基于最小二乘映射和SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的早期非平稳微弱故障信号特征提取困难、特征参量分辨率低、早期故障诊断困难等问题,提出了一种基于最小二乘映射(LSM)的故障特征参量优化和支持向量机(SVM)的故障诊断方法。首先计算出能够反映滚动轴承状态的无量纲时域特征参量;其次通过LSM理论进行优化计算出来的无量纲时域特征参量,构建高敏感度的特征参量;最后将通过敏感度识别因子指数(DI)选取优化过的特征参量作为样本输入到SVM中进行诊断,通过逐次推理诊断出轴承故障类型。实验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。     

基于LabVIEW的液压系统故障诊断参数监测的研究与应用

该文主要利用LabVIEW软件对液压系统的故障诊断参数进行监测,在信号分析模块中提供了时域无量纲参数分析、频谱分析、倒频谱分析及包络分析等方法判断设备的运行状态,识别故障特征以便快速准确的查明故障.     

旋转机械故障诊断技术在炼钢设备上的应用

介绍了旋转机械故障诊断的理论基础及在现实中的实用性,凸显其在设备预防维修上的先进性,并以某炼钢厂煤气风机电动机故障诊断为例,通过对振动的时域波形、频谱进行分析,判断设备存在的缺陷位置及类型,确保设备的正常运行。     

调制边频带不对称性及对齿轮故障诊断影响的研究

从齿轮啮合频率作为载频信号出发,深入阐述调制边频带的产生机理及边频带在齿轮故障诊断中的重要意义.以齿轮极端断齿故障为例,进一步探讨调制边频带不对称性在齿轮故障诊断中的消极影响,为避免设备故障诊断中的漏判或误判造成设备损坏,综合采用细化频谱、时域波形、解调、倒谱等多种手段有效故障特征识别.通过实例证明了调制边频带不对称分布现实存在的影响,运用和总结其他多种故障诊断方法,消除齿轮故障诊断中边频带不对称性影响,对大量齿轮故障特征识别提供借鉴和指导意义.     

大数据处理环境下大型机组设备故障可视化诊断方法研究

为了提升大型机组设备故障信息的提取效率,实现故障可视化诊断,提出大数据处理环境下大型机组设备故障可视化诊断方法。采用基于工作变形分析( ODS )的振动可视化技术完成大型机组设备的振动分析,获取设备不同模态下的故障频率响应信号,并将其频率谱作为故障特征,利用模糊减法聚类算法获取故障诊断结果;并利用三维平行散点图与人机交互将故障诊断结果可视化呈现。测试结果表明,该方法可通过数据聚类有效完成大型机组设备故障诊断,并且具备较好的可视化效果,可满足大型机组设备故障的可视化需求。     

基于综合型模糊支持向量机的故障诊断方法及应用

设备信息和故障的不确定性、模糊性及故障样本的缺乏给故障诊断带来了较大的困难.针对该问题,分析了现有模糊支持向量机的原理和优缺点,提出了一种综合型模糊支持向量机.该模糊支持向量机既可以处理样本含有模糊信息的情况,又可以解决支持向量机分类中存在的不可分问题.然后,提出了基于综合型模糊支持向量机的故障诊断方法,并在某电路系统故障诊断中开展了应用研究.应用结果表明,该诊断方法在设备状态存在模糊性和故障样本较少的情况下,与现有模糊支持向量机诊断方法相比,实现了较准确的故障诊断.     

基于BP神经网络的除尘风机振动故障诊断

将BP神经网络技术引入到大型除尘风机的振动故障诊断中结合神经网络的结构分析了其工作原理和算法.通过一个设备故障实例,利用神经网络对设备的故障特征和测试信号等数据进行学习和训练,模拟了专家对故障所进行的推理、判断和决策,从而获得了正确可靠的诊断结论.测试结果表明:文中建立的BP神经网络对训练的特征样本进行模式识别具备了很高的准确率,实现了诊断分析的智能化.     

