焦杆固有频率,并通过试验采集推焦杆回程振动信号,通过短时傅立叶变换(STFT)对振动信号进行时频分析,提取出推焦杆不同时间段振动特征值。结果表明推焦杆振动频率与结构固有频率极为接近,说明推焦杆发生了自激振动,此外,推焦杆振动主要发生在滑履退出炭化室前,说明摩擦力是导致推焦杆产生自激振动的主要原因。另外,由于约束较少,滑履退出炭化室后,推焦杆发生轻微碰撞现象。     

EBHP分解飞温模型建立及控制分析

对乙苯过氧化氢(EBHP)分解构建了飞温模型,绘制有冷却和无冷却体系两种工况的飞温曲线,分析了乙苯注入、紧急冷却水通入措施对飞温的抑制作用。工艺模拟试验结果表明:该EBHP飞温模型能较好预测温度随时间的变化情况,认定120℃为系统报警温度值,140℃为系统联锁值。以某63/30万t/a的苯乙烯/环氧丙烷(SMPO)装置为例,假定EBHP进料量为1000 t/h,用EBHP飞温模型核算,乙苯注入量(w)为30%的进料量时、或者紧急冷却水通入量(w)为进料量的6.5%时,系统均能快速终止飞温,且效果明显。这一研究结果为装置的安全设计和稳定运行提供了依据。     

基于子系统的非线性时变系统辨识方法

针对非线性时变系统提出一种基于子系统的辨识方法，用于时变多自由度（multiple degree-of-freedom，简称MDOF）系统中非线性的定位和估计，并且无需关于系统的先验知识。所提出的新方法提供一个连续时间模型，MDOF系统按照自由度被分解为不同的子系统。设计正交化算法和误差减小率（error reduction ratio, 简称ERR），可以确定子系统中质量和自由度之间的线性及非线性连接的所有信息。在辨识过程中，时变参数的时间表达式可以由新方法准确给出。用一个3自由度（degree-of-freedom, 简称DOF）集中质量系统和一个机械臂结构的辨识过程为例，对所提出的方法进行验证。由于简单性及高效性，此方法将在实际工程中取得广泛的应用。     

应用独立分量分析的激光测风雷达湍流频谱分解

针对大型风力发电机机组中常见的脉动湍流、风机尾流与涡流等湍流信号,研究了利用自然梯度下降的独立分量分析方法的湍流频谱分离效果,以区分中心风速与湍流信号,提高风机机组的综合工作效率。首先分析了风机组中常见湍流信号的后向散射与频谱分布特点,然后依据这些特点设计了对应的独立分量分析模型。在仿真结果符合要求的基础上,进行了双目激光雷达天线的风速采集与实际分离效果检测。实验结果表明,在大气折射率结构常数C2n≤10-14同时广义大气常数α≥4的通常情况下,利用双目信号能够分离出一个湍流中心和一个中心风速。对1 s内两个谱峰的波动范围进行统计,获得(2.59±0.05)MHz的中心风速以及(1.22±0.19)MHz的湍流中心估计,且二者的平均信噪比分别为25.93 dB和31.01 dB,能够在获得稳定的中心风速估计的同时得到一个较为稳定的湍流中心估计。     

基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。     

基于变分非线性调频模态分解方法的岩质边坡爆破振动信号特征分析

为了精确获取爆破振动速度、加速度信号携带的时频特性信息,结合某矿山岩质边坡的爆破振动监测试验,基于变分非线性调频模态分解方法对监测信号进行了分析处理,揭示了速度、加速度能量在时间、频率的分布特征。结果表明:变分非线性调频模态分解方法去噪能力较强,且分解的速度信号能量集中于低频带0～50Hz范围,而加速度能量在80～100dB范围所占比例较大,且加速度能量逐渐向高频段集中,与速度能量分布有较大的差异性。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。