基于混沌与分形理论的电机故障诊断方法

通过对鼠笼式异步电机故障电流信号的研究,提出了一种基于混沌以及分形理论的电机故障诊断方法。用互信息量确定了信号时间序列相空间重构的最佳延时,并对关联维数、分形维数进行了分析和计算,探讨了故障和正常状态下信号的混沌及分形特性。根据电机定子电流在不同工作情况下的分形维数和关联维数,便可确定电机故障的类型。     

基于混沌及分形理论的异步电动机断条故障诊断方法研究

提出一种基于混沌及分形理论的鼠笼式异步电动机转子断条故障辨识方法。重构信号时间序列的相空间以及计算关联维数和分形维数,探讨了故障和正常状态下的信号混沌及分形特性。用互信息量的方法计算了重构空间的最佳延时,同时根据互信息量关系图对故障断条数量进行了有效辨识。研究表明,该方法具有较好的故障诊断效果。     

小波包分解在球磨机的故障特征提取中的应用

对实验中测得的球磨机噪声信号进行了小波包分析 ,指出可用不同频段信号的小波包系数来表征不同信号的特征。提取信号波形的分形维数和信号的均方根值作为反映故障特征信息的指标 ,并给出分形维数和信号能量的计算方法。以分形维数和信号能量为元素的特征矢量可作为故障诊断系统的输入矢量 ,对球磨机的运行状态故障进行了诊断。实验结果表明 ,本文提出的故障特征提取方法可以较好地应用于球磨机运行状态的故障诊断。     

基于分形理论的滑动轴承故障诊断研究

针对滑动轴承异常振动时振动信号的无规则特性和分形维数对时域振动信号的敏感性,将分形理论应用于风机滑动轴承故障诊断,分析了不同程度的接触摩擦状态与分形维数关系,揭示了接触摩擦越严重分形维数越大的规律,将其应用于故障诊断,取得了良好的效果,为滑动轴承故障诊断提出了一种新方法。研究表明:将该方法应用于矿山机械故障诊断领域具有重要的现实意义。     

基于分形理论的旋转机械故障诊断的研究

针对旋转机械振动信号的特点,从分形原理出发,利用分形维数的概念,对由旋转机械故障产生的非平稳、非线性信号进行了分形特征的定量描述。试验结果表明,旋转机械不同故障出现时,其分形维数明显不同。因此,可以利用分形维数有效地诊断出旋转机械的故障。     

基于分形的发动机智能诊断

把分形认识论的思想引入到复杂的机械诊断过程。应用分形集合分割原理，对故障模式进行了层次划分，建立了发动机层次知识组织模型。根据分形基元建立了专家系统。通过升降维诊断方法提高了诊断系统的智能性，使诊断结果更具柔性，也使推理诊断过程更接近于专家的思维过程。     

基于粗糙集和混沌粒子群算法的桥式起重机故障诊断研究

为了能够提高桥式起重机的故障诊断准确率,深入地探究了粗糙集和混沌粒子群算法在其中的应用。分析了桥式起重机在工作过程中可能发生的主要故障及其产生原因;讨论了粗糙集的基本理论;分析了混沌粒子群算法的基本原理和流程;对桥式起重机进行故障诊断仿真分析,仿真结果表明该方法具有较高的故障诊断效率和诊断精度。     

模糊理论在旋转机械振动故障诊断中的应用

随着旋转机械的应用日益广泛 ,旋转机械的故障诊断也受到了很大关注。以模糊诊断原理为基础 ,建立故障机理和故障诊断的数学模型 ,并对引起旋转机械振动故障的各种原因进行分析对比。根据故障征兆对故障的肯定和否定程度 ,建立模糊筛选矩阵 ,从而对旋转机械的振动故障进行诊断。     

典型振动故障的诊断

矿山工业是连续性强、系统复杂、自动化程度高的大型化生产,机器故障诊断技术尤为重要。通过对旋转机械的转子进行振动测试分析,可以准确诊断出机组的故障,从而减少停工检修次数和检修时间,提高设备运行的可靠度。旋转机械典型的振动故障有转子的不平衡、不对中,地脚松动及油膜     

基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统,工作环境恶劣,如果出现故障将会导致整个采煤工作的中断,造成巨大的经济损失。采煤机摇臂传动故障作为整机的主要故障,是故障监测研究的重点。提出一种基于改进深度置信网络的采煤机摇臂传动系统故障诊断方法,对摇臂传动信号进行频段分解,通过不同的频段阈值进行降噪处理,提取故障特征信息,完成采煤机摇臂传动故障分类。将深度置信网络引入故障诊断,通过对采集的故障状态信号进行迭代训练深度学习,得出与故障模型的对应关系,并采用粒子群优化算法对故障模型进行迭代优化,应用于摇臂传动的故障诊断识别。结果表明,故障特征提取准确,故障诊断精度高。     

基于支持向量机的数控机床液压刀架的故障诊断研究

针对数控机床液压刀架在工作过程中所产生的不同种类的故障情况,利用支持向量机对其进行故障诊断。分析了数控机床液压刀架的工作原理;分析了支持向量机的基本概念,建立了故障诊断流程;进行了故障仿真分析,结果表明该方法具有较好的故障诊断可靠性。     

基于K-L变换和支持向量机的滚动轴承故障诊断

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新途径。     

基于支持向量机的数控机床总线的故障诊断研究

为了能够准确地对数控机床进行故障诊断,深入地研究了支持向量机故障诊断的方法。提出了最小二乘支持向量机的基本理论;提出了遗传模拟退火算法;进行了实例研究,结果表明该方法具有较高的故障诊断能力。     

基于RBF神经网络的连续采煤机故障诊断研究

为了能够提高连续采煤机故障诊断的效率和精度,深入地研究了基于改进遗传算法的RBF神经网络在其中的应用。分析了连续采煤机的主要故障类型;分别研究了RBF神经网络的基本原理和改进遗传算法的基本原理;进行了连续采煤机故障诊断的实例分析,仿真结果验证了该故障诊断技术的有效性。     

带式输送机故障准确诊断方法

针对带式输送机运行过程中的典型故障,提出了一种基于特征级与决策级的双层融合故障准确诊断方法。建立了带式输送机故障诊断信息融合模型,提取带式输送机故障信息的基本特征和小波包特征,实现特征级融合,并使用量子粒子群优化的核极限学习机与支持向量机2种分类器进行特征级的故障诊断;采用D-S证据理论将2种分类器的特征级故障诊断结果再融合,实现决策级的故障诊断。利用2种分类器的概率输出构造基本概率赋值函数,有效解决了D-S证据理论中基本概率赋值函数的构造。搭建带式输送机实验台,使用MATLAB进行实验验证,结果表明该方法的故障识别准确率可达97%,提高了故障诊断的准确度。     

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。