基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

集成传感器的液压系统状态监测设计与应用

采用嵌入加载阀的集成式液压系统压力、温度和流量测量传感器组．配合相应的信号调理与接口箱,构建了工程机械液压系统状态监测与故障诊断的硬件框架结构体系。利用虚拟仪器开发平台LabWindows／CVI开发了测试仪的信号采集、状态监测和故障诊断系统。软件开发中将神经网络技术与传统的专家系统技术有机地融合起来,可实现工程机械液压系统的状态监测和故障诊断。使用结果表明,该测试仪可以准确地测量液压系统的工作状态参数。诊断工程机械液压系统的常见故障。     

BP神经网络技术在雨刮电动机故障诊断中的应用

在电动机故障诊断技术中,最能全面反映电动机运行状态的唯独有振动信号。因此,提出一种基于小波分析和BP神经网络的电动机故障诊断方法。首先该方法采用小波包分析对振动信号消噪滤波并计算频带能量,随后根据振动信号大小提取其能量特征值,并以此建立电动机故障诊断的BP神经网络模型,再以Matlab软件的仿真模块为平台,最终开发了雨刮电动机故障诊断的智能检测系统。试验表明该系统的建立能够提高雨刮电动机故障诊断的效率和准确性。     

基于概率神经网络的发动机故障诊断方法研究

传统的故障模式诊断方法很难对复杂系统的故障进行诊断,概率神经网络作为一种自适应的模式识别技术,以其结构简单、学习速度快、具有非线性处理和抗干扰能力强等优点广泛应用在模式分类和故障诊断领域。利用概率神经网络对发动机的故障进行诊断,仿真结果表明,该网络诊断准确率高、泛化能力强,可以对系统进行实时监测和诊断。     

液压支架液压系统故障仿真与诊断技术研究

针对目前支架液压系统故障诊断中获取故障数据较难等问题,提出了一种基于故障模拟仿真的支架液压系统故障诊断方法。在分析支架液压系统工作原理和常见故障的基础上,利用AMESim软件对其常见故障工况进行模拟仿真并采集样本数据,采用BP神经网络的故障诊断算法通过MATLAB软件进行故障仿真训练和诊断测试。结果表明,该方法具有较高准确性和可靠性,达到了预期目标,可用于支架液压系统的故障诊断,并为进一步开展支架液压系统智能故障诊断和健康监测奠定了研究基础。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

模糊神经网络在叉车液压系统故障诊断中的应用

叉车液压系统是叉车的关键系统之一,经常会产生故障,影响叉车的正常工作,因此,利用模糊神经网络对叉车液压系统进行故障诊断意义重大.首先,建立了模糊故障诊断模型,设计了模糊神经网络的结构,并且设计了相应的算法.接着,进行了叉车液压系统模糊神经网络故障诊断仿真分析,故障诊断的准确率高达98％,表明该方法具有非常好的鲁棒性.     

基于LabVIEW的滚动轴承故障诊断系统

为实现对滚动轴承工作状态的监测,提出了一种基于LabVIEW的滚动轴承故障诊断系统的设计方案,给出了滚动轴承振动信号的采集与故障诊断方法,在LabVIEW的诊断平台下进行信号处理与分析,然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证,验证结果体现了该系统具有可行性和适用性。     

基于SVM和BP神经网络的滚动轴承故障诊断

为更好地对滚动轴承进行状态监测和故障诊断,采集3种不同状态下的滚动轴承振动信号,根据振动信号特点提取其时域和频域的相关特征,然后分别利用SVM(支持向量机)和BP神经网络进行模式识别。不断减少每种状态下训练样本集的个数,利用2种不同的方法进行模式识别。当每种状态下的样本个数为3个时,支持向量机仍然能准确地将测试样本进行分类,而BP神经网络完全无法识别。实验结果表明,支持向量机比BP神经网络更适合于小样本的故障诊断。     

基于组态思想的压缩机组网络工况监测与远程诊断系统开发

提出一种新型的基于组态化思想的压缩机组网络工况监测与远程故障诊断系统。该系统以组态化网络监视与诊断系统管理平台的Web服务器为核心，加上多台工控机和普通计算机组成。用户在远程的浏览器上方便地控制和管理现场工控机，组建网络在线实时监视子系统、数据分析了系统和远程诊断子系统。论述系统的总体方案，现场监视子系统、数据传输管理软件、网络监视与诊断子系统以及系统管理平台的设计，阐述系统组态构建过程、最后给出系统在现场实际应用的例子。     

Design and realization of a remote monitoring and diagnosis and prediction system for large rotating machinery

Traditional on-site fault diagnosis means cannot meet the needs of large rotating machinery for its performance and complexity. Remote monitoring and diagnosis technology is a new fault diagnosis mode combining computer technology, communication technology, and fault diagnosis technology. The designed remote monitoring and diagnosis and prediction system for large rotating machinery integrates the distributed resources in different places and breaks through shortcomings as the offline and decentralized information. The system can make further implementation of equipment prediction technology research based on condition monitoring and fault diagnosis, provide on-site analysis results, and carry out online actual verification of the results. The system monitors real-time condition of the equipment and achieves early fault prediction with great significance to guarantee safe operation, saves maintenance costs, and improves utilization and management of the equipment.     

