基于EMD和AR模型的电磁换向阀故障特征提取研究

针对经验模态分解(EMD)方法存在的分解不完全问题,提出了一种改进EMD算法.该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法来生成包络线,对比实验表明了改进算法的优越性.结合时间序列分析中的AR模型,提出了一种基于EMD和AR模型的故障特征提取方法,将其应用到电磁换向阀的故障特征提取中,实验结果表明,该方法能够正确有效地提取电磁换向阀的故障特征.     

基于振动相关信息融合的行星齿轮传动系统故障诊断

针对不同测点的信息对故障敏感度不同、各测点的振动传递使故障与测点具有关联性等特点,提出基于振动相关信息融合的故障诊断模型。分别获取正常和5种故障状态在3个测点下振动信号的小波包能量特征向量;计算同一测点不同状态信号的能量特征相关系数及不同测点相同状态信号的能量特征相关系数。通过分析这两类信息所呈现的特性建立故障诊断模型。用14组待检信号进行故障诊断模型的实例分析,其诊断结果与实际故障状态完全一致。用支持向量机方法对5种故障状态进行分类,得到的结果与实际故障状态一致,验证了所建立的故障诊断模型的正确性。分析结果表明,通过振动相关信息融合建立的故障诊断模型能有效反映出不同故障状态的特性,能准确诊断出复杂行星齿轮传动系统的微弱及耦合故障。     

基于EMD和AR奇异值的柴油机故障诊断

针对柴油机振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、自回归(Auto Regression,AR)模型和支持向量机(Support Vector Machine,SVM)相结合的柴油机故障诊断方法.运用经验模态分解方法对柴油机失火及气阀机构不同工况下的缸盖振动信号进行分析,计算各个内禀模态函数(Intrinsic Mode Functions,IMF)的AR模型参数向量以此组成初始特征向量矩阵,再计算此初始特征向量矩阵的奇异值,并将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型.试验结果表明:该方法在小样本情况下也具有较高的精度和较强的泛化能力.     

AR模型和SVM在机床滚动轴承故障诊断中的应用

将自回归模型(AR)和支持向量机(SVM)应用到机床滚动轴承的故障诊断中,根据滚动轴承的振动信号建立自回归模型,以自回归参数和残差的方差作为特征向量,然后建立基于支持向量机的多故障分类器,进而判断滚动轴承的故障类型.通过实例分析和与神经网络方法对比,表明该方法能有效地判别机床滚动轴承的故障类型.     

时序模型参数及AR谱在压缩机故障检测中的应用

研究时序建模和ＡＲ谱分析方法在压缩机故障检测中的应用，讨论时序模型参数在预报故障状态中的作用，举例说明了用ＡＲ谱代替功率谱是完全可行的，且ＡＲ谱和功率谱相比有许多独特优点     

支持向量机高阶累积量AR模型的筛分效率研究

利用采集的概率筛筛分作业时主筛体的振动信号,建立高阶累积量AR模型。将AR模型系数作为LS-SVM模型的输入变量,建立LS-SVM筛分效率预测模型。将AR模型与LS-SVM结合实现对概率筛筛分性能的实时监测。     

最小二乘AR模型的惯性器件故障预测

以随机信号时间序列AR模型为基础,将激励噪声信号构造为准则函数,采用最小二乘法对AR模型参数进行辨识,得到惯性器件漂移误差系数最小二乘AR预测模型,泛化用于故障预测.仿真结果表明与功率谱估计的参数化AR、ARMA模型相比,最小二乘AR预测模型在高、低阶次时辨识精度较高、泛化能力较强,这一特点在低阶时尤为明显,其预测结果可为发现故障隐患、辅助决策提供依据.     

基于信号传播模型的行星齿轮缺齿故障识别*

为了研究行星齿轮缺齿时包含微弱故障特征的振动信号在多级齿轮箱系统中的传递特性,先考虑仅由齿轮及转轴构成的"局部系统",采用集中质量法建立齿轮系统扭转动力学模型,依达朗伯原理导出振动微分方程组并求得各级齿轮啮合的振动响应即振动源信号。为了找出振动源信号在整个系统中的传递关系,在上述动力学模型的基础上再考虑包括齿轮箱箱体在内的"整体系统",通过对信号动态传播路径的分析,针对不同测点反映故障的敏感度不同的现象,根据系统辨识理论建立信号传播模型,并运用最小二乘类方法得到振动源信号传至不同测点的传递函数估计,即找到信号在系统中的传递关系。通过分析比较传递函数幅频特性曲线进而选取合适测点,在此测点下行星齿轮缺齿故障特征频率相对明显易识别。     

