改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。     

滇产植物油理化指标测定

研究滇产食用植物油的理化特征与储藏期品质变化规律。以两种特色植物油为对照,对云南出产的五种植物油脂的理化指标进行评价和对比。同时使用过氧化值和酸价,对所研究的油脂的储藏期品质变化进行初步探索。结果表明:云南产植物油质量均满足国标要求。但由于其加工工艺原因,植物油级别较低。含有不饱和脂肪酸的植物油在光照情况下过氧化值和酸价明显改变,可作为质量变化的主要指标。云南出产的四种特色植物油脂不饱和脂肪酸含量较高,是良好的食用油产品;但仍需改善加工工艺以提高其级别。葡萄籽油、红花籽油需添加额外抗氧化剂稳定其品质;过氧化值是最适于进行日常油品质量控制的指标。     

基于高斯混合模型的滚动轴承故障预警

滚动轴承的早期故障预警一直是研究人员和相关行业关注的问题,及时发现滚动轴承的早期故障并预警有助于降低生产中因零件损坏引发的损失。在分析了主流故障预警方法后提出一种基于高斯混合模型(gaussian mixture model, GMM)的轴承故障预警方法;通过GMM对轴承的振动信号建模,描述其不同阶段的分布情况,提出一种新的基于KL散度的轴承健康指标(bearing health index based on KL divergence, BHI-KL),用来描述轴承劣化过程;利用3σ准则提取出健康指标中的异常值,实现故障预警。利用轴承寿命加速试验数据对所提方法进行验证,并通过包络谱验证其精确性。结果表明,该方法较常用的故障特征具有良好的时效性,可以实现对轴承故障进行有效预警。     

基于EEMD自适应形态学在齿轮故障诊断中的应用

为了从齿轮故障信号中提取出包含故障信号的特征频率,提出了基于EEMD自适应形态学解调方法。首先采用EEMD(集合经验模式分解)进行降噪,将原始信号与不同的白噪声叠加组成目标信号,然后将目标信号分解为有限个IMF分量,选取主要信息求和重构,再用形态学滤波器提取故障信号的特征频率。针对形态学结构元素尺寸的选择问题,利用遗传算法来优化形态学结构元素,自适应寻求最优解。通过数字仿真试验和齿轮故障模拟实验,并与EMD(经验模式分解)、SVD(奇异值分解)方法进行了比较,结果表明该算法要优于其他两种方法,能够清晰地提取出故障信号的各种频率特征。     

基于加权相空间重构降噪及样本熵的齿轮故障分类

提出了一种基于加权相空间重构降噪及样本熵的齿轮故障分类方法,给出了加权相空间重构降噪及样本熵的原理及计算公式.该方法将一维的时间序列重构到高维的相空同,通过区分吸引子在高维空间的不同的属性与特征,对原始信号进行加权相空间重构降噪,再计算降噪后信号的样本熵从而实现对齿轮故障信号的分类.对该方法进行了仿真与实验研究,结果表明,降噪后的信号有效地抑制了噪声对实验结果的影响,使得样本熵能够对齿轮不同的工作状态进行有效区分.     

内点法优化案例中FR共轭梯度法方向固化现象

Adams的优化分析算法未采用学生熟悉的惩罚函数法等经典算法。使用Matlab语言,采用经典算法对人字架优化案例进行实际编程计算,发现在该例中FR共轭梯度法存在着方向固化现象。深入分析该现象的成因。介绍了先进的广义简约梯度法GRG和序列二次规划SQP算法,比较分析了鲍威尔方法和惩罚函数法的适用性,让学生很好地理解了FR共轭梯度法的局限性和优化理论在机械系统运动学和动力学上的应用特点。     

远程监测与诊断系统若干关键技术研究及应用

探讨了远程诊断系统的关键技术,并给出了2个现场应用实例。应用表明远程诊断系统能提供多样化协同服务,满足各种请求的需要,包括数据库、数据仓库、方法库、规则库的支持和远程专家会诊,较好地解决了目前故障诊断领域中的许多问题,它可以实现诊断信号的共建和共享机制,从而提高了诊断技术的准确率和普及率。     

有界广义GMM和无阈值递归图的特征提取方法及应用

齿轮传动广泛应用于机械设备中,这使得及时、有效地诊断齿轮故障变得十分重要。针对齿轮箱振动信号的非线性和非平稳特性,传统的信号分析方法难以识别不同的齿轮失效模式,提出了一种采用有界广义高斯混合模型（Bounded Generalized Gaussian Mixture Model,BGGMM）进行无阈值递归图（Un-Thresholded Recurrence Plot,URP）特征提取的新方法,并将其应用于齿轮故障分类识别。首先基于相空间重构理论,将不同齿轮故障状态的原始时域振动信号转化为URPs。然后对欧式距离分布的直方图进行归一化,采用有界广义高斯混合模型拟合直方图,提取混合模型参数,作为不同类型齿轮故障的特征向量。利用齿轮传动实验装置采集的原始振动信号验证了该方法的有效性,结果表明该方法能有效地对不同类型的齿轮故障进行分类。