基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于小波包-神经网络的泵机组故障诊断

泵机组是部队油库的主要工作设备,长期工作容易发生机械故障,对其进行故障诊断非常必要。本文通过采集泵机组工作时的振动信号,对采集到的信号进行小波包分解提取特征向量,利用三层BP神经网络对特征向量分类训练和模式识别的方法,提高了泵机组故障诊断的速度和精度。实验的结果表明,小波包分解与BP神经网络相结合的方法,故障识别精度高、速度快,可以满足油泵故障诊断的要求。     

面向机械故障智能诊断神经网络优化与识别方法研究

在齿轮箱的故障诊断中,将原始故障信号利用小波包变换进行降噪处理。采用时域分析方法提取特征参数,同时进行小波包能量特征提取。利用主元分析法可以对提取的特征参数进行降维处理,根据累计贡献率选取一定量的主元,再带入概率神经网络进行故障诊断分类并进行交叉验证。本文选取了四种不同裂纹等级的齿轮与正常状态下的齿轮进行模拟实验,结果显示主元分析法与概率神经网络的结合可以很好的分辨出不同程度的故障齿轮。     

基于SSA-SVD降噪和卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为重要的机械传动部件，其健康运行关系着整个工程机组的安全运作。卷积神经网络常用于解决行星齿轮箱故障分类问题，但由于实际监测中有各种噪声源的存在，振动信号成分复杂，信噪比下降，仅仅使用卷积神经网络进行故障诊断效果不佳。因此提出一种麻雀搜索算法优化的奇异值分解降噪方案，采用该方案对监测的振动信号进行降噪处理，突出低频的故障特征，结合卷积神经网络实现对含噪声振动信号的故障诊断。实验结果表明，两种方法结合可使卷积神经网络模型收敛速度更快，并将诊断准确率提升至97.43%。     

风力发电机组振动故障诊断与分析

加强对风电机组的状态监测与故障诊断技术,作为保障机组可靠运行和寿命管理的关键技术,越来越受到重视。根据风力机的具体特点,对多台风力发电机组进行了实际监测,获得了大量实测数据,并应用多种振动测试分析技术,重点分析了主轴承、齿轮箱和发电机的振动特征和故障机理。为解决风电机组实际运行状态监测和故障诊断,提供了有效的技术支持和保障。     

自适应小波降噪的泵机组故障诊断

泵机组故障诊断的难点在于信号特征向量的提取,而故障特征往往淹没在复杂的噪音中。本文利用自适应小波函数对采集到的振动信号进行降噪,滤掉了无关的噪声信息,根据振动能量的分布,对降噪过的信号进行四层小波包分解,提取出的特征向量分布明显。最后将分类特征向量输入神经网络进行训练,测试的结果证明,该方法识别精度高、速度快,具有良好的应用前景。     

粗糙集理论在柴油机故障诊断中的应用

以柴油机故障诊断为背景,研究了基于粗糙集理论的参数优化在故障诊断中的应用.首先采用小波包能量谱方法提取振动信号的特征参数,并用粗糙集理论对其进行属性约简,最后用RBF神经网络对各类故障进行辨识,结果表明:利用粗糙集约简后,通过减少神经网络的输入节点数,简化网络的结构,提高了诊断的准确率及效率.     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

基于小波包和GA-BP网络的柴油发电机故障诊断

针对柴油发电机的非平稳和非线性振动信号诊断难的问题,利用小波包和遗传算法优化的BP(GA-BP)网络两大工具对其进行故障诊断。首先利用小波包对柴油机发电机的振动信号进行分解,单支重构,构造特征向量,再将特征向量输入到遗传算法优化的BP网络里,从而实现柴油发电机的故障类别诊断。实验仿真和工程应用结果表明:所采用的方法可有效并精确地实现柴油发电机故障类别的诊断。     

