小波尺度谱在振动信号分析中的应用研究

尺度谱受Ｈｅｉｓｅｎｂｅｒｇ测不准原理的极限制约，在小尺度（高频段）的频域集中性不是很好，另外还会有干扰项的影响。这些给对尺度谱的分析带来了一定的影响。尺度谱再分配方法可在一定程度上提高尺度谱的集中性，并削弱干扰项，使尺度谱容易理解。用尺度谱和重分配的尺度谱对旋转机械的两种典型故障：转子径向碰摩、联轴节不对中的试验数据和一机组的实测数据进行了分析，和频谱分析进行了比较。结果表明尺度谱不仅能够显示振动信号的时频特征，而且能够很好的表现信号中一些能量相对较小的分量，利于提取早期故障特征。  

多Agent故障诊断原型系统研究

研究了多Agent故障诊断原型系统，其中着重研究了基于多Agent理论的设备诊断问题分布式任务分解与控制问题，及诊断Agent之间的协调合作问题。和其它应用领域不同，基于多Agent的诊断问题应根据诊断对象的结构和故障特征进行分布式任务分解。建立了诊断问题的任务树模型，提出了基于多Agent的诊断任务串行与并行以及混合控制策略。  

小波多重分形及其在振动信号分析中应用的研究

不同于许多基于FFT的信号分析方法,多重分形谱分析的是信号的几何结构特征。以前,多重分形谱的计算方法都有其固有的缺点,使多重分形谱的应用受到限制。而小波局部极大模方法因其简单性和有效性,近来在多重分形谱计算方面受到了广泛的关注。较系统地阐述了多重分形的概念和多重分形谱的小波局部极大模计算方法,讨论了多重分形谱在故障诊断领域的应用途径,并用多重分形谱对不平衡、油膜涡动、联轴器不对中和碰摩等旋转机械的4种典型故障的振动信号进行了事例研究。研究结果表明,多重分形谱能够很好的反映振动信号的几何结构特征,为机械设备故障诊断提供了又一种有效的方法。  

基于遗传算法的旋转机械转子裂纹识别的研究

转子裂纹是旋转机械中常见且危险的一种故障，转子裂纹的有效识别和定位也是故障诊断领域一直研究的课题。将转子裂纹的识别作为一反问题，从反问题的求解角度，提出了基于遗传算法的转子裂纹识别策略，该策略的基本思路是借助于有限元分析方法建立裂纹转子的有限元模型，并将转子裂纹识别问题形式化为一优化问题，进而利用遗传算法进行优化求解实现转子裂纹的识别。数值仿真研究表明，所提出的裂纹识别的反问题进化求解策略能以较好的精度和鲁棒性识别转子裂纹，是有效可行的，且适用于更广泛的无损检测和缺陷辨识等应用场合。  

汽轮发电机组状态实时监测系统的研究

状态监测与故障诊断是确保大型旋转机械正常运行的关键技术手段，本文以汽轮发电机组为对象提出由实时监测系统和故障智能诊断系统组成的分布多任务信息处理系统的新构思，阐明了基于结构层次化和功能模块化的软硬件思想，整个系统具有高速度，高精度，多通道，大容量和高性能价格比等特点，可广泛应用于各类旋转机械的实时状态监测和故障诊断场合，本文着重介绍实时监测子系统的设计方案和实现手段。  

精度诊断在先进制造技术领域中的重要作用

概述了国内外先进制造技术中运动精度诊断的内涵和现状，阐述了精度诊断在先进制造技术领域中的重要作用，着重评述了现有七种运动精度诊断方法和手段，最后较详细地介绍了在先进制造领域内成功地开展精度诊断的几个实例。  

盲源分离和小波消噪在碰摩声频信号分析中的应用研究

碰摩是现代旋转机械运行中常见的一种故障，文中尝试从声频信号的角度对碰摩故障进行分析。在实际环境中，碰摩声频信号常常受到噪声的污染，文中将盲源分离和小波消噪方法相结合，使用P．S．（pre-separation denoising，separation）和P．S．P．（pre-separation denoising，sepamtion，post-sepamtion de-noising）方法对碰摩声频信号进行分析处理，大大提高了信号的信噪比，取得了比较理想的实验结果。  

小波局部极大模方法在轴心轨迹辨识中的应用研究

提出了一种新的基于小波局部极大模的轴心轨迹辨识方法。该方法通过对轴心轨迹的θ-s曲线进行连续小波变换,提取小波局部极大模线,计算每条局部极大模线对应的Lipschitz指数α。最后用α为正的局部极大模线的条数、正α的平均值、α为负的局部极大模线的条数和负α的平均值等4个量作为轴心轨迹特征,并以这些特征量作为BP网络的输入进行分类识别。采用径向碰摩、联轴器不对中、油膜涡动和转子不平衡等4种故障的试验数据对该方法进行检验。结果表明,该方法有特征量少、神经网络的训练速度快和系统识别正确率高的优点。  

旋转机械状态监测与故障诊断系统

本文作者以旋转机械为对象，开发研制了一个集数据采集、状态实时监测与报警、工况在线分析及邦联智能诊断于一体的状态监测与故障诊断系统。该系统已在汽轮发电机和透平压缩机组上投入运行，应用实践表明它能广泛适用于各类放置机械的状态监测与故障诊断。  

基于网格支持矢量机的涡轮泵多故障诊断

支持矢量机是一种基于结构风险最小化原则的机器学习方法,对小样本决策具有较好的学习推广性.由于常规支持矢量机算法是从二类分类问题推导得出的,在解决故障诊断这种典型的多类分类问题时存在困难,为此提出一种网络支持矢量机多类分类算法,用每个类别和其他两个至四个类别构造二类支持矢量机分类器.这些二类支持矢量机分类器组合而成的网格式结构多类分类器,具有容易扩展、重复训练样本少、速度快和识别正确率高的优点.将网格式结构多类分类器应用于涡轮泵试验台多故障诊断获得了令人满意的效果.