基于声音融合特征与OCSVM的机床故障分类诊断

针对数控机床工作中诊断维护困难的问题,提出一种利用声音融合特征搭配一类支持向量机(OCSVM)的故障诊断和SVM故障分类的方法。首先采集不同工作状态下的数控机床运行音频数据,采用梅尔频率倒谱系数(MFCC)和线性预测倒谱系数(LPCC)方法对数据进行多维特征提取,通过PCA降维归一化后融合特征,最后将处理好的特征进行OCSVM检测是否存在故障,并且识别故障类别。研究采集了数控机床正常工作和9类异常故障音作为数据集开展分析。通过实验证明,基于声音特征融合与OCSVM可以实现对数控机床故障的准确诊断,诊断准确率能达到96.1%,通过SVM能对数控机床故障精准分类,分类准确率能达到93.3%。     

基于时序AR与灰色GM模型的滚动轴承故障诊断研究

针对滚动轴承故障诊断方法存在的问题, 将自回归(AR)模型和灰色理论应用到滚动轴承的故障诊断中,建立了灰色时序组合模型.该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,通过灰色GM(1,1)模型模拟数据宏观变化趋势,并用时序AR(p)模型建立了残差序列以模拟数据微观变化趋势.通过对实测数据进行检验与比较,证明该组合模型具有很好的分析效果.     

应用多参量和高斯过程分类的故障诊断方法

由于齿轮箱振动信号的非平稳非线性等问题加大了故障诊断的难度,本文提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)、样本熵(SE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选和重构,再利用多尺度排列熵对筛选出的模态分量进行特征提取,同时对重构后的信号提取其样本熵作为特征值;最后将提取出的多种故障特征融合输入到高斯过程分类器中进行实验验证,实验结果表明该方法提取齿轮箱振动信号的故障特征是有效的,高斯过程分类能快速准确地分辨出故障结果。     

基于D-S证据理论的发动机信息融合故障诊断模型

建立了基于D-S证据理论的发动机信息融合故障诊断模型.通过油液光谱分析得到监测元素的浓度值、梯度值和比例因子,采用模糊综合评判法将其组合在一起作为光谱各元素的综合评价指标,同理得到铁谱磨粒总数和各磨粒综合评价指标.最后,利用故障诊断模型对所得的16个光谱、铁谱综合评价指标进行融合,提高了故障诊断的准确率,实现了发动机故障的准确诊断.     

基于AR模型的滚动轴承故障诊断

滚动轴承是旋转机械的重要典型零部件，本文将自回归（AR）模型应用于滚动轴承故障诊断，对其时域信号建立自回归模型，计算出其AR功率谱，并和经典功率谱进行比较，进而判断轴承的工作状态。实验结果表明，该方法能简单有效地识别滚动轴承故障。     

滚动轴承故障时序可拓智能诊断方法

针对滚动轴承故障智能诊断问题,提出一种基于时序模型和可拓学的滚动轴承故障诊断方法.利用时序模型中的AR(Autoregressive Model)模型对轴承振动信号进行特征提取,以AR模型的自回归参数和残差方差作为特征向量,再利用Fisher比对AR模型的特征向量进行选择,将最终所形成的特征向量作为可拓物元模型的特征参数,以此特征参数来建立轴承不同健康状态下物元模型的经典域和所有状态下物元模型的节域.将待测数据输入到已建立的滚动轴承不同健康状态对应的物元模型之中,通过关联函数来计算待测数据与滚动轴承不同健康状态的综合关联度,实现滚动轴承状态的可拓学定性与定量诊断.进行了滚动轴承包含不同故障类型和故障程度的十种不同健康状态识别实验,每次随机选取训练样本,100次测试的平均识别率达98.86％,较基于AR模型和BP神经网络的传统诊断方法效果要好.     

基于ARM的故障融合诊断系统

文章提出一种利用ARM技术对故障信息进行融合并智能诊断的系统模型。围绕该系统的各个组成模块,对其具体功能以及实现方法进行了详细叙述。     

基于信息融合的齿轮箱故障诊断技术研究

对齿轮箱的故障诊断和信息融合进行了简要概述,将信息融合技术和D-S证据推理运用于齿轮箱的故障诊断中,提出了一种可行有效的融合方法.     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于AR模型的往复压缩机故障诊断

往复压缩机是一个非常复杂的机械系统,激励源多,因而所测的振动信号包含各种成分和干扰,属于典型的非平稳振动信号。将现代谱估计中的AR模型应用于该种振动信号的分析诊断中,通过相同结构的往复压缩机的振动信号的AR谱之间的对比分析,证实了AR模型分析法在其故障诊断中的有效性和对其振动信号分析的适用性,为往复压缩机故障诊断的研究提供了一种有效的方法。     

多传感器信息融合技术与机械故障诊断研究

针对机械设备的大型化、智能化、复杂化,研究了多传感器信息融合的方法与特点,探讨了其在机械设备故障诊断中的应用前景,为机械设备故障诊断的研究指明了方向.