锅炉煤粉气力输送状态在线监测系统研究

煤粉气力输送状态在线监测对磨煤机工作状态以及锅炉炉膛燃烧安全、均衡和稳定性的评估具有重要意义.在理论研究的基础上,研制了一种基于激光脉动法和互相关法测试原理的锅炉煤粉气力输送过程参数在线监测系统,以实现煤粉气力输送过程状态的在线监测.该系统通过煤粉流经系统探头测量区时的激光脉动信号,经过光电信号转换元件、信号滤波以及数据分析处理后得到煤粉浓度、细度以及速度特征参数,进而评估磨煤机和煤粉管道运行状态.现场安装和测试结果表明,该系统具有测量精度高、成本低以及安装简便等特点.     

基于敏感IMF的再制造发动机振动状态研究

为了提高再制造发动机质量,将总体平均经验模态分解方法分解方法(ensemble empirical mode decomposition,简称EEMD)及敏感IMF选择算法引入再制造发动机性能研究中。在对再制造发动机非稳态振动信号进行EEMD分解的基础上,首先,将相关系数引入到IMF研究中,分析各IMF分量与原始信号的相关性,并计算原始信号各IMF分量的敏感因子;然后,利用敏感IMF进行Hilbert变换,并对再制造发动机的振动状态进行分析。研究结果表明,采用EEMD分解算法及敏感IMF的边际谱能反映再制造发动机不同部位的振动状态,缸壁、缸盖、曲轴三处对振动的敏感频率是存在差异的,通过对发动机各主要部位振动情况的研究,可以有针对性地采用再制造工艺,从而为提高发动机再制造水平提供技术支持。     

磨削状态监测中频域特征参数计算区域的确定

在磨削状态监测中,特征参数的选择和计算起着重要的作用,频域特征参数的有效性很大程度上取决于计算频率的范围。本文结合恒力磨削的研究,基于遗传算法提出了一种可自动地确定测试信号频域特征参数频率计算范围的方法。     

拉深件成型裂纹的非平稳信号处理及状态识别

为了对金属拉深件成型时裂纹所产生的非平稳信号进行处理,最终提取到声发射信号的特征参数,从而进行金属制件的状态识别,首先,以Matlab数据处理软件为工具,采用小波包分析对金属板料拉深成型实验中采集到的声发射信号进行多维正交分解；然后,对信号进行平滑、消除趋势项、差分处理得到平稳信号,剔除了噪声信号带来的影响;最后,采用时序分析建立各分解信号的自回归模型以提取声发射信号的特征参数,以此进行制件的状态识别,并通过实验加以验证.研究结果表明,通过此方法将金属拉深制件成型时裂纹的非平稳信号转换为平稳信号,再经时序分析提取到了声发射信号的特征参数及其分布图,根据其分布图能够判定金属制件有无裂纹状态.     

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder,简称SSDAE）网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量（intrinsic mode function,简称IMF）,并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。     

基于小波包分析的滚珠丝杠状态监测

为了研究丝杠在不同寿命下的运行状态,准确判断出丝杠的性能退化程度,提出了一种基于小波包分析的丝杠运行状态监测方法。以丝杠性能退化试验平台为研究对象,安装三向加速度传感器,来采集丝杠的振动信号。通过对振动信号的进行小波包变换,采用能量谱筛选出包含丝杠状态信息的频率带,再从这些频率带中通过时域、频域分析的方法提取出敏感特征,最后运用机器学习的方法对特征进行分类,以达到监测丝杠运行状态的目的。试验结果表明通过该方法可以有效监测丝杠状态,平均识别准确率达到了95%以上。     

基于 CEEMDAN 和概率神经网络的 起伏振动气液两相流型识别

起伏振动气液两相流型准确识别对漂浮核动力平台安全稳定运行有重要意义。通过对比静止和起伏振动管道的压差信号以及对应的频谱图发现,起伏振动管道内的压差信号波动幅度更大且包含更多的频率分量,两种流型均含有主频率,该频率为起伏振动频率。针对起伏振动状态气液两相流压差信号的复杂性,分别采用自适应白噪声的完备总体经验模态分解(CEEMDAN)和集合经验模态分解(EEMD)对小波降噪后的压差信号进行模式分解,发现CEEMDAN能够在减少模式分量的同时获得更多有效的分量。通过计算spearman相关系数选择具有表征意义的IMF分量进行Hilbert变换计算能量作为特征值,采用概率神经网络对流型进行识别。结果表明,采用CEEMDAN进行模式分解结合概率神经网络的识别方法准确率达到95.83%,能够用于起伏振动下气液两相流型识别。     

