基于ReCorre特征优化的气阀故障诊断方法

振动信号包含信息丰富,反应状态直接,振动法是压缩机气阀故障诊断常用方法.振动信号的特征参数繁多,特征向量选择是否合理对故障诊断结果准确性影响很大.研究ReCorre方法对气阀振动信号特征参数进行优化选择,再通过神经网络进行分类识别.实例表明,基于特征优化的模糊神经网络分类识别结果正确率高,识别结果受数据来源影响小,是一种较好的气阀故障诊断方法.     

递归定量分析在离心泵故障诊断中的运用

为了准确诊断离心泵的振动故障,针对振动信号的非平稳特征,提出了一种基于递归定量分析的离心泵振动故障诊断方法。采用递归定量分析(recurrence quantification analysis,简称RQA)方法提取离心泵振动信号的非线性特征参数,由这些特征参数构成特征向量,并以此作为改进Elman神经网络的输入,对神经网络进行训练,建立了离心泵运行状态分类器,用以诊断离心泵的不同状态。试验结果表明,递归定量分析与Elman神经网络相结合的方法可以准确诊断离心泵的振动故障。     

变速器状态监测及故障诊断方法

汽车变速箱是汽车的主要传动部件,准确地监测变速器运行状态和提前预估试验中可能出现的故障,对于产品改进、试验设备及人员安全及其重要。分析变速器各种零件振动信号的特征,建立基于状态监测和故障诊断的分析模型和状态监测方案。该方案可从复合振动信号中分离出齿轮的振动信号、轴不对中故障振动信号和轴承故障振动信号,能有效地诊断变速器内部零件的典型故障。     

基于改进KFDA独立特征选择的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,对核Fishier判别分析(KFDA)进行改进,提出基于改进KFDA独立特征选择的故障诊断方法。该方法首先从多个角度提取故障振动信号的故障特征,构建原始高维多域混合故障特征集。然后,采用改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集。最后,采用"一对一"的方法训练多个二分类相关向量机(RVM),将得到的敏感特征集输入多分类故障诊断模型进行识别。齿轮故障诊断实例表明,所提方法具备较高的诊断准确率。     

基于.NET平台行星齿轮传动故障诊断系统

鉴于三级行星齿轮传动系统故障诊断方法的不足,开发了基于. NET平台的行星齿轮传动故障诊断系统,实现了多路信号实时采集与综合分析功能。首先采集行星齿轮传动系统的振动信号,然后运用基于. NET平台设计开发的行星齿轮传动故障诊断系统对数据进行时频域分析,并利用小波阈值降噪、包络谱分析、频谱细化、窄带解调等方法进行特征提取并对特征信息进行状态识别,最后对行星齿轮传动系统故障信号特征频率进行验证对比。试验结果验证了该行星齿轮传动故障诊断的可行性和有效性。     

基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断

行星齿轮啮合振动信号噪声干扰大,难以诊断齿轮的故障。提出一种基于扭转振动信号的行星齿轮故障诊断方法。结合小波包能量谱和Hilbert包络分析用于轴系扭转振动信号进行识别行星齿轮的早期故障。将这种方法应用于行星齿轮箱在行星齿轮磨损和行星齿轮出现断齿故障状态下采集到的实际故障行星齿轮扭转振动信号,发现这种方法能识别两种状态下的行星齿轮故障特征。将小波包能量谱和Hilbert包络分析应用于两种故障状态下的横向振动信号,发现行星齿轮磨损故障不能准确识别。实验结果表明新方法对行星齿轮早期故障的识别更敏感、准确。     

装载机机械系统工作状态智能监测与故障诊断

利用人工神经网络理论，通过对设备振动信号采集、处理和提取特征参数的方法，对装载机机械系统工作状态进行智能监测与故障诊断。     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

基于时域特征的风机轴承PSO-RBF故障诊断

为了提高风机轴承振动信号特征提取的效率和状态识别的可靠性,采用了一种基于粒子群优化的径向基（Particle Swarm Optimization-Radial Basis Function,PSO-RBF）神经网络模型的风机轴承故障诊断方法。从风机轴承的振动信号中提取17个时域特征构造特征向量,并分析特征向量的类可分性,将特征向量输入PSORBF模型,实现风机轴承状态的高可靠性判别分析。实验证明,所提方法具有较高的特征提取效率与识别精度。     

装载机机械系统工作状态智能监测与故障诊断

本文利用人工神经网络理论，通过对设备振动信号采集、处理和提取特征参数的方法，对装载机机械系统工作状态进行智能监测与故障诊断。     

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型（cHMM）所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHMM,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于自适应免疫检测器的变速器轴承故障诊断研究

针对变速器轴承振动信号不平稳、特征难以提取等问题,以对振动信号的幅值和频率的变化不敏感的5种无量纲参数为特征参数,将这5种特征参数分为自我模式和非我模式,并基于人工免疫原理设计了一种自适应免疫检测器米克服传统变速器轴承故障诊断方法的局限,重新定义了自适应变异和抑制阈。在变速器轴承实验台上,首先对变速器轴承6种状态下的振动加速度信息进行了测量;然后计算了这些振动信息的无量纲指标;再用所得到的5种无量纲特征参数训练免疫检测器,使之成为成熟检测器;最后采用训练好的成熟检测器对变速器轴承的故障状态进行了诊断。试验结果表明：利用自适应免疫检测器进行变速器轴承故障诊断是可行的,而且该检测器具有较强的故障识别能力。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

图像处理方法在柴油机振动故障诊断中的应用

为了对柴油机的振动故障进行更加直观的诊断，探讨了二维信号处理（图像处理）在柴油机振动故障诊断中的应用。以柴油机工作循环为单位，排列柴油机表面振动信号，构成二维图像，利用数字图像处理的相关理论，获取信号图像的特征，进行状态识别和故障诊断，运用上述方法，对柴油机5种状态下的振动信号进行了处理，根据图像处理结果，能够很好地识别柴油机的状态和故障，为柴油机振动故障诊断提供了新的思路。     

基于振动信号的精密轴系状态监测及早期缺陷诊断

针对某执行机构用精密轴系磨损的监测及诊断问题,提出一种基于变分模态分解及能量分布的故障诊断方法,在对轴承振动信号进行变分模态分解的基础上,分析了各阶有限带宽模态函数分量的功率谱能量分布情况,并根据试验数据和分析结果确定轴承振动信号功率谱能量分布阶次可以作为轴承磨损的诊断指标,最后通过搭建的轴承组件振动状态监测系统验证了该方法的有效性。     

基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

滚动轴承故障诊断的一种特征参数选择方法

如何获取轴承状态的特征参数，特别是对早期缺陷明显的特征参数，目前仍是轴承故障诊断的关键。本文基于轴承振动信号频谱在２ｚｆ０频段有较明显谱峰的现象，分析了滚动轴承的振动特征和频谱２ｚｆ０频段含有较多轴承缺陷信息的原因，并以频谱２ｚｆ０频段的特征频率幅值作为特征参数，用神经网络进行了故障模式的识别。实验结果表明，这一特征参数选择方法用于轴承早期故障诊断是有效的     

ART网络在内燃机故障诊断中的应用

对缸盖振动信号进行二进小波分解,从分解后的尺度1信号中提取诊断特征参数,利用这些诊断参数及改型的ART网络对气阀机构进行故障诊断与识别,取得了较好的效果。