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.     

贝叶斯推理网络在大型旋转机械故障诊断中的应用

本文简述了贝叶斯网络及网络传播的信念更新问题，并提出其在大型旋转机械故障诊断中的应用，建立了故障－－特征的贝叶斯网络，并分析了信念在网络中的传播与更新。     

基于复杂网络的公交网络特性研究

为了有效的控制城市交通网络的平衡,合理的配置公交线路及任务,采用复杂网络的研究方法,以泰安市公交网络为研究对象,参考图论的定义,把公交停靠站点抽象为节点,站点之间的连线抽象为边,主要通过Space L和Space P方法建立公交网络,通过实证研究分析其复杂网络特性。数据分析说明泰安市公交网络平均路径长度较大、聚类系数较小,与其他城市相比不具有小世界网络特性,因此对存在的问题提出了参考方案,数据分析表明应用复杂网络理论解决公交复杂网络问题是可行的。     

一种旋转机械振动信号特征提取的新方法

针对在信号特征提取中的噪声抑制问题，提出了一种新的旋转机械振动信号特征提取方法，即时序多相关-经验模式分解方法。通过对原始数据进行时间序列多相关处理，消除了采样序列中零均值噪声信号的影响，克服了在后继频谱分析中由于噪声而导致频谱难于辨识的问题，凸显了原始信号中的特征信号成分。时序多相关分析为后继的谱分析提供了便于处理的前处理数据。应用经验模式分解，能较充分地表现出所需提取的特征信号。仿真和实际某型发动机转轴振动信号特征提取中的分析表明，新方法能成功提取到旋转机械振动信号包含的各个特征信号，证明该方法在旋转机械振动信号特征提取中具有很好的工程应用前景．     

一种振动监测系统的应用

旋转机械故障诊断技术是一门新学科的新兴技术,本文叙述卫种振动监测系统的应用。     

基于独立分量分析的消噪方法在旋转机械特征提取中的应用

为了有效提取信号特征，为后续的故障诊断分析提供足够的信息，针对旋转机械故障诊断的特点，探讨了在旋转机械振动信号采集过程中基于独立分量分析方法的降噪措施的可行性，并在此基础上，研究了基于独立分量分析的消噪方法在旋转机械升降速过程中信号特征提取中的应用。实验结果表明，利用该方法可有效消除振动信号采集过程中混入的噪声。     

基于非线性模式分解的旋转机械复合故障特征提取方法

针对旋转机械复合故障振动信号的非平稳特征,提出了一种基于非线性模式分解（NMD）的故障特征提取方法。该方法首先通过NMD将振动信号分解为若干个具有实际物理意义的非线性模态(NM)分量和一个残余分量之和,然后对各NM分量采用包络谱分析提取故障特征。仿真信号的分析结果验证了NMD方法的优越性,在此基础上将NMD方法应用于旋转机械复合故障诊断中,实验数据的分析结果表明,该方法能有效提取出旋转机械复合故障的特征。     

一种转子动态不对中量计算方法

从运动学角度出发,分析了双跨转子系统的运动特性和运动形态,提出了一种转子动态不对中量的定量计算方法。该方法通过安装在转子系统上的电涡流传感器获得转子运动的轴心位置信息,根据相似三角形定理,计算获得两根转子在联轴器处的轴心平动位移和角位移,再根据矢量合成法则,即可获得两根转子在联轴器处的平行不对中量以及角度不对中量。工程实践表明,该方法确定的不对中故障类型与特征典型的不对中故障类型表现出的时域波形特征、频谱特征以及轴心轨迹特征一致。该方法不但能够准确地诊断不对中的种类,而且能够得到不对中的定量结果,为工程实际中不对中故障的处理及轴系对中提供了量化参考。     

复杂网络中的完全子图搜索算法研究

现实生活中,许多实际网络中通常包含由若干结点组成的完全子图,一些实际网络甚至是由一些完全子图通过公共节点链接而成的,如何搜索这类网络中的完全子图,是一件很有意义的事情.提出了一种搜索这类特殊复杂网络的完全子图的算法,编制了实现算法的程序,将算法程序应用于机械制造中的产品零部件关系网、中药方剂网等实际的复杂网络,取得了良好的效果.为深入研究这一类型的复杂网络提供了有力的工具.     

基于微分局部均值分解的旋转机械故障诊断方法

提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明:与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

基于BP神经网络的数控机床故障诊断系统研究

提出了一种改进的BP神经网络模型应用于数控机床的故障诊断方法。介绍了诊断模型结构及网络算法，并以机床中进给伺服系统为例，分析其诊断过程；然后利用MATLAB对其进行仿真验证，并提出采用CPLD器件进行硬件的实现方式。试验结果表明，该方案合理、可行，有较好的应用前景。     

基于多Agent的复杂系统故障诊断研究

在传统智能诊断基础上 ,将多Agent技术应用于动态、分布、实时和不确定的复杂系统故障诊断领域 ,以求解复杂过程诊断问题。讨论了基于MAS的分布式智能故障诊断方法和过程 ,提出并实现了一种Agent诊断系统结构及其原型系统 ,其中重点研究了诊断问题的任务辨识、分解、多Agent间的交互、协作以及诊断决策问题等。工程应用表明 ,该系统能快速、准确地进行故障成因分析 ,并给出有效的决策意见 ,取得了与专家相似的诊断结果。     

基于神经网络联想记忆模型的数控机床故障诊断

提出了将一种改进的人工神经网络联想记忆模型应用于计算机数控机床的故障诊断方法。介绍了基于联想记忆模型的诊断算法，总结出数控机床的故障模式及故障分析表，然后将该样本向量进行HADAMARD预处理、存储记忆后，可据此模型进行样本和非样本的并行联想回忆，实现诊断功能。最后进行了数字仿真研究，并且还提出利用大规模现场可编程逻辑门阵列器件进行硬件实现的基本思路。     

基于支持向量机的旋转机械故障诊断

把支持向量机应用于诊断旋转机械不平衡和转静碰摩故障，利用转子故障实验器分别对多项式和径向基核函数进行了实验比较，选取了不同振动参数作为特征量输入支持向量机进行学习和测试。结果表明．两种不同核函数的支持向量机在各种条件下所获得的最优故障诊断准确率很接近。这说明支持向量机的性能对结构（核函数）的依赖性很小，便于在工程中应用，但特征量的选取对故障诊断准确率影响很大。对于诊断不平衡和转静碰摩故障．一、二和三阶正、反进动量是最适合的故障诊断特征量。用正、反进动量构造出SV-进动图，可明确、形象地显示故障分类面，有助于诊断故障。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

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。     

基于后验概率的支持向量机在故障诊断中的应用

考虑到用后验概率能更有利于表示样本的类别信息和相关后处理,在故障诊断中引入了后验概率,同时针对故障诊断问题中误判造成的损失不同这一特点,通过引入损失函数,使诊断决策的平均损失达到最小,建立了适合故障诊断的模型。通过与其他方法的比较和诊断实例说明了该方法的合理性和有效性。     

基于神经网络和支持向量机的复合故障诊断技术

结合神经网络和支持向量机的优点,针对实际应用的不同阶段,提出了一套基于神经网络和支持向量机的复合故障诊断技术.该技术不但可以融入新的故障信息,而且可以使故障诊断模型始终处于最优识别状态,并以往复压缩机气缸系统常见故障的诊断为实例,验证了该技术的有效性.