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。     

一种故障诊断新方法及其应用

旋转机械的振动具有其复杂性和特殊性,在各个响应频率下,转子的轴心运动轨迹是一个椭圆.结合全矢谱分析技术,提出一种旋转机械故障诊断新方法--用轴心轨迹椭圆的面积描述转子振动状态,同时提出矢振比和全矢瞬时幅速图两个概念.在此基础之上提取出有效的故障信息特征值,最后将新方法应用于故障诊断实践中.结果表明,这种方法具有可识别转子的振动状态、能清晰判断转子的正反进动、提高分析判断速度、灵敏度高等优点,是一种实用的旋转机械故障诊断分析新方法.     

基于动态支持向量数据描述的故障诊断研究

在传统的支持向量数据描述算法中所使用的训练样本往往比较有限,所形成的目标样本区域边界的精确度往往不够,同时SVDD算法在进行实时检测时要处理大量样本数据运算量较大。基于此提出动态支持向量数据描述的故障诊断方法。该方法是支持向量数据描述算法的改进型,将测得的目标样本与支持向量集一起形成新的训练样本重新训练分类器,随着被测样本数的增加而不断更新目标样本区域。这样可以减小优化规模,提高故障诊断的效率和准确度。