一种用于旋转机械振动故障诊断的专家系统

介绍了旋转机械的振动诊治方法,并在振动理论及振动故障诊断理论的指导下,用结构分析法建立了一种旋转机械振动故障计算机诊断系统     

旋转机械振动序列预测

分析了旋转机械振动系统的非线性现象,从混沌理论出发,给出振动序列预测的思想方法。研究了神经网络用于非线性预测的理论基础,并利用其进行相空间重构。建立了旋转机械振动预测的非线性模型,并在模拟转子实验台上进行了实际验证,取得了满意的效果。提出了一种实用的确定嵌入维数的方法。     

振动信号处理技术在旋转机械振动监测与诊断中的应用和动向

论述了旋转机械的基本构成及特点 ,以及振动信号处理技术在旋转机械振动监测与诊断中的应用和动向 .     

一个基于事例的旋转机械故障诊断专家系统

故障诊断是人工智能和专家系统研究领域的一个重要课题。学里主要结合ＣＢＲ技术介绍了旋转机械故障诊断系统的知识表达,问题求解方法的设计思想和实现技术。该系统具有清晰美观,便于操作的用户界面,可以方便地实现对两大故障部位的故障诊断。     

一种用于旋转机械的振动摩擦诊断系统

介绍了旋转机械振动,碰磨信号的采集,应用快速傅里叶变换ＦＦＴ方法对信号进行处理,提出了用声发射（ＡＥ）方法检测转机碰磨故障的新方法,在此基础上,利用先进的计算机辅助监测诊断技术研制一新型仪表,用于同时检测旋转机械的振动故障与碰磨故障,解决了以往单纯检测振动故障或单纯检测碰磨故障的难题。     

基于信号统计分析的变速旋转机械故障诊断系统

机械振动信号的统计特征对于研究机械振动具有重要意义，旋转机械故障的非线性影响其振动信号的统计特征，本文设计了以单片机为核心的统计分析系统用于对故障前与故障后的振动信号的概率密度函数、幅值增值等统计征的测定，并据此进行故障诊断，本系统克服了基于谱分析的诊断系统的时间空间复杂度高，谱线分辨率受限，受样速度高，对变速机械振动信号的不适应和造价高等特点，适用于诸如数控机床主轴，飞行器旋翼等多种变速旋转机械的实时故障诊断。     

试论旋转机械振动故障诊断技术

旋转机械是指主要功能是由旋转运动完成的机械.如离心式风机、电动机、汽轮机等.旋转机械发生故障的明显特征是机器运行中有异常的振动和噪声,其振动信号从幅域、频域和时域反映了机器的故障信息.旋转机械振动诊断是故障诊断技术中非常重要的一个方面.因此,加强对旋转机械振动故障的诊断是节省维修费用,提高企业经济效益的重要手段.     

提高旋转机械振动信号整周期采样精度的一种方法

旋转机械振动信号整周期采样时， 计算采样脉冲输出频率的方法一般是把这一转的转速作为下一转的转速来计算，这样，当机组转子为匀变速和变速运动时整周期采样脉冲输出频率误差较大， 为了减少或补偿这种误差，提出了一种利用转速预估的方法，即用上一转和这一转的转速，通过拉格朗日线性插值，来估计下一转的转速，再以估计的转速计算采样脉冲输出频率。给出了转速预估公式，通过一阶泰勒展开，推导出了适合单片机计算的近似预估公式，经实际使用效果较好。     

大型旋转机械振动信号采集与处理系统的研究

在大型旋转机械状态监测中,信息量非常大,对信号的实时性要求非常高,这对采集系统提出了更高的要求.文章在原有某化工厂汽轮机信号采集系统的基础上提出了基于DSP和PCI总线的信号采集系统,对原有信号采集系统结构进行了改进,并阐明了新系统的优点和各功能部件之间的通信连接.     

