基于双谱分析的设备状态监测研究

本文以双谱分析理论为基础,分析并计算了设备在不同工作状态下噪声信号的双谱及其等高线图。分析和实施结果表明,双谱分析表达了三个谱元之间的相关性,可以识别系统的非线性特征,能够克服功率谱局限性和不足。相同工作状态下信号的双谱及其等高线图具有相似性,不同工作状态下信号的双谱及其等高线图具有明显的可分性。为噪声信号的特征量提取提供了新的分析手段,利用噪声信号的双谱分析可以有铲地识别设备工作状态。这种方法在     

基于BP网络的往复泵泵阀故障识别系统的研究

本文基于BP神经网络模型，通过准确采集往复泵液力端各阀箱阀关闭激起的瞬态响应，并以响应的振动频谱为主要征兆，建立了基于BP网络往复泵泵阀故障的诊断系统。计算机模拟识别表明，该系统可较为准确地识别出各泵阀的故障。     

基于小波-双谱分析的视觉诱发脑电特征提取

针对脑电信号非平稳性、非线性和非高斯性特点,利用小波变换和双谱分析相结合的方法提取视觉诱发脑电特征.采用Oddball实验范式,采集视觉诱发脑电数据.首先,对脑电信号进行少次相干平均以去除自发脑电;然后,选择合适的小波函数和分解层数,进行小波分解与重构,并对重构后细节系数进行白化处理;最后,利用双谱分析提取视觉诱发脑电特征.结果表明:该方法可以提取蕴涵于脑电中丰富的高阶时频信息,并且在处理脑电非线性和抑制高斯噪声方面具有较强的优越性.     

奇异谱分析在机械设备故障诊断中的应用

在重构相空间重构吸引子的基础上,提出一种基于奇异谱分析的设备故障诊断方法。基于奇异谱理论介绍了该方法的基本原理,并给出该方法的实现步骤。实验研究表明,该方法可以显著降低噪声信号,有效地提高信噪比,并且能保留与噪声信号的频谱相混叠的系统信号,突出故障的信息特征,可大大提高设备故障诊断的准确性,它同时还具有良好的瞬态信息提取能力。     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

"双时域四谱"法在振动信号分析中的应用

准确地提取各种典型故障的振动信号的时频域特征是进行机械故障诊断的关键．为了综合提高诊断能力,突出信号特征,本文介绍了一种信号分析与故障诊断新方法,该方法以“双时域四谱”综合诊断法为理论基础．具体应用双时域（原始时域和包络时域分析）和四频域（功率谱分析、细化谱分析、解调谱分析、倒频谱分析）的振动诊断方法,综合各自的诊断优势,对用特征振动信号进行诊断的问题进行了研究,并阐述了这些方法的特点和功能．     

信号处理在机械设备故障诊断中的应用（连载）

随着现代化工业大生产的不断发展,机械设备的结构变得越来越复杂,并且经常运行于高速、重载以及恶劣环境等条件下。由于各种因素的干扰和影响,会导致机械设备发生故障,轻则降低生产质量或导致停产,重则会造成严重的甚至是灾难性的事故。为此,为尽最大可能地避免事故的发生,机械设备状态监测与故障诊断技术近年来得到了极为广泛的重视,其应用所达到的深入程度十分令人鼓舞。目前,机械设备状态监测与故障诊断已经基本上形成了一门既有理论基础、又有实际应用背景的交叉性学科。故障诊断的基本任务是监视机械设备的运行状态,诊断和判…     

改进小波算法在机械故障诊断中的应用

小波变换具有优良的时频分析特性,适合于提取非平稳信号和时变信号,利用小波变换来提取机械设备的故障特征是当前的一个研究热点.但是由于小波滤波器的频响应特性不理想,因此直接对信号进行小波变换必定会产生一定的虚假频率,从而影响故障特征提取的准确性.针对小波变换产生混频的原因提出了一种改进的小波分解算法,仿真结果表明该方法能有效地消除混频现象,提高故障诊断的精度.     

