气力输运粉系统中的堵塞故障检测方法

提出了一种基于主成分分析的气力输运粉体系统中堵塞故障的检测方法，通过采集管道内各个方位的电容测量值计算粉体的浓度，利用主成分分析能够抽取高维变量间相关性而实现降维的特点，可以快速准确地判断是否发生了粉体堵塞现象，实验结果验证了该方法的有效性。     

基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断

针对电静压伺服作动器（EHA）的油滤堵塞故障，提出利用可调式球头油堵预置不同程度的油滤堵塞工况进行数据采集，并在传统自组织映射神经网络(SOM）的基础上，引入主成分分析（PCA）法，利用各元主成分贡献率对神经元竞争域值各维系数进行修订，提出了改进PCA-SOM神经网络对系统堵塞状态进行判识。研究结果表明，与传统SOM神经网络和PCA-SOM神经网络相比，改进PCA-SOM神经网络在提高聚类效果的同时，提高了模型的准确率和训练速度，在EHA的油滤堵塞故障诊断中有更好的适用性。     

基于RBF神经网络的非线性主元分析方法

本文在分析非线性主成分曲线性质基础上,提出了基于聚类、线性主成分分析、神经网络技术的非线性主成分分析方法.该方法与以往方法比较,在概念上具有和线性主成分分析相同的解释,并且给出了非线性主成分得分和负载的计算方法;在结构上较为简单,采用的神经网络结构为3层,训练容易.网络训练的数据样本采用聚类和线性主成分分析方法获得,解决了以往方法缺乏训练数据的问题.数字仿真和三水箱实验验证了提出方法的有效性.     

粉体料仓存在的问题及解决方法

粉体料仓是用来贮存松散物料、粉体制造工艺过程中必不可少的设备。但由于粉体物料特性的复杂性以及在加工过程中的易变性,使得料仓在使用过程中问题频频发生,不仅延误了生产进度、降低了产品的质量,严重时还可能会引发安全问题。通过介绍粉体料仓在使用中易出现的三大主要问题：流动堵塞、物料偏析和冲击流动,从料仓结构、粉体特性等方面全方位分析问题产生的原因,从而有针对性地对料仓设计时、使用过程中出现的问题提出相应解决方法,为料仓的设计人员和使用人员提供有益的参考。     

基于PCA与Wilks准则的电子鼻酒类鉴别方法研究

在电子鼻的模式识别方法中,主成分分析（PCA）是常用的方法之一。然而,主成分分析在计算过程中消除了各变量（对应于电子鼻的各测量传感器）问的相关性,这与传感器阵列的交叠感应特性相悖,致使时常无法正确鉴别多组分物品的类别。本文将Eilks准则引入主成分分析中,解决了酒类鉴别中主成分主轴向量的选择问题,实现了3种不同种类酒的正确鉴别,突破了纯粹的主成分分析模式。同时,指出了在用电子鼻鉴别多组分物品的种类时,主成分主轴的选择并非完全按照主成分贡献率的大小来确定的,这为今后的相关研究提供了一些有益的参考。     

基于核熵成分分析的光谱重建算法研究

对基于核熵成分分析的光谱反射率重建方法进行了研究,分别采用主成分分析方法和核主成分分析方法构建光谱反射率重建算法进行颜色重建研究,并与基于核熵成分分析算法的光谱反射率进行比较。实验结果表明,基于核熵成分分析的光谱重建算法在色度精度和光谱精度上均优于主成分分析和核主成分分析,对物体表面颜色的真实重建具有一定的应用价值。     

低温快速碳化制备纳米WC粉体及表征

采用工业化生产技术,以纳米钨粉和炭黑为原料,在1 050℃低温条件下快速碳化15 min制备了纳米WC粉体,通过XRD、EDS、SEM和FESEM等方法分析了纳米WC粉体的物相、成分、形貌和粒径。结果表明:制备的纳米WC粉体的纯度较高,仅含有少量的W_2C和游离碳等杂质;粉体颗粒均匀,呈球形、板状及多角形,平均粒径为68.9 nm。     

基于主成分分析方法的示功图故障诊断系统

示功图是一种判断抽油机工作状况的重要途径,本文基于电参数法产生间接示功图,并验证主成分分析在间接示功图应用上的可行性,阐述了主成分分析的实现方法,实现了基于主成分分析方法的示功图故障诊断。     

一种新型助力空气输送斜槽

提出了一种助力空气输送斜槽的新输送方式,用于解决空气输送科槽在安装和粉体输送过程中出现的一些问题,如斜槽安装时容易受到空间限制,粉体单纯靠重力作用流动;粉体输送效率不够高,且对斜槽角度的依赖性较大,输送过程中容易积料堵塞等。     

基于PCA的设备信号特征提取

针对设备运行的监测参数间存在信息重叠多、维数大等问题,提出了一种基于主成分分析的特征提取方法.此方法通过提取原信息的一系列主成分来达到信息间重叠和降维的目的,首先根据监测参数建立PCA模型；然后结合MATLAB对模型进行分析,得到一系列主成分并根据累积贡献率的要求选取主成分；最后,通过UCI字母数据库中的数据进行了仿真...     