新能源电力系统多模态振荡识别技术研究

在新能源电力系统振荡识别过程中，通常采用经验模态分解方法实现电力系统量测信号分解，但极易出现模式混叠的情况，导致多模态振荡识别的频率误差较大。因此，针对新能源电力系统，设计了一种新型多模态振荡识别技术。依托于多元经验模态分解策略，协同分解多通道电力系统量测信号，得到不同频率尺度的IMF（固有模态函数）分量。再计算每个IMF分量的能量权重，从中筛选出包含主导振荡模式的关键分量。运用Prony算法对关键IMF分量进行分析，得出振荡特征参数，基于此得出电力系统多模态振荡识别结果。实验结果表明，所提识别技术应用后可以得到较为准确的振荡特征参数，其中频率最大误差仅为1.8×10-3Hz。     

基于间歇故障信号动态响应特征的电连接器退化状态评估方法研究

电连接器间歇故障是装备中的一种主要故障类型,其信号表现与电连接器的退化状态及环境应力等级具有强关联特 性。 针对装备中电连接器退化状态难以评估这一技术难题,充分利用正弦振动条件下电连接器的间歇故障信号动态响应特征, 结合动力学模型分析其接触界面相对位移的表现规律,提取间歇故障信号的双峰幅值及其时间差作为反映电连接器退化状态 的有效特征参数,并构造特征参数数据集;进一步建立基于深度信念网络和多任务学习的状态评估模型,采用自适应迭代加权 求和的方式对模型的损失函数进行改进,结合间歇故障特征参数数据集,对电连接器开展退化状态评估分析,评估准确率达到 95. 94% ,为开展电连接器退化状态评估研究提供了新思路。     

机械设备状态监测与诊断技术综述

机械设备状态监测主要是针对机组或零部件在运行中的各种信息(振动、噪声、转速、温度、压力、流量等),通过传感器把这些信息转换为电信号或其它物理量信号,送入信号处理系统中进行处理,以便得到能反映设备运行状态的特征参数,从而实现对设备运行状态的监测和下一步诊断工作.本文主要介绍振动监测、油样分析方面相关仪器设备的应用与发展情况.     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

基于断路器动作特征参数的合闸弹簧储能状态预测

为实现在检修时对运行中断路器的合闸弹簧储能状态进行诊断,利用压力传感器、光电编码器和电流互感器在LW25-126瓷柱式六氟化硫断路器上进行实验,获取合闸弹簧储能状态和动作特征参数。研究了断路器合闸和储能过程的动作特征参数与合闸弹簧储能状态之间的对应关系,利用BP神经网络对合闸弹簧储能状态进行预测。通过对BP神经网络的训练结果和实验结果的分析,表明通过断路器动作特征参数可以有效地对合闸弹簧的储能状态进行预测。     

基于排列熵的泵站压力管道运行状态监测

为实现泵站管道工作状态的在线监测,保障其安全稳定运行,提出一种基于排列熵算法(permutation entropy,简称PE)的泵站压力管道监测方法。该方法充分发挥排列熵算法计算简单和敏感度高等优点,适宜于处理非线性、非平稳信号,通过在关键部位设置传感器获取泵站管道的振动信号,利用信号子序列熵值的变化判断泵站管道振动状况。将该方法应用于景电工程二期七泵站管道的运行监测,通过设置不同的运行工况进行实例验证。结果表明,在开关机组瞬间,振动信号子序列熵值的最大幅差达到0.37,机组稳定运行期间子序列熵值的最大幅差仅为0.07,根据其熵值的变化可快速方便地识别出泵站管道的运行状态,具有较高的精度与可靠度。该方法为泵站管道运行状况的在线监测提供了新思路,为结构下一步安全诊断工作提供基础,具有较好的工程实用性和推广价值。     

