旋转机械振动信号的信息熵特征

从信息融合的思想出发 ,针对单个和多个振动传感器 ,在时域、频域以及时 -频域系统、深入地研究了定量评价旋转机械振动状态的方法 ,提出了反映不同域中振动能量分布不确定性的奇异谱熵、功率谱熵、涡动状态特征熵、小波空间特征熵等信息熵特征。通过对实际信号的分析表明 ,这些信息熵形成了有效综合评价转子振动状态的特征指标。     

旋转机械温度诊断方法研究

讨论了应用信息融合技术对旋转机械故障进行温度诊断，提出了建立在温度和振动数据基础上和材料性能相联系的故障诊断方法。     

旋转机械振动诊断标准研究

回顾了机械振动诊断标准的国内外应用现状，对诊断标准的分类及理论基础进行了阐述，指出了使用绝对标准存在的局限性，提出了建立相对诊断标准的主要方法，并应用概率统计原理和方法制订了适合企业实际现状的相对诊断标准。     

基于信息熵距的旋转机械振动故障诊断方法

介绍了信息融合的基本概念和目前在旋转机械振动故障诊断当中用得比较多的一些融合诊断方法.从信息融合的思想出发,利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和小波空间特征谱熵,通过特征级的信息融合,提出了一种基于信息熵距的旋转机械振动故障监测和诊断的方法.数学推导表明,信息熵距符合模糊理论中最大隶属度原则,将它作为判别指标是可行的.实例计算表明,信息熵距能够较好的区分故障类别,在此基础上,通过多转速下的熵距曲线图可以提高转子故障诊断的准确性.     

旋转机械振动检测的研究

旋转类机械振动测试平台易受实时环境的干扰,可靠性较差,在实际使用时易出现测试过程意外中断的现象。提出了一种基于小波分析的旋转机械的故障诊断方法,具有诊断效果更加明显,检测针对性更强等特点,系统在现场试验中的各项性能指标稳定、可靠。     

旋转机械振动故障诊断中专家系统知识获取方法探讨

讨论了旋转机械故障诊断专家系统的知识获取原则、知识库初始化与完善和先验的针对性知识在故障诊断专家系统中的作用。提出以模糊聚类方法获取针对性知识的数学模型和以该模型为基础的一种旋转机械故障诊断专家系统的知识获取策略     

基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于信息融合技术的旋转机械故障诊断系统

阐述了信息融合技术在大型旋转机械故障诊断系统中的意义;介绍了信息融合技术的基本概念、层次结构模型和融合方法以及旋转机械故障诊断系统的构成;探讨了信息融合技术在数据预处理、状态识别中的应用,最后介绍了信息融合技术的实际应用及发展方向。     

旋转机械故障诊断专家系统的知识库设计

根据旋转机械故障的特点，对诊断知识进行了适当的分类，建立了功能完善的知识库，为故障诊断专家系统的研制提供了有效手段。     

基于数学形态变换的转子故障特征提取方法

基于非线性数学形态变换提出旋转机械故障特征提取的新方法.由数学形态变换构成的形态滤波器可以有效地提取出信号的边缘轮廓以及形状特征,通过选取不同长度的形态结构元素,采用组合形态滤波器将旋转机械故障信号分解到不同频带上,故障信号被分解成基频成分、故障成分及高频噪声三部分,在分解过程中,信号长度没有减少,没有信息的丢失;将分解得到的故障成分单独提取出来进行分析,可以更准确描述故障特征;对实际碰摩故障信号进行形态学分解后,提取出故障成分,采用Hilbert-Huang变换(Hilbert-Huang transform,HHT)对分解前后的信号进行对比分析,验证了方法的有效性,表明基于形态变换的信号特征提取可以更准确刻画故障的非平稳特性,提高了分析效果,并具有计算简单、快速的优点.     

基于信息融合的机械故障诊断技术研究

机械故障诊断技术是一项跨学科的技术。将信息融合思想引入到机械故障诊断领域。基于现有的结论,描述了信息融合的一般过程,并提出了一种基于信息融合的故障诊断模型。     

旋转机械振动信号的小波包分解及故障检测

研究了旋转机械振动信号的特点，指出传统的波形分析和频谱分析存在的问题。提出了从小波包分解序列图和小波包能量分布图两个方面对振动信号分析的方法，赋予小波变换和小波包分解的结果以明确的物理意义，通过测试数据分析旋转机械的三种典型故障在时域、步域及时频域所反映的信息特征，从而表明了该方法的可行性及对故障检测的有效性。     

基于广义粗糙集与神经网络集成的旋转机械故障诊断研究

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了约简 ,得到了更为简明的最优诊断规则 ;根据约简结果 ,建立了基于神经网络的故障诊断系统 ;网络的训练对比结果表明 ,基于粗糙集理论的约简处理简化了神经网络结构 ,提高了网络的训练效率 ;以诊断实例验证了广义粗糙集理论与神经网络集成进行故障诊断的可行性     

可视化旋转机械故障智能诊断系统设计

介绍了可视化旋转机械故障智能诊断系统设计基本思想、方法和关键技术。讨论了旋转机械故障智能诊断专家知识的获取、可视化专家知识库的建立,及由专家规则、模糊逻辑、神经网络于一体的组合智能推理机。实现了信号采集与分析、特征参数的自动识别与提取、可视化专家知识库和组合智能推理机的集成。编制了整套系统软件,开发了一套故障智能诊断装置,对旋转机械典型故障进行智能诊断,诊断出机组运行中可能存在的故障种类、故障严重程度,故障发生时间及故障治理的专家建议,即可实现故障的检测、故障分离、故障辩识、故障对策等,并具有网络化功能。     

基于粒子群优化模糊聚类的旋转机械故障诊断

提出基于柱子群优化模糊聚类分析的算法,并将其用于旋转机械的振动故障诊断。该算法以模糊C一均值算法（FCM）的聚类目标函数作为粒子群的适应度函数来衡量各聚类中心的优劣,并依据聚类有效性指标自动确定最优聚类数及聚类中心,有效的结合了FCM极易陷入局部最优的缺点以及粒子群算法全局寻优的优点。实践表明,该方法提高了旋转机械故障诊断的准确率,既可正确判断单一故障,又可有效诊断复合故障,从而证明了该算法的有效性。     

大型旋转机械振动故障诊断新方法

介绍大型旋转机械振动故障诊断的新方法——灰色关联诊断方法及基于人工神经网络的故障诊断方法。并以实测的故障数据为例,证明了其应用的可行性。     

柯尔莫哥洛夫熵及其在故障诊断中的应用

熵作为一个状态函数 ,表征了系统能量在空间分布的均匀程度 ,直接反映了系统的状态。本文详细分析了柯尔莫哥洛夫熵 (Kolmogorov熵 ,简称 K熵 )的物理含义及其从实测的时间序列中计算 K熵数值的算法 ,并首次将 K熵引入大型旋转机械的故障诊断领域中 ,利用 K熵的计算数值作为故障的特征值来识别机械的故障类型及严重程度     

遗传算法改进及其在机械故障诊断中的应用研究

研究了改进遗传算法求解机械故障诊断的若干问题 ,定义了遗传算法求解故障诊断问题的概率因果网络 ,给出了求解故障诊断的数学表达式和适合于旋转机械的故障集、因果强度和先验概率表 ,指出表达式的最小值的集合对应于故障征兆集、因果集和征兆集 ,并以某厂风机的振动故障为例验证了该方法的有效性