大型旋转机械故障诊断的专家系统框架

使用专家系统可以对大型旋转机械的故障进行比较准确地诊断。对特定的设备使用专门的专家系统可以有效地完成故障诊断任务。通过对专家系统基本理论的研究,根据大型旋转机械故障诊断的特点和现有的实际条件,对建立专家系统的方案进行适当的选择,并建立了专家系统的框架。     

基于 BP 网络的旋转机械故障诊断

分析了旋转机械振动故障的特性,在此基础上对基于ＢＰ算法的诊断方法进行了研究,建立了振动故障诊断的神经网络模型,对影响诊断网络的参数进行了详细分析,获得了用于振动故障诊断的最佳网络模型。针对ＢＰ网络收敛速度慢的缺点,提出了改进算法。该诊断模型在模拟转子实验台上进行了实验验证取得了良好的效果。     

高速旋转机械故障智能诊断系统的研究

目的 研制一种新型的故障诊断系统，解决高速旋转机械复合型故障诊断的问题．方法 将神经网络理论应用于故障诊断中，把信号采集、状态监测、信号分析和智能诊断组合在一起。并以H1C型涡轮增压器为诊断研究对象，进行了该系统的试验验证．结果 得出的该系统的诊断结果与理论上分析得出的结果基本一致．结论 证实了所研究的该系统是可信的，它能够准确、快速地诊断出设备存在的故障．基于神经网络理论的机械故障智能诊断系统在解决复合型故障诊断方面更具有优越性与高效性，并为其现场应用于实时监测和实时诊断奠定了试验基础和技术支持．     

旋转机械转子不平衡故障的诊断与分析

旋转机械转子不平衡故障是由于转子部件质量偏心或转子部件出现缺陷造成的故障,旋转机械约有近七成的故障与转子不平衡有关,且旋转机械转子故障类型多样,故障特征相近,因此对旋转机械的转子不平衡故障的分析、诊断以及类型的甄别是十分必要的。     

转子系统常见故障诊断方法分析

本文介绍了转子系统常见的几种故障,并对转子系统故障诊断及发展趋势作了分析讨论。     

大型回转机械故障的神经网络分类器

建立故障类型的自动识别系统是机械设备诊断学的发展方向。神经网络理论的兴起和发展为故障类型的自动识别开辟了一条崭新的道路。神经网络通过对故障样本的学习后，对未知故障的样本具有较高的正确识别率。从神经网络对故障的识别检验结果中发现，神经网络对单一故障的分类与对组合故障的分类效果相差较大。本文分析了产生这一现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷，取得了令人满意的结果。     

旋转机械运行状态的模糊模式识别

针对旋转机械运行状态的异常差别和故障分类问题，提出了模糊报警方法和特征空间异常判别法，在此基础上介绍了几种模糊模式识别的故障分类方法，并给了四种典型故障诊断实例，分别对这几种方法进行了分析和比较。     

基于改进FSVM的旋转机械故障诊断算法

针对旋转机械故障诊断中采集到的振动信号存在强烈噪声及野值干扰,故障特征提取后,利用传统的支持向量机(support vector machine,SVM)进行模式识别会造成最优超平面的模糊性,影响分类效果,引入模糊C均值聚类算法(fuzzy C-means,FCM)与支持向量机结合进行故障诊断.FCM用来求解样本模糊隶属度,但其迭代求解聚类中心及样本模糊隶属度矩阵时容易陷入局部最优,而粒子群算法(particle swarm optimization,PSO)具有全局优化搜索的优点.基于此,提出了基于改进模糊支持向量机(fuzzy support vector machine,FSVM)的旋转机械故障诊断算法.首先,利用经验模态分解(empirical mode decomposition,EMD)提取故障信号的能量特征指标;然后,由PSO优化FCM求解样本的模糊隶属度;最后,将模糊隶属度引入SVM,构建改进的模糊支持向量机模型,并实现故障判别.实验结果表明:改进的FSVM比传统的FSVM算法有更好的抗造性能以及分类效果.     

基于LLE算法和SVM的旋转机械故障诊断

利用LLE（Locally Linear Embedding）算法对众多的观测变量进行降维,再利用支持向量分类器SVM（Support Vector Machine）方法对降维后的变量数据集进行故障诊断。通过算例仿真表明,旋转机械故障的23维变量因素可降到14维,同时得到的诊断结果中,训练集的正确率为94．8％,测试集的正确率为100％。结果表明基于LLE算法和SVM的旋转机械故障诊断的模型精度有效。其既降低了模型的复杂度,又不影响故障诊断模型的精度。     

神经网络聚类方法在旋转机械故障诊断中的应用研究

在基于神经网络的聚类学习方法。分有监督学习方法和无监督学习方法。本文采用无监督学习方法对旋转机械中常见故障的分类进行了较为详细的研究，以此分类结果来达到故障诊断的目的，文中还具体描述了该算法的实现方法。研究结果表明，该方法克服了有监督学习方法的旋转机械故障诊断技术的某些缺陷，是进行大型旋转机械故障诊断的一种行之有效的方法。