质量慢变碰摩故障转子系统动力学诊断研究

建立了碰摩故障转子系统的模型,在模型中考虑了由于质量变化引起的冲击力,采用数值方法分析了故障转子系统运动特性,又将Hilbert-Huang变换引入质量慢变转子系统的故障诊断中,用以诊断转子系统的单一故障。     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

贝叶斯网络数据细化的柴油发电机故障诊断

针对传统故障诊断方法在不确定问题诊断方面的不足,提出了基于贝叶斯网络的数据细化的柴油发电机故障诊断法。对柴油发电机转子的某些特定故障,结合专家知识确定转子特定状态下故障与振动频率、幅值及相关描述的依存关系,将获取的观测数据细化处理,利用结构学习,构建了基于贝叶斯网络的柴油发电机故障诊断模型,通过参数学习确定各节点的条件概率。实验结果表明,在已知信息具有模糊性和不完备性时,基于贝叶斯网络数据细化的故障诊断技术可明显提高诊断正确率。     

复杂网络在转子故障诊断中的应

针对转子故障诊断问题,提出了一种基于复杂网络的转子故障诊断方法.首先,依据粗粒化方法,把转子振动信号转化为由5个特征字符{H,h,e,l,L)构成的波动符号序列;然后,以符号序列中的125种3字符串组成转子振动信号的波动模态作为网络节点(即连续4个时刻振动信号波动组合),并按照时间顺序连边,构建3种故障所对应的转子振动信号的波动复杂网络;最后,将振动信号波动模态间的相互作用等综合信息蕴含于网络的拓扑结构之中.对网络的度与度分布、聚集系数、最短路径长度等动力学统计量的计算分析结果表明,利用复杂网络的动力学统计量可以准确诊断转子的振动故障.     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

碰摩故障转子-滚动轴承耦合系统非线性动力学研究

针对滚动轴承支承下的转子碰摩故障机理分析和故障诊断问题,考虑滚动轴承非线性赫兹接触和轴承径向间隙,建立了含碰摩故障的转子-滚动轴承系统动力学模型。应用数值积分方法得到系统的非线性响应,利用时间波形图、分叉图、频谱图以及Poincaré映射图,研究了系统响应随转速、轴承间隙、碰摩刚度、偏心量以及碰摩间隙的变化规律,为有效诊断滚动轴承支承下的转子碰摩故障提供了理论依据。     

电流与振动信号融合的转子系统故障诊断研究

针对传统转子系统故障诊断信号的单一性,提出了基于电机电流和多传感器振动信号的融合信号的转子系统故障诊断方法。首先在单跨转子试验台上模拟转子系统的不平衡、不对中、碰磨故障,并采集不同故障类型下拖动电机的电流信号及不同位置的振动信号,其次利用小波包能量法对采集的信号进行特征值提取,最后利用贝叶斯网络对转子系统故障类型进行识别。试验结果表明:与只利用电机电流信号或振动信号相比,利用融合信息进行转子系统故障诊断准确率明显提高。     

基于复杂知识的转子多故障诊断系统

针对转子故障的复杂特点，提出复合嵌套概率推理网络知识表达形式及多推理方式并存的推理机制，建造了转子故障诊断专家系统。通过转子故障诊断实例，验证了系统诊断的可行性。     

基于贝叶斯网络和理想解动态群决策的故障诊断方法

为综合利用多属性信息和历次故障搜索结果反馈信息进行故障诊断,提出一种基于贝叶斯网络和理想解动态群决策的故障诊断方法。以砼泵分配阀液压系统为例,利用贝叶斯网络对系统进行分析并求解根节点的后验概率和关键重要度;根据本次诊断成功与否对下次最优搜索决策影响程度的大小,定义出启发函数求解启发式信息价值;考虑后验概率、关键重要度和启发式信息价值等因素,利用基于熵权的理想解法求取搜索方案的群体理想解和逆理想解,得到故障搜索最佳方案;考虑历次故障搜索最佳方案对当前搜索方案的影响,最终求得故障搜索的最佳方案序列。该方法克服了单属性决策和群决策方法的不足,提高了故障诊断的可行性和诊断效率。       