基于混合域特征集与PSO-SVM的滚动轴承故障诊断方法

针对单一或单域特征难以全面反映设备零部件运行状态的问题,提出了一种基于混合域特征集与粒子群优化支持向量机(Particle Swarm Optimization Support Vector Machine,PSO-SVM)的滚动轴承早期故障诊断方法。首先,分别采用基于时域、频域以及时频域的信号处理方法进行特征提取;然后将提取到的特征指标进行有机结合,构建混合域特征集;最后将混合域特征集输入粒子群优化支持向量机中实现滚动轴承早期故障的诊断。通过对凯斯西储大学轴承故障诊断实验数据进行验证,结果表明该方法在轴承故障诊断中具有精确性与稳定性。     

AE技术在离心泵转子部件故障诊断中的应用研究

离心泵的故障主要集中在转子部件,其故障发生的过程中伴随有丰富的声发射信号,故通过分析其信号特征可得出故障的相应信息.采用特征参量、分布分析方法及波形的时域分析方法对声发射信号进行了分析,并确定了事件计数率、RMS电压和振铃计数率作为声发射故障诊断的特征参量.同时验证了针对早期磨损类故障声发射诊断方法比振动诊断方法更好的诊断效果.     

排水泵常见故障诊断及预防性管理方法分析

针对煤矿排水泵通常运行环境较恶劣,易出现故障等问题,介绍了煤矿排水泵常见故障诊断方法,分析了排水泵常见故障现象及这些主要故障现象的具体诊断方法,提出了通过振动诊断排水泵故障的措施与具体点位设计,并结合全寿命周期管理法,通过实时全方法监测水泵运行状态,及时了解设备运行状态,掌握设备健康状况,有助于进一步做好水泵的预防性维修或状态检修,进而更好地保障水泵的长期安全稳定高效运行.     

现场设备诊断技术讲座：第十讲 现场诊断信号分析概要

信号分析的内容;时域分析、幅域分析、频域分析和相域分析四个方面。 一、信号时域分析 振动信号时域分析主要有三种方法:时间波形观察法、相关分析和时序分析法。现场设备诊断一般先观察波形作初步诊断。有些故障有明显的波形特征,尤其是一些冲击型故障,如齿轮和滚动轴承的疲劳剥落。有明显的冲击波形。转子不平衡振动的波形有明     

基于小波变换的电气设备故障诊断技术

小波变换具有良好的时-频特性，因此可以有效地用于电气设备故障诊断。在对电气设备进行故障分析、诊断过程中，利用小波变换进行故障信号的故障时刻检测具有重要意义。小波变换用于电气设备故障诊断就是对电气设备各种电磁、机械等信号进行实时监测控制，判断其状态，以便在故障初期或故障时刻发出警报，并随时进行处理，排除故障。对信号进行特征提取，是故障诊断的关键。突变信号往往表明电气设备发生了某类故障，如果能对突变信号进行有效识别，就可以进行故障诊断、故障分析，从而排除故障。分析了电气设备故障的奇异性，通过仿真得出小波变换用于电气设备故障诊断的方法，以准确检测奇异点，确定故障时刻。     

旋转机械振动故障的信息炯诊断方法

目前绝大多数旋转机械的故障诊断方法都是依靠提取振动波形中的特征量来进行诊断.振动信号的分析往往是针对特定测点在某一瞬间采集的一段波形,因此它是状态的一种表现.如果产生故障,在某一状态下,振动波形不一定含有明显的故障信息,或故障信息被淹没在其他信息中.这时,依靠随机抽取的状态信息来进行故障诊断的方法就不能很好区分这些故障.但是,如果故障发生,一定会有所表现.一种故障在某一时刻或某一状态下引起的振动表现具有一定的分散性和随机性,但在一个过程中却有其规律性.以信息熵方法为基础,通过定义一个全新的判别指标--信息(火用)来描述振动过程的这种变化规律,从而提出一种基于过程的信息删故障诊断的新方法.     

信号重构中的时域反滤波及其应用

监测设备的振动通过谱分析来判别其运行状态往往是行之有效的方法。本文根据循环圆卷积矩阵的逆阵仍然是循环圆卷积矩阵的原理，提出了利用快速付里叶变换（ＦＦＴ）快速解线性卷积和反卷积的时域反滤波计算方法，并应用此算法对气缸压力波形进行了时域恢复。该算法与传统的卷积和反卷积计算方法相比，乘法次数少，计算速度快，便于对信号实时处理。采用时域反滤波方法恢复时域波形比基于频域变换重建气缸压力波形方法，计算环节少，易于硬件实现，对源信号的实时远距离监测和故障诊断具有十分重要的意义。     

