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。     

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。     

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。     

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。     

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。     

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.     

Labview环境下Mallat正交小波变换快速算法的实现

分析了动态连接库(DLL)的工作原理,介绍了Labview环境下动态连接库(DLL)的构建和调用方法,在分析Mallat正交小波变换快速算法的基础上,构造了小波变换动态连接库,借助于Labview的高级语言编程接口功能,通过进一步设计,将Mallat算法引入到Labview环境中,扩充了Labview的功能,并对Labview下的Mallat小波变换算法进行了实验验证。     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.