基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

基于神经网络的转子系统故障诊断

提出了一种基于神经网络的转子振动故障诊断的新方法,该方法以大型机器的轴承振动裂度作为神经网络的训练样本输入,并通过神经网络的学习、聚类,产生神经网络聚类中心,根据网络聚类的特点以及聚类的中心来判断转子的振动特性和实质。实例验证表明,该方法可实现对转子系统振动故障的准确诊断。     

自组织特征映射人工神经网络用于旋转机械故障诊断

本文利用人工神经网络自组织学习和神经元连接的类型(兴奋或抑制)与征兆和故障之间的特征映射,建立了旋转机械故障诊断的自组织特征映射模型.利用这一模型使人工神经网络无指导学习用于旋转机械故障诊断,通过旋转机械中常见故障进行诊断提供了进一步解决故障诊断专家系统中知识库建立及维护的新方法.     

基于RBF神经网络的转子-轴承系统故障诊断

提出一种用FFT和RBF神经网络实现转子-轴承系统故障诊断的方法。使用FFT提取旋转机械的故障特征向量,再结合RBF神经网络强大的自学习和分类能力,实现转子-轴承系统的故障诊断。在故障试验台上模拟转子-轴承系统正常、轴承内圈故障、转子不平衡故障1和2以及混合故障1和2,试验结果验证了该法对转子-轴承系统故障诊断的可行性和有效性。     

基于模糊神经网络的高阶频段振动信号故障诊断研究

将模糊神经网络技术应用于机械故障高阶频率振动信号的研究,参考齿轮和转子故障模式并结合专家经验建立了螺杆压缩机转子故障诊断专家系统知识库,利用振动频谱特征就螺杆压缩机的几种故障模式结合一种模糊神经网络故障诊断模型进行了模糊神经网络识别。算例诊断结果为压缩机阴阳转子型线加工误差,与试验结果一致。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于故障分析模型的贝叶斯网络构建及应用

为快速、准确地构建具有较完备知识的贝叶斯网络诊断模型,提出了基于故障模式、影响(及危害性)分析知识模型的贝叶斯网络自动构建方法.在该方法中,借助影响(及危害性)知识模型中的产品结构层次关系,将产品各层零部件的故障模式加以关联,形成贝叶斯网络结构;并以影响(及危害性)知识模型中的概率知识为依据,确定贝叶斯网络中节点的先验概率和条件概率.以列车自动门为应用对象,实现贝叶斯网络诊断模型的自动构建,并开发了相应的诊断系统,解决了列车自动门的诊断系统开发、应用跟不上维护的难题.最后,通过列车自动门的故障诊断实例,证明了所构建的贝叶斯网络的有效性.     

基于频谱与轴心轨迹图的汽轮机RBF神经网络故障诊断研究

通过对比频谱分析的汽轮机故障诊断技术,提出一种频谱与轴心位置相结合的基于RBF网络的故障诊断方法,并且通过ZT-3转子模拟试验台得出的试验数据和轴心轨迹图作为训练样本,对RBF网络的故障诊断方式进行仿真。     

EMD-AR和GRNN算法下的航空液压泵多模态故障诊断分析

针对新一代飞机高综合化、高复杂度和高耦合性导致的传统推理故障诊断策略难以满足现代维修保障需求的问题,开展基于广义回归神经网络(Generalized Regression Neural Network,GRNN)的飞机液压泵智能化故障诊断研究。构建经验模态分解(Empirical Mode Decomposition,EMD)与自回归(Autoregressive,AR)相融合的深度特征提取方法,提升原始信号的隐层故障特征筛选能力;再将增强后的隐层特征与GRNN相结合进行神经网络训练,提升智能诊断模型的识别精度。实验结果表明,EMD-AR-GRNN智能诊断模型能快速、准确地诊断出液压泵各故障模态,对保障设备的安全运行,提升系统可靠性具有重要的意义。     

旋转机械动态特性的分形特征及故障诊断

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数,对故障样本进行广义维数计算分析,找出用分形维数分析识别故障的依据。此外,运用广义维数序列和数学方法相结合提出分形诊断分类方法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数据与动态振型数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数中提取的各分形维数都能较好地对故障状态进行诊断、识别,且耦合故障的分形诊断分类方法具有较好的实效性。