基于工业物联网架构的压缩机远程在线监测与故障诊断平台

撬装式往复压缩机是页岩气开采的关键设备,状态监测和故障诊断系统是设备安全运行的重要保障.撬装式往复压缩机结构复杂,其状态有关的工况数据量大且关系复杂,而且实现状态监测需要配置有一定数量的振动传感器,建立以状态监测和故障诊断为基础的高效稳定的监测平台非常重要.本文介绍了基于物联网架构的压缩机远程在线监测与故障诊断平台,论...     

基于模糊支持矢量数据描述的早期故障智能监测诊断

为了解决机电设备早期故障难以正确识别及故障发展状态不易准确监测的问题,提出了一种基于模糊支持矢量数据描述(FSVDD)的早期故障智能监测诊断新方法。该方法只需要一类目标样本作为学习样本就可以建立起单值分类器,同时在核函数中引入非目标样本的模糊隶属度,从而把非目标样本与目标样本分等级地区分开来。将这种方法应用在机电设备状态监测和故障诊断中,只需要将正常运行时的数据信号作为目标样本,就可以实现对设备早期故障的准确识别,同时判断故障的严重程度。在轴承运行状态监测中的测试结果表明,该方法不仅能快速识别轴承的早期故障,而且可以对故障的严重程度做出准确的判断。     

基于协整分析的风力机多工况监测与故障诊断

为降低装备故障率、减小停机损失,提出一种基于协整分析的装备多工况监测与故障诊断方法。基于监控与数据采集系统采集的数据,利用随机森林特征选择算法提取与装备故障相关的关键特征变量;通过对关键特征序列的协整分析,计算协整系数,建立协整残差模型,获得反映装备状态变化的最优残差序列;采用概率图分析最优残差序列,完成了多工况状态的区间划分,确定了每种工况对应的残差预警阈值,实现了状态监测与故障预警。某型号直驱式风力机的研究结果表明：所提出的方法能有效分析非平稳时间序列,利用残差阈值可以监测电机故障、识别风力机工况,提高故障诊断的准确性。     

基于应力波分析的状态监控与故障预测研究

随着先进的仪器测量与分析、物联网、云计算、数据挖掘、人工智能等科学技术的发展,设备状态监控和故障预测技术近年来在工业设备健康管理中起到越来越重要的作用。研究了一种基于应力波分析的状态监测与故障预测技术,通过应力波传感器对设备运动部件间的摩擦、机械冲击和动态荷载的电子信号进行检测和处理,采用专为应力波分析而开发的时域和频域特征提取软件和基于神经网络的数据融合技术,对设备状态进行定量分析,对设备故障进行准确预测,并提供设备健康诊断分析报告。运行试验表明,与振动分析等传统的状态监测方法相比,本系统能更好地实时监控设备运行情况,更早地预测故障,保证了生产安全性,降低了设备检维修成本,提高了生产效率。     

基于粗糙集理论的状态监测与故障诊断

为了提高监测诊断的效率和自动化、智能化水平,将粗糙集理论引入到复杂装备系统状态监测与故障诊断领域.运用基于粗糙集理论的监测参数与故障特征约简算法,对发动机监测诊断过程中大量的冗余特征进行压缩或约简,实现发动机技术状态监测参数的优选;并针对故障点建立决策表,利用粗糙集约简所获得的诊断规则进行智能故障诊断.实例表明粗糙集监测诊断方法不仅大大减少了特征信息提取的工作量,也为在故障诊断中实现自主式学习和决策提供了很大的便利.     

旋转机械振动状态监测与故障诊断系统设计及实现

旋转机械是电力行业的重要设备,其运行状况是否完好将会直接影响到企业的效益。该文在介绍状态监测与故障诊断流程的基础上,研究了旋转设备常见故障类型和振动数据分析方法,利用LabVIEW软件实现了振动数据采集与分析、故障知识数据库等功能。该系统提供了良好的人机界面,对旋转设备的振动数据提供了多种分析方法和图形化的显示方式,为后续的故障诊断工作提供了良好的分析平台。     

机电设备远程监测与诊断系统在LabVIEW平台上的实现

为了解决传统的监测与故障诊断系统难以实现远程监测与故障诊断的问题,文章在比较国内一些远程监测与故障诊断系统的基础上,介绍了一种新型的基于Internet和Intranet的远程监测与故障诊断系统。详述了系统中的几个技术特点:基于MIMOSA标准的数据库、系统与数据库动态信息交换和开放式的图形化设计语言LabVIEW开发平台。最终实现了此远程监测与故障诊断系统,并成功地加以推广应用。     

过程工业动态的以可靠性为中心的维修研究及应用

针对过程工业设备类型、结构、运行和维护特点,研究过程工业以可靠性为中心的维修评估技术,开发集风险评估、状态监测、绩效审查、专业管理、档案管理为一体的动态的以可靠性为中心的维修决策系统。利用风险评估技术确定设备优先维护等级、优化维修内容、确定最佳维修时间指导设备维护和维修决策;状态监测用于故障诊断与预测确定设备预知性维修任务;绩效指标用于量化关键部件故障频率和故障后果,确定关键部件的最佳维修周期进而量化设备动态风险、确定预防性维修任务内容;专业管理是维修决策和维修内容的执行环节。开发的系统应用于中国石油某炼油厂,实现以信息为重要资源,以设备健康状态为依据,基于风险量化指标决策和设备量化风险动态管理,提高维修决策水平,确保了设备运行的安全性、可靠性和可用性。