基于电机电流分析的万能式断路器机械故障诊断

电机电流信号常用于分析电动机本身的故障问题,但对其应用于与电机相连机构的故障分析的研究较少。提出一种基于储能电机电流分析的万能式断路器操作机构故障诊断方法。首先采用Hilbert幅值解调法和改进的小波包阈值法相结合获取交流电流信号的包络线,以解决随机噪声干扰造成的所提取包络线粗糙的问题;然后通过包络线提取电流信号的时间量、电流量以及峭度作为不同故障状态电流波形的特征参数;最后融合模糊聚类和量子粒子群优化的相关向量机实现对断路器正常状态、传动齿轮卡涩、储能弹簧卡涩以及脱落的4种状态的辨识。构建了基于电流分析的万能式断路器故障诊断系统,在不同工况下进行了验证,结果表明该方法能有效提取操作机构储能相关部件的故障特征,实现了对操作机构储能相关部件的故障诊断。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

Fault diagnosis of motor drives using stator current signal analysis based on dynamic time warping

Electrical motor stator current signals have been widely used to monitor the condition of induction machines and their downstream mechanical equipment. The key technique used for current signal analysis is based on Fourier transform (FT) to extract weak fault sideband components from signals predominated with supply frequency component and its higher order harmonics. However, the FT based method has limitations such as spectral leakage and aliasing, leading to significant errors in estimating the sideband components. Therefore, this paper presents the use of dynamic time warping (DTW) to process the motor current signals for detecting and quantifying common faults in a downstream two-stage reciprocating compressor. DTW is a time domain based method and its algorithm is simple and easy to be embedded into real-time devices. In this study DTW is used to suppress the supply frequency component and highlight the sideband components based on the introduction of a reference signal which has the same frequency component as that of the supply power. Moreover, a sliding window is designed to process the raw signal using DTW frame by frame for effective calculation. Based on the proposed method, the stator current signals measured from the compressor induced with different common faults and under different loads are analysed for fault diagnosis. Results show that DTW based on residual signal analysis through the introduction of a reference signal allows the supply components to be suppressed well so that the fault related sideband components are highlighted for obtaining accurate fault detection and diagnosis results. In particular, the root mean square (RMS) values of the residual signal can indicate the differences between the healthy case and different faults under varying discharge pressures. It provides an effective and easy approach to the analysis of motor current signals for better fault diagnosis of the downstream mechanical equipment of motor drives in the time domain in comparison with conventional FT based methods.     

基于小波变换的柱塞泵故障诊断方法

基于柱塞泵的脉动分析模型,提出了一种基于小波变换的柱塞泵故障诊断方法。以泵出口处的压力信号作 为分析信号,利用小波变换将该信号进行频谱分解,可有效地提取压力信号中所包含的故障信号。仿真与试验结 果均表明:基于小波变换对泵出口压力信号的分析可实现泵的故障诊断。     

中性点补偿电网单相故障五次谐波混沌检测方法

提出了基于混沌理论的中性点补偿电网五次谐波故障选线方法。首先，基于混沌理论研究故障背景信号的神经网络建模方法，通过神经网络的预测模型滤除故障背景信号。其次，为了检测到微弱的故障五次谐波分量，提出基于Duffing振子五次谐波相变原理的故障检测方法，并构造了Duffing振子相变检测选线方法的数值型判据。实验算例证明该选线判据具有很强的可靠性和适用性。     

随机共振理论在转子碰摩故障早期检测中的应用

为了尽早而准确地捕捉表征机械故障的特征信号,提出了采用随机共振（SR）原理来检测微弱的特征信号的新方法。讨论了SR检测微弱信号的基本原理。给出了检测模型并采用模拟数据对该模型进行了分析。将该模型用于转子碰摩故障的早期检测中,结果表明,该方法简单、稳健,能把信噪比较低的周期信号从强背景噪声中可靠地提取出来。     

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。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD

Incipient Fault Detection of Rolling Bearing with heavy background noise and interference harmonics is a hot topic. In this paper, a new method based on parameter optimized fast EEMD (FEEMD) and Maximum Autocorrelation Impulse Harmonic to Noise Deconvolution (MAIHND) method is proposed for detecting the incipient fault of rolling bearing. Firstly, the FEEMD method with parameters optimization is used to reduce the noise and eliminate the interference harmonics of the fault signal. As a noise assistant improved method, the FEEMD can reduce the mode mixing and enhance the calculation efficiency significantly. Secondly, a new indicator is developed to select the sensitive IMF. Finally, a novel MAIHND method is employed to extract impulse fault feature from the sensitive IMF. Simulation and experiments results indicated that the proposed parameter optimized FEEMD–MAIHND method can effectively identify the weak impulse fault feature of rolling bearing. Moreover, the excellent performance of the proposed indicator for sensitive IMF component selection and MAIHND method is verified.     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。