基于AGMF和改进灰色关联度分析的柴油机故障诊断

针对柴油机实测振动信号易受噪声污染而淹没有用信息的问题,设计一种自适应广义形态滤波器(AGMF),通过梯度法自适应调权值,使降噪效果达到最优。提出改进的灰色关联度分析方法进行故障诊断。实验发现,经过形态滤波降噪后的振动信号,效果较好,提取时域频域的特征值作为特征向量进行故障判别,运用改进的灰色关联度分析方法能够准确的判断故障模式,从而验证所提方法的有效性。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

KV490 柴油机工作过程故障的灰色诊断

目的对某柴油机工作过程的故障进行诊断.方法采用灰色系统理论的ABO型关联度分析方法.结果准确地诊断出柴油机工作过程的正常状态和故障状态.结论灰色ABO型关联度对柴油机工作过程的故障诊断具有较高的准确度.     

KV490柴油机工作过程故障的灰色诊断

目的 对某柴油机工作过程的故障进行诊断。方法 采用灰色系统理论的ABO型关联度分析方法。结果 准确地诊断出柴油机工作过程的正常状态和故障状态。结论 灰色ABO型关联度对柴油机工作过程的故障诊断具有较高的准确度。     

柴油机故障的模糊灰色关联度诊断法

在灰色理论关联度诊断法的基础上提出了诊断柴油机故障的模糊灰色关联度法，通过对柴油机工作过程故障的诊断结果表明，该诊断方法对复杂机器的故障诊断，准确性较高。     

基于形态滤波与灰色关联度的滚动轴承故障诊断

针对滚动轴承故障振动信号的强噪声背景与故障样本不易大量获取的问题,提出一种基于形态滤波与灰色关联度的滚动轴承故障诊断方法。采用形态闭与形态开相减构成的差值滤波器对故障信号进行滤波,不需要考虑振动信号的频谱特征与分布,即能够有效的提取故障频率特征;灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。首先对故障信号进行形态滤波,然后提取滤波后信号的故障特征频率的归一化幅值作为特征向量,最后通过待识别样本与标准故障模式的关联度来对故障模式进行分类。实例表明该方法能够取得良好的效果。     

基于灰色理论的电站机组状态监测与故障诊断方法

本文主要研究了灰色理论在大型旋转机械的状态监测与故障诊断中的方法与应用问题。鉴于一般关联度分析方法在故障诊断应用中没有考虑到特征参数对诊断结果的不同影响,本文提出了加权关联度这一新概念,并给出了加权关联度用于旋转机械诊断中的方法与步骤。这种诊断方法能根据诊断结果采用自学习修正方法来修正关联度参数,提高诊断的准确度,并有很好的前景。     

基于改进灰色B型关联度的低噪声飞机选型

为有效缓解飞机噪声的影响,选择出噪声值更小的机型,针对国内某机场噪声监测数据特点,选用兼具相近性与相似性的灰色B型关联分析法对该机场一个月内同一航班六种机型噪声监测数据进行分析。根据研究问题需要,设计无量纲化处理方法,优化噪声监测数据权重,改进灰色B型关联度方法,计算各机型噪声数据与最优数据的关联度,优选出满足条件的低噪声机型。结果表明,改进后灰色B型关联度方法适用于低噪声飞机选型问题,分析结果符合实际,其中B733机型最能满足该机场低噪声的条件。     

基于灰色关联度和Teager能量算子的轴承早期故障诊断

滚动轴承的健康状态直接影响着旋转设备的运行状态,为了及早获取滚动轴承状态异常的信息,提出了基于灰色关联度和Teager能量算子(TEO)的滚动轴承早期故障的诊断方法。对滚动轴承运转的振动数据进行等长度分组,计算各组数据与轴承状态良好的第一组数据之间的灰色关联度,根据灰色关联度值的变化趋势,确定早期故障发生的时间段,截取该时段的振动数据进行Teager能量包络谱分析,确定故障类型。分别采用峭度系数、波形因子和均方根等指标与TEO相结合的方法对相同的轴承振动信号进行了分析和故障诊断,将各种方法的早期故障诊断结果与所提方法比较,结果验证了"灰色关联度+TEO"方法在轴承早期故障诊断中的可行性及有效性。     

灰色接近关联度在指纹图谱模式识别中的应用

文章系统地介绍了灰色接近关联度基本理论、灰色关联度的提出及基本概念、两种面积的算法。详细地介绍了灰色接近关联度的计算方法及使用范围。介绍了灰色接近关联度在色谱指纹图谱中的应用,包括仪器使用方法及具体计算过程。     

基于时频域模型的噪声故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。     

柴油机振动信号的分形特征及故障诊断

把小波包降噪与关联维数相结合用在柴油机故障诊断中,讨论了关联维数计算中相关参数的选取。首先对柴油机缸盖振动信号进行小波包降噪处理,通过自相关函数法求延迟时间,用饱和关联维数法确定最小嵌入维数,并用改进的G-P算法求关联维数。分析发现,小波包可以有效降低噪声干扰,柴油机在不同工况下具有不同的关联维数,该方法可有效应用于柴油机的故障诊断中。     

《基于EMD与AR模型的柴油机故障诊断》

柴油机气缸盖振动信号是一种典型的非平稳时变信号,用传统的时频分析难以得到满意的效果,用时域区间分析难以实现实时诊断,而小波分析则存在小波基函数选择困难等问题。本文采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型。实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断。在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率。     

基于SRC模式识别方法的柴油机故障诊断研究

测量了五种柴油机常见故障时的缸盖表面振动信号,并利用S变换对其中燃烧激励的响应信号进行时频分析.基于SRC方法找出最能表征各种故障特征的时频域,根据时频域的频率范围,设计FIR带通滤波器,并对不同故障下燃烧激励的响应信号进行滤波,滤波后的信号作为该故障的故障模板.进行故障识别时,首先用滤波器对燃烧激励的响应信号进行滤波,将滤波后的信号与故障模板进行相关分析,根据相关系数的大小来判别故障.典型故障的模拟试验表明,SRC方法具有较高的故障分辨能力.     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于圆域分析的大型回转支承初期故障诊断

为解决真实工况下大型回转支承振动信号背景噪声大、常用故障诊断方法难以适用的问题,提出了一种基于圆域分析的振动信号处理方法。将时域信号进行圆域转换,并按一定角度将转换后的圆域信号划分成多个区域;判断各区域信号邻域相关离散点拟合椭圆的倾角方向,得到回转支承整圈对应的多个异常向量;以异常向量的平均向量作为圆域分析的特征向量,分析其均值、方差、歪度和峭度指标的变化情况,实现回转支承的故障诊断。对某型号回转支承进行了加速寿命试验,结果表明,该方法能够有效诊断出回转支承滚道的区域滑移、点蚀等初期故障,相比常见的时域特征、小波分析等方法准确度更高,故障可识别度更强,因此可以用于实际工况下回转支承的故障诊断。     

基于排气噪声的柴油机气阀故障诊断

通过对柴油机气阀机构七种状态下的排气噪声信号建立AR模型,以AR模型的自回归参数作为故障识别的特征向量,建立基于极限学习机的柴油机气阀故障诊断模型,并与反向传播神经网络算法、径向基网络算法和基于支持向量机的诊断模型相比较。试验结果表明,排气噪声信号可用于柴油机气阀故障的诊断,且基于极限学习机的诊断模型与其他三种算法的分类正确率均可达到95 %以上,但在学习速度上,极限学习机具有明显的优势。