煤矿掘进机电设备故障诊断与质量维护分析

很多先进的煤矿掘进设备被应用到煤炭开采中,这就对掘进机电设备的故障诊断和维护提出了更高的要求,本文对煤矿掘进机电设备故障进行分析,并提出了故障诊断和维护措施。     

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。     

关于机电一体化设备故障诊断技术的研究

如今,国民经济的日新月异正处于蓬勃发展阶段,社会在进步科技在发展,机电一体化设备日益完善并逐渐被广泛应用于各个行业生产中,并且展现出了它高价值产业链的美好前景,在故障诊断技术尤为突出同时得到了些许成就。故障诊断技术主要用于清查设备故障避免或减少事故的发生,以此来杜绝一定程度上的安全隐患。文章基于分析机电一体化设备的故障诊断技术及其特点进行分析,通过了解其相关问题和现状,着重于研究机电一体化设备的故障诊断技术以及诊断方法,并提出了机电一体化设备故障诊断技术的可持续发展计划。     

某型燃机支承环故障诊断分析及改进措施

针对某型燃气轮机支承环在试验过程中发生断裂、掉块故障，分别进行了强度计算、振动模态分析、低循环疲劳寿命分析以及断口分析。综合分析结果表明：支承环故障属于高低周复合疲劳；焊缝和螺纹处应力集中导致应力过大而开裂；采取把周向焊缝取消，将月牙板和罩壳一体设计及降低应力集中等措施，排除故障。     

基于支路影响系数分析的接地网分层故障诊断方法研究

现有的基于电磁感应理论的接地网故障诊断方法需要大量的磁场测量数据,为了解决该问题,笔者提出了一种基于支路影响系数分析的分层诊断方法.首先定义了支路影响系数,并根据影响系数建立了支路诊断难易程度的评价体系.在该评价体系的指导下,分层诊断方法的测量点选取更具针对性,并以分层递进的方式实现了高精确度的腐蚀诊断.在诊断模型求解方面,运用改进的鲸鱼优化算法,保证了分层诊断的准确性.最后,进行了分层诊断与普通磁场反演诊断的对比实验.实验结果表明:分层诊断方法可以在保证诊断准确率的情况下大幅减少测量点数量(可做到接地网支路数50％以下),并且能够缩小测量点的分布范围,因此该方法可以减少现场测量工作量,提高接地网故障诊断效率.     

双谱微分性质分析在故障诊断中的应用

为了研究耦合信号中的频率因素对故障诊断的影响,采取对耦合信号及其3阶累积量分别进行微分的方法。通过微分,可以放大耦合信号的频率信息在对角3阶累积量振幅中的影响。由于11/2维谱能够清晰地反应信号的耦合性质,因此实验中通过计算11/2维谱的分形维数进行故障诊断。实验结果表明:微分后的11/2维谱与微分前相比,其故障诊断正确率不同,并且可以通过改变微分次数提高故障诊断正确率。由实验结果可以得出结论,耦合信号的频率信息对于机械振动信号具有一定程度的影响,并且可以通过放大这种信息进行故障诊断。     

BP神经网络辅助的缓变故障双阈值检测法

针对传统$\chi ^2$检测法对惯性/卫星组合导航缓变故障检测效率不高的问题,提出一种基于BP神经网络辅助的缓变故障双阈值检测法.基于BP神经网络建立位置与速度子预测器,实现对卫星导航量测数据的预测,在此基础上根据预测精度提出双阈值的低检测门限,辅助残差chi^2检测法进行故障检测与系统重构.仿真结果表明,对于缓变故障,所提出方法能有效提高故障期间滤波精度、降低漏警率以及组合导航的可靠性.     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、关联维数和支持向量机(Support Vector Machine,SVM)的故障诊断方法。将美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative(GRC)"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数(Intrinsic Mode Function,IMF)分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。