汽车运行状态识别方法研究(一)——特征参数选择

提出了一种将自适应遗传算法和浮动搜索算法相结合的混合搜索算法。首先通过自适应遗传算法对汽车运行状态特征参数之间的边界进行搜索,再依据获得的边界得出汽车运行状态特征参数全集特征;然后以浮动搜索算法对全集进行搜索,进而选择出汽车运行状态特征参数最优子集。在混合搜索算法中,浮动搜索的起始点采用个体间遗传的方式,使其始终保持最优,最大程度避免无效搜索,缩短搜索时间。通过计算得到了由8个参数组成的汽车运行状态特征参数最优子集。     

应用AR模型的多参数与多测点信息融合的故障分类

为了找到针对齿轮传动系统多类故障分类的有效方法,对行星齿轮传动系统进行故障实验,获取振动信号。采用EMD方法对该振动信号进行预处理,得到若干个IMF分量之和,对前4个有效的IMF分量分别建立AR模型,得到对应的自回归参数序列ф,进而对其分别计算关联维数、最大Lyapunov指数、样本熵这3个混沌特征参数,并将其作为辨识特征量。将不同测点对应的ф的不同混沌特征参数信息融合作为支持向量机的输入向量,建立6种不同故障状态的训练集,实现对故障类型进行分类。结果表明:对实验获取的振动信号进行EMD和AR模型处理后,能在很大程度上提高故障分类准确率。     

基于ARX模型的塔式起重机结构状态检测

针对塔式起重机的健康检测,提出了一种以塔式起重机下标准节节点的位移作输入,上标准节的节点位移作为输出建立ARX模型检测其结构状态的方法,结合统计识别技术完成结构的状态诊断。文中根据实验室已有的微型塔式起重机建立有限元计算模型,对模型施加激励载荷,获得塔式起重机在完好和损伤状态的位移信号,选择辨识度较好的ARX模型,定义模型的损伤特征参数,由完好状态的动态响应形成状态判断的参考,分析损伤状态的响应信号与正常结构的差别,进而通过统计分析的方法进行结构状态的诊断。     

基于DHMM的滚动轴承故障诊断

针对传统神经网络模型训练时需求的样本量大、训练收敛速度慢、甚至不能完成训练的问题,提出一种具有良好分类能力的模式识别方法——离散隐马尔可夫模型(DHMM)。以滚动轴承为研究对象,对振动信号进行分帧处理,通过小波包分解方法得到其特征参数,再由主成分分析方法 (PCA)对特征参数进行降维优化,利用简化后特征参数矢量训练各轴承状态的DHMM,最后由训练好的DHMM实现滚动轴承运行状态监测与故障诊断。实验研究表明:该方法能够有效地实现滚动轴承的状态识别,并且需要的样本量少,训练速度快,对实现滚动轴承运行状态的智能化在线监测具有重要的意义。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

基于光纤感测技术的城市轨道交通钢轨状态实时监测方法

为了有效监测城市轨道交通钢轨实时状态,确保列车运行过程中轨道信号采集能力和交通运行安全,提出了基于光纤感测技术的城市轨道交通钢轨状态实时监测方法。通过光纤光栅传感器,对钢轨各个状态信号进行了连续采集,采用光栅解调仪全光谱扫描后,传送至监控模块接收状态信号。利用小波变换,对钢轨高频、低频时间和频率进行了细化处理。通过小波包分解转换后的信号,结合小波包能量谱,分析了该频带上的高频和低频信号。依据频带信号总能量的变化情况监测钢轨,并将监测后的数据存储至数据库,实现了城市轨道交通钢轨状态实时监测。测试结果表明,该方法的光学损耗低于 0.8% ,迟滞误差均低于 0.8% ,能够采集列车运行过程中的轨道的高频段和低频信号,有效分析异常能量变化位置。     

基于SOM神经网络的摩擦状态识别研究

为提取摩擦振动的特征和实现摩擦副摩擦状态的识别,在往复摩擦磨损试验机进行摩擦副混合摩擦和干摩擦状态的摩擦磨损试验。应用谱减法对试验采集的摩擦振动信号进行降噪,计算降噪后的摩擦振动15个特征参数。应用自组织映射(Self-organizing map, SOM)神经网络对摩擦副不同摩擦状态的摩擦振动特征参数进行分析,得到摩擦振动的SOM神经网络神经元分类。研究结果表明,谱减法能消除摩擦磨损试验机的背景噪声,SOM神经网络算法能够有效分析摩擦振动信号的特征,实现摩擦副摩擦状态的识别。