基于全矢局部均值分解的齿轮故障诊断方法研究

针对齿轮故障信号大多数是难分解的多分量的调幅-调频信号的问题,提出一种新的信号处理方法——全矢局部均值分解(FVLMD)方法。局部均值分解(LMD)可将多分量信号自适应地分解为多个单分量信号;全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将信号LMD分解得到的PF(Product Function)分量进行全矢谱融合分析,这样既可以将信号彻底分解,又可以保证其完整性。齿轮故障信号验证了该方法的有效可行性。     

支持向量数据描述用于机械设备状态评估研究

本文提出了对机械设备运行状态进行评估的新方法———支持向量数据描述方法。该方法应用在机械故障诊断和状态监测中,仅仅依靠正常运行时的数据信号,而不需要故障数据,就可以监测机器的运行状态。给出了机组运行状态优劣的定量指标,从而为设备管理和预知维修提供科学的决策依据。将该方法应用于某炼油厂关键设备的运行状态评估中,及时、正确地评价出设备状态异常,为成功诊断出螺栓裂纹的早期故障提供帮助。     

一种新的机械系统故障分类器

提出了一种利用支持矢量机对机械系统故障进行分类的新方法;以二值分类为基础,开发了基于支持矢量机的多值分类器。并以齿轮的多种故障分类为例,进行了实际应用验证。结果表明,该方法具有很好的分类能力和较高的计算效率,不需要对原始数据进行预处理就可达到满意的效果,适合于机械故障诊断中的多故障分类。该方法的应用,为故障诊断技术向智能化方向发展提供了新的途径。     

全矢FSWT方法在轴承故障诊断中的应用

针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换（Frequency Slice Wavelet Transform,FSWT）相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。     

影响系数法在锤式破碎机动平衡中的应用

锤式破碎机在物料破碎环节中使用广泛,其特殊工作方式决定了对转子动平衡的较高要求,然而破碎机转子的现场动平衡一直是一件繁琐的工程。针对锤式破碎机动平衡遇到的问题,从影响系数法的理论依据入手,重点介绍了单面影响系数法在锤式破碎机现场动平衡中的应用过程。试验结果表明,该方法可以大大提高转子动平衡的准确性。     

对大学工科专业课考试方法的探索

本着素质教育的目的,尝试了对工科专业课考试采用半开卷的形式。通过试卷分析和问卷调查显示,半开卷考试能提高学生的学习热情,能促进学生更好、更全面地掌握专业课知识。考试成绩也能更客观地反映学生对专业课的掌握情况。同时,实行半开卷考试对任课老师也提出了更高的教学要求和更高的实践环节要求。     

基于单分类的机械故障诊断研究及其应用

为解决机械智能监测与诊断中缺少故障样本的问题,提出一种机械故障单值分类的新方法--支持向量数据描述法.该方法只需要一类目标样本作为学习样本,而不需要除学习样本以外的其他非目标样本,即可以建立单值分类器,从而将非目标样本从目标样本中区分开.提取机械设备正常运行时振动信号的特征值组成学习样本集,建立单分类模型,应用该模型可以对未来的设备运行状态和故障进行识别诊断.该方法应用于某水泥厂煤灰鼓风机故障诊断的工程实践中,取得满意的结果.     

基于提升模式的非抽样小波变换及其在故障诊断中的应用

由于传统离散小波变换在分解信号时采用抽样操作，使原始信号的部分时域特征不能保留在分解结果中；另外，分解结果的平移可变，使得分解结果不能完美地描述故障的时域特征。为了克服上述缺陷，根据非抽样小波变换的原理，提出一种基于提升模式的非抽样小波变换框架。首先，通过信号变换方法去除提升小波变换的剖分环节，得到提升模式下的非抽样小波变换框架；在此基础上，建立提升模式下非抽样小波变换与抽样小波变换的预测器和更新器之间的转换关系，提出非抽样提升小波变换的分解和重构算法。采用这种非抽样小波变换从齿轮箱的振动信号中有效提取幅值调制和瞬态冲击的摩擦故障特征。     

旋转机械同源数据全信息倒频谱分析与应用

提出一种基于旋转机械同源数据融合的全信息倒频谱（full information cepstrum，FIC）分析方法。研究旋转机械同源信息融合的转子回转能量谱，并在此基础上研究全信息倒频谱分析方法。成功地将全信息分析理念拓展到频域分析以外的分析领域，将其应用于高速旋转动力齿轮的故障诊断，取得明显的效果。