双谱切片的分形特性在减压阀故障诊断中的应用

减压阀是液压系统中的一种重要元件,也很容易发生故障,如何对减压阀发生的故障进行诊断,对于机械系统的维护有着重要意义.首先获取了减压阀振动时的正常信号和故障信号的AR双谱切片,再根据双谱切片所呈现出的自相似性,分别计算了每组数据的容量维数,并由计算结果进行故障诊断,取得了良好效果.     

一种基于双谱的齿轮故障诊断方法

提出了一种基于高阶谱(双谱)的齿轮故障诊断方法.该方法首先对非线性特征的齿轮振动信号进行提取,利用双谱对Gauss信号的'盲'性消除Gauss背景噪声,随后借助双谱的数值估计算法获得特征信号的双谱幅频图.由于高阶谱具备了高阶统计量的优点,因此在齿轮故障过程中可以将双谱幅频图作为实现齿轮故障早期诊断的量化指标.     

基于能量谱分析的柴油机故障诊断

研究了小波包能量谱分析和能量谱分析在某柴油机故障诊断中的应用。以柴油机的供油提前角减小2.5°和空气滤清器堵塞2种故障为例,把用2种方法提取的特征向量作为神经网络的输入特征,然后进行故障诊断。对比测试结果得出能量谱分析法的实用性强于小波包能量谱分析法。     

基于Shannon小波支持矢量机二级决策的故障诊断

提出一种基于Shannon小波支持矢量机(Shannon wavelet support vector machine, SWSVM)二级决策的故障诊断模型.先求出原信号的双谱相关值特征矩阵奇异值谱,并用BP神经网络对主分量分析(Principal component analysis, PCA)后的奇异值谱调维得到可分性更高的三维模式矢量,再将该三维模式矢量用SWSVM进行二级故障诊断.SWSVM可以对BP网络因陷入局部极值﹑欠/过学习输出的低分辨率进行校正,获得更高的故障识别精度和自适应识别能力.本模型实现了BP网络和SWSVM优势互补.一滚动轴承故障诊断实例验证了该模型的有效性.     

基于切削力的刀具故障诊断

提出和实现了一种基于切削力状态参量判别刀具故障的方法。利用LabVIEW软件平台采集和分析切削力信号。调用MatLAB中的小波包工具将信号分解,并计算各频段的能量谱,输入BP神经网络进行训练。将经过训练后的BP网络用于对刀具故障进行诊断,并给出了应用实例。     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

基于双谱熵和聚类分析的转子系统故障诊断

转子系统在故障状态下的振动信号往往呈现很强的非线性,其在频域上主要表现为不同频率之间相互耦合,产生合频、差频等组合频率。为了解决传统频谱分析只关注信号中的频率成分及其幅值大小,而忽略信号相位信息的问题,采用双谱方法对振动信号进行分析。双谱包含信号相位信息并且对非线性敏感,可以将早期故障的微弱非线性放大,检测出频谱中不同频率之间的非线性相位耦合关系。通过对ZT-3转子实验台植入不同类型的故障,采集系统在不同状态下的加速度信号,从振动信号的双谱中提取各频段的信息熵,采用模糊聚类方法进行故障识别。结果表明,双谱熵作为特征参量可以准确识别转子系统的故障类型,验证了方法的可行性。     

切片双谱分析在离心泵故障诊断中的应用

运用双谱及切片双谱分析技术对离心泵不同状态下的振动信号进行分析表明,离心泵在正常运行、地脚螺栓松动和空化状态下的双谱图的特征有着明显的差别,可以通过双谱对故障信号进行初步分类,且双谱的对角切片和反对角切片可以显著降低噪声干扰,进一步提取出故障特征频率,故可对离心泵的故障信号进行准确的分类和诊断。     

基于倒双谱分析的轴承故障诊断研究

将常规的双谱分析与倒谱技术相结合,提出了基于倒双谱的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行双谱分析,以消除噪声的影响,再计算双谱的倒谱,对信号进行倒双谱分析,可有效提高信噪比,提取轴承的故障特征。齿轮箱轴承内外圈故障振动试验信号的研究结果表明,倒双谱分析能有效地诊断轴承的故障。     

基于多方法融合的铁路轴承故障诊断

由于铁路轴承的易损性和故障信号提取的复杂性,文中应用了多方法融合的诊断法对铁路轴承进行故障诊断,并对基于多方法融合的BP和RBF两种网络进行了比较。首先,对采集到得信号进行FIR降噪,再对降噪后的信号进行小波包分解,构造特征向量,以此为故障样本对BP和RBF网络进行训练,实现智能化故障诊断,实验结果表明文中提出的方法能很好地诊断出轴承故障类型,但多方法融合的RBF的泛化能力优于BP网络,同时,在训练时间上,RBF网络也要优于BP网络,这为机械故障诊断提供理论依据。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

基于小波包分析的风机故障诊断

根据故障信号特征和小波包变换多尺度分解性质选取小波包分解层次,得到能正确地反映风机的运行状态的特征向量;参照特征向量的组成方法,提出并构建基于小波包分析的韶钢4号风机典型故障特征表。对待检信号选用db10小波进行6层小波包分解,利用待检状态的特征向量与典型故障特征表,通过模糊模式识别方法进行风机故障诊断。     

往复式压缩机气阀故障分析与诊断

本文以实验压缩机为例,实测在正常情况下和故障情况下压缩机气阀的振动信号,运用小波包理论分析气阀不同位置的故障,对气阀故障的种类和特点进行了分析和探索,为小型压缩机气阀故障诊断和预判提供了一种新的方法。     

基于小波包和SOM神经网络的车辆滚动轴承故障诊断

以车辆滚动轴承故障诊断模型为基础,针对其轴承的特点,提出了一种小波包分析和SOM神经网络相结合的故障诊断方法。将该方法应用于车辆滚动轴承的故障诊断中,经过大量实测数据的分析与验证,能够有效地诊断出轴承的故障类型,为旋转机械的动态监测和故障诊断提供了新的参考,具有重要的理论和实际工程应用价值。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于小波包分析的电机转子故障诊断方法研究

针对异步电动机转子断条故障突发率高的原因,开展了基于小波包分析的故障诊断方法研究。通过小波包灵活的时频分析方法捕捉到的特征信号来确定故障信号的突变点和频谱特性,找出其故障特征,该方法为电机转子断条故障提供了一种有效的诊断方法。     

基于MATLAB的变频器散热风机故障诊断系统的开发

风机是矿用隔爆变频器的主要散热部件,工作环境恶劣、故障率很高.利用小波包分析算法提取某大型变频器风机的故障特征向量,并构建了典型故障特征表.在MATLAB平台上用VC软件对其定制,开发出了基于小波包的风机故障诊断系统,该系统能够对风机运行状态进行实时检测和故障诊断.