基于EWT和包络谱分析的轴承故障诊断研究

针对轴承故障早期信号非常微弱难以提取的特点,提出一种经验小波变换(EWT)和包络谱分析相结合的故障诊断方法。该方法应用EWT对信号进行自适应的分解处理,通过选取表征轴承故障的模态分量进行包络谱分析,对轴承故障进行判断,并在LabVIEW开发环境下实现,有效拓宽其适用环境。其中EWT是通过结合小波变换和经验模态分解各自的优点,建立自适应的小波滤波器来提取信号的模态函数。通过仿真信号和轴承故障实验信号的研究结果表明,LabVIEW开发环境下的EWT能够有效地对信号进行自适应分解,在与包络谱分析相结合后能够更为有效地提取并识别轴承故障类型。     

往复式压缩机故障诊断研究现状及展望

叙述了往复式压缩机故障诊断的意义及研究现状，对往复式压缩机常见故障及机理进行了分析；介绍了国内外一些常见的往复式压缩机状态监测与故障诊断的方法及其原理和特点；最后提出了往复式压缩机的故障诊断技术的难点和发展方向，为从事该方面研究提供参考。     

时域径向基函数网络诊断方法在往复泵故障诊断中的应用

往复机械是工程中广泛应用的一种机械设备 ,由于其动力学和运动学形态比旋转机械复杂 ,对其进行故障诊断存在较大难度 ,有效提取往复机械运动中非平稳时变信号中的故障特征和将故障特征准确分类是解决往复机械故障诊断问题的两个关键。本文利用时域数字特征分析方法完成故障特征信息提取 ;通过径向基神经网络对特征信息分类识别 ,实现故障的自动诊断。利用以上原理建立的油田往复塞泵故障监测与诊断系统 ,通过在大庆油田的实际应用表明 ,系统能够比较准确的识别往复柱塞泵多种常见故障 ,且具有较高的运算速度。     

KL—Bayes方法在故障模式识别中的应用

有效特征向量的提取和状态识别是设备状态监测与故障诊断领域中的关键技术。近年来,国内外很多学者都非常重视自动特征向量选择与提取方法的研究和模式识别方法的探讨。文中提出的KL-Bayes 方法是KL变换特征提取方法与Bayes 逐步判别分析方法的结合,前者可在不改变原始样本空间分布特点的基础上降低特征空间的维数[4],后者是一种集“有效特征选择与状态识别”功能于一身的方法[1]。KL-Bayes方法用于不太复杂的系统故障诊断,如轴承、齿轮箱故障诊断中是非常简单有效的。文中给出了应用实例及分类器自学习前后的分类结果。     

The Diagnosis of Reciprocating Machinery by Bayesian Networks

A Bayesian Network is a reasoning tool based on probability theory and has many advantages that other reasoning tools do not have,This paper discusses the basic theory of Bayesian networks and studies the problems in constructing Bayesian networks.The paper also consturcts a Bayesian diagnosis network of a reciprocating compressor.The example helps us to draw a conclusion that Bayesian diagnosis networks can diagnose reciprocating machinery effectively.     

基于多样性特征和多源信息的分子泵故障诊断

为了实现准确可靠的涡轮分子泵故障诊断,提出了一种基于多样性特征和多源信息的分子泵故障诊断方法。在分子泵实验台上采集到分子泵不同故障下多个测点的振动信号,经过预处理后随机分为训练集和测试集。首先通过改变激活函数形成多个去噪自编码器,之后利用生成的深度自编码器对数据集进行多样性特征提取,最后将提取到的特征用于训练支持向量机(SVM)进行故障分类。实验结果表明该方法可以实现分子泵的准确故障诊断,准确率达到98.9%,而且在训练集不平衡或高背景噪声情况下依旧表现良好。     

小波分析及其在压缩机气阀故障检测中的应用研究

从信号分析角度引入小波分析的基本原理,通过典型信号的小波分解、重构和小波尺度图展示小波分析应用在故障检测中的优点,最后将小波分析用于压缩机气阀故障检测中,进行气阀正常、进排气阀泄漏三种状态识别,通过实例证明了小波分析的有效性     

循环双谱及其在齿轮箱故障识别中的应用研究

基于对循环累积量的分析，提出一种表示信号在一定循环频率集的循环双谱表示方法。齿轮箱振动信号的三阶循环平稳性通过对齿轮的传递误差、齿轮的动力学和振动信号的三阶循环矩的分析来证明。齿轮箱振动信号的循环双谱将齿轮箱的状态特征比较清晰地表示为频率的循环双谱大小分布，验证了该方法在表示齿轮箱状态中的有效性。     

机械真空泵远程故障诊断系统研究与应用

真空精炼炉是一种用于生产高品质钢水的二次冶炼装置,其核心是机械真空泵系统.该系统能否长期稳定运行将直接影响到钢水冶炼效果和吨钢成本,因此对该系统进行在线监测和快速故障诊断尤为重要.本文以RH真空精炼炉为例,将各级机械真空泵与多种监控设备耦合,并引入远程物联网技术,创建了远程故障诊断系统,并得到国内某钢厂实践验证.     

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。