航天复杂系统的加权模糊Petri网故障诊断建模

针对模糊Petri网模型难以解决航天复杂系统故障诊断中存在的状态组合空间爆炸、故障关系不清晰、故障源对故障影响程度等问题,提出了基于加权模糊Petri网的故障诊断方法,同时定义了加权模糊Petri网转化成分层着色Petri网的规则。该方法将加权思想与模糊Petri网相结合,建立加权模糊Petri网模型;将加权模糊Petri网转换为分层着色Petri网模型;通过图形反向推理诊断思想实现加权模糊Petri网的知识表示与推理规则,诊断故障发生的原因。最后,对某航天测试系统的一级稳定系统中的放大器系统故障诊断实例进行了仿真,结果表明:该方法对本实例的应用效果较好,故障传播路径清晰,对于规则变化具有良好的适应性,为其他复杂系统的故障诊断提供了一定的参考。     

基于Fisher理论的汽车动力传动轴系故障诊断分析

以汽车动力传动轴系为研究对象,探讨了一种基于Fisher判别分析的汽车动力传动轴系故障诊断方法。采用低通滤波方法对采集到的振动信号进行降噪处理,根据处理后的振动信号计算得到能够反映设备状态的时域和频域的无量纲特征参数,运用DI识别指标选取诊断敏感度较高的特征参数,基于Fisher判别分析从统计学角度将特征参数从多维向一维投影来实现状态识别问题的简化,结合逐次诊断方法更精确的判别设备状态。针对汽车动力传动轴系常见故障(不平衡、不对中等)分析故障机理,设计了轴系的故障诊断试验,通过试验验证了此诊断方法的实用性。     

基于动态GRNN模型的挖掘机液压系统故障检测

提出了一种针对工程机械液压系统的动态广义回归神经网络(GRNN)模型的故障诊断方法.动态GRNN模型是一种全局递归的动态模型,具有很强非线性收敛能力.首先建立系统正常状态故障建立动态GRNN模型;计算动态GRNN模型的检测阈值;然后将测试故障样本带入动态GRNN模型当中,其残差平方和在对应阈值范围内即可判定故障.通过实验分析,基于动态GRNN模型的故障检测方法准确地诊断出了90%以上的系统故障,实验结果表明,这一方法能够有效地应用于挖掘机液压系统的故障诊断.     

基于贝叶斯分类的核电站泵类设备振动故障诊断方法

传统方法在诊断设备振动故障时,仅提取了振动信号时域特征作为故障向量,导致故障诊断准确率较低、诊断时间较长,故设计了基于贝叶斯分类的核电站泵类设备振动故障诊断方法,在采集泵类设备振动信号后,重构振动信号低频部分并提取信号的时域和频域向量。将提取结果作为贝叶斯分类器的条件属性变量,计算变量归于故障类别的信息熵,选择最高信息熵对应的故障类别作为诊断结果。结果表明：该方法在提高故障诊断准确率的同时缩短了诊断时间。     

张量奇异谱分解与极限学习机的故障诊断方法

针对滚动轴承故障诊断问题,提出张量奇异谱分解(TSSA)与极限学习机(ELM)相结合的诊断方法.TSSA将一维时域振动信号转换成三阶张量,使用标准张量分解对三阶张量进行分解并重构回一维时域振动信号;为了验证TSSA的有效性,将奇异谱分解作为对比方法,仿真结果表明:TSSA重构后的信号能够找到故障特征倍频,其效果优于奇异谱分解.从重构时域信号中提取时域特征参量,并使用ELM网络对其实施诊断;为验证ELM的有效性,将BP、SVM作为对比算法,诊断结果表明:从诊断准确率、样本比例、诊断时间方面而言,ELM的性能比BP、SVM要好,ELM更适宜于轴承故障诊断.     

基于占能比的铣削加工颤振在线监测研究

薄壁件的精加工阶段,由于刀具悬伸长,工件刚度低,加工中容易发生变形进而引起颤振。因此需要可靠的标准监测加工状态,判断加工参数是否合理。首先,采集加工中包含颤振现象的声压数据,分析颤振发生时域有效值及频域功率谱的特点,对比在不同状态的特征,并以这些特征作为监测的依据;然后,在颤振发生时能量集中频段转移,通过小波包分解后构造出反映这一特征的特征量;最后,以小波变换时频图作为状态判断依据,通过离线分析设定相关阈值,设置多重标准,满足时域有效值和频域占能比阈值要求后计算特征值,判断加工状态。验证结果表明,笔者所提出的方法可以准确识别颤振现象,同时表明声压信号可以反映颤振特征。阈值设定后,即可为后续加工在线监测提供判断标准,避免因加工参数选择不合理时对工件或机床造成损害。