基于ARMA神经网络的泵机组故障诊断

泵机组是保障油库正常作业的主要装备,也是一个有机的整体,采集的信号往往以几种故障状态的形式表现出来,因此对其进行故障诊断非常复杂。通过ARMA(时间序列分析法)提取振动信号中的振型参数、阻尼比、振型系数,然后利用BP神经网络进行模式识别。实验结果证明,利用ARMA与BP神经网络结合的方法,可以达到很好的识别效果。     

基于小波包-支持向量机的发动机泵机组故障诊断

发动机泵机组由发动机、油泵以及增速器构成,泵机组故障的振动信号往往淹没在发动机的巨大振动中,对其进行故障诊断非常困难。本文利用频谱相加降噪以及小波多分辨率特性成功地将泵机组故障信号提取出来,并利用小波包与支持向量机理论相结合的方法,对泵机组的故障模式进行识别,取得了很好的效果。     

基于小波包-模糊神经网络的发动机泵机组故障诊断

提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断;运用小波包频带能量分解,可以在不丢失振动信息的情况下降低信号的维数,提高神经网络的识别能力;运用了神经网络使故障诊断具有自适应、自学习能力,对发动机泵机组的各类故障进行分类和训练,得到了满意的效果.     

基于小波包-神经网络的泵机组故障诊断

泵机组是部队油库的主要工作设备,长期工作容易发生机械故障,对其进行故障诊断非常必要。本文通过采集泵机组工作时的振动信号,对采集到的信号进行小波包分解提取特征向量,利用三层BP神经网络对特征向量分类训练和模式识别的方法,提高了泵机组故障诊断的速度和精度。实验的结果表明,小波包分解与BP神经网络相结合的方法,故障识别精度高、速度快,可以满足油泵故障诊断的要求。     

鹤管水力计算程序研究

本文对鹤管收发油过程中的水力平衡模型进行了分析,对数值计算方法进行了研究,采用Visual Basic 6.0编写相关程序,对水力过程进行迭代求解,程序可用于油库设计及改造过程中的计算、分析、优化设计等环节。     

小波技术在车载发动机泵机组故障诊断中的应用

利用小波变换理论的基本原理,对车载发动机泵机组中轴承的故障信号进行了处理,实测信号经小波分解和重构后,能有效地提取其中的信号特征.实验结果证明,小波分析能够根据被分析的信号特征,自适应地选择相关的频带,提高信号的时-频分辨率,突出故障信息,实现早期故障的高效诊断.     

储罐通气系统分析

在洞库通风或储罐收发油期间,罐内空间及通气系统的压力、温度、湿度将发生变化。如果储罐通气系统设计或操作运行不当,将影响储罐正常运行甚至引发事故。文章依据洞库储罐通气系统阻力损失压降及呼吸通气压力变化规律．通过分析洞库内外环境温度和湿度变化所形成的冷凝液量及其积聚状况．指出洞库储罐呼吸通气系统可能出现压力超限以及由此造成储油罐安全隐患等问题,并提出防治这些隐患的措施。     

基于EMD-灰色关联降噪的泵机组故障诊断

运用经验模态分解法获得一系列表征信号特征时间尺度的固有模态函数IMF,计算各个IMF与原信号之间的灰色关联度,剔除与信号关联度低的IMF,从而达到滤波的目的。通过对仿真信号和泵机组实测信号的诊断,证明了该方法的有效性和可行性。     

自适应小波降噪的泵机组故障诊断

泵机组故障诊断的难点在于信号特征向量的提取,而故障特征往往淹没在复杂的噪音中。本文利用自适应小波函数对采集到的振动信号进行降噪,滤掉了无关的噪声信息,根据振动能量的分布,对降噪过的信号进行四层小波包分解,提取出的特征向量分布明显。最后将分类特征向量输入神经网络进行训练,测试的结果证明,该方法识别精度高、速度快,具有良好的应用前景。