往复泵故障智能诊断系统的设计

开发了往复泵故障的智能诊断系统,以故障诊断系统为核心,软件部分用Visual C＋＋语言来开发,由软件控制同步进行压力、位置及流量等信号的数据采集和数据库管理。由于不同故障类型对应的信号曲线也不同,所以以压力信号为主,以流量信号为辅作为故障信息;然后应用基于人工智能理论的小波神经网络和小波包分解技术进行数据处理、保存和故障诊断。从小波神经网络诊断的结果可以看出：往复泵故障智能诊断系统诊断速度快,准确性高。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障模式的识别。理论和试验证明了该方法的有效性。     

基于LabVIEW的倒频谱与包络谱分析在风电机组齿轮箱故障诊断中的应用

风力发电机组的齿轮箱许多故障信息以调制形式存在于振动信号之中,在此利用LabVIEW强大的信号分析功能对齿轮箱振动信号进行分析,开发出基于倒频谱与包络谱分析的齿轮箱故障诊断系统。试验结果表明:倒频谱与包络谱分析可以有效诊断出齿轮箱的故障信息。     

基于小波包分解的能量特征提取在旋转机械故障诊断中的应用研究

针对旋转机械的故障诊断问题,结合LabVIEW和Matlab两种软件的优点,设计了旋转机械振动测试系统。该系统实现了振动信号的读取、分析与存储,利用小波包函数对振动信号进行分解,求出各频段的能量值,并把能量值作为故障信息的特征向量进行特征提取,进而有效地进行故障信息的模式识别。     

基于LabVIEW的齿轮故障智能诊断系统

利用Lab VIEW平台开发了齿轮故障诊断系统,系统主要采用共振解调诊断和BP神经网络诊断两种方法。共振解调诊断由Hilbert解调和小波包解调实现故障频率识别;神经网络诊断由对有量纲、无量纲参量提取的特征和根据小波包相对能量提取的特征作为神经网络的输入向量,以齿轮的故障类型作为输出向量,采用BP神经网络对齿轮进行诊断。实验结果表明:通过引入时频分析方法,故障频率检测精度高,故障类型识别准确率较高。     

小波分析在真空练泥机轴承故障诊断中的应用

针对练泥减速机滚动轴承运转速度低、响应弱、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种小波变换的时频分析滚动轴承故障诊断方法。利用小波变换对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数，从而实现对轴承故障诊断。试验结果显示该方法对真空练泥机轴承故障诊断有很好的效果。     

基于小波包能量特征的气液二相流流型识别方法

论述了小波包分解及其能量谱处理压差信号的原理与方法,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出小波包能量特征的概念及算法,并对水平管内空气-水二相流的压差信号进行特征提取,得到各流型的小波包能量特征,然后与BP神经网络相结合,提出一种新的流型识别方法,并用实验数据验证了该方法的正确性和有效性。     

基于小波分析和矩不变量的转子故障量化特征提取研究

为解决旋转机械智能诊断中缺少量化特征值的问题,提出了一种基于小波分析和矩不变量的量化特征提取新方法。在对实验转子振动信号进行小波分析的基础上,采用了灰度图来对连续小波分解系数进行表达,并提取出灰度图的7个矩不变量作为描述振动信号状态特征的量化特征值系列。分析表明,该方法所提取的转子信号量化特征值系列,能够有效地区分出几种典型故障间的差别。     

管道振动故障三维识别方法

针对传统的管道单通道故障诊断存在的局限性,提出将全信息小波包技术和支持向量机技术相结合的管道振动故障识别。用小波包变换对三通道信号分别分解,用能量法求出分解后各频带信号对应的能量,并构建三维全信息能量特征向量,作为支持向量机分类器的训练样本和测试样本。经验证,训练后的分类器能够对管道振动进行识别和诊断,并且提高了故障识别的效率和精度。     

基于小波遗传神经网络矿用振动筛故障诊断分析

矿用振动筛长期受到反复荷载作用容易出现筛板松动变形、筛框梁开裂、激振器抱轴等故障,影响振动筛的正常使用。利用小波降噪技术能够提取出振动筛故障信号,由此判断故障类型,故障诊断效率较高。设计诊断系统的BP神经网络,介绍其网络结构、初始参数的设置和权值的训练方法,将小波遗传神经网络的诊断效果与小波神经网络进行对比,结果显示前者在诊断效率和诊断准确性上都有明显优势。