小波-循环谱密度法在旋转机械故障诊断中的应用

循环平稳信号是旋转机械中普遍存在的一类信号,本文采用小波包原理对一组仿真信号和滚动轴承的振动信号进行分解重构后,再计算它的循环谱密度,可以解调出信号中的所有调制源频率,并能有效抑制噪声和干扰信号对解调结果的影响,提高了监测诊断的准确性。     

小波尺度函数在旋转机械故障诊断中的应用

运用小波分析的尺度函数,在进行小波分解后,进一步进行傅里叶变换．能够提取其他方法无法得到的故障特征信号,为故障诊断提供了一种新的分析手段。对Jeffcott转子的不平衡和刚度不对称等故障分析验证了该方法的可行性和实用性。最后讨论了小波变换级和噪声对尺度函数分析方法的影响,表明小波尺度函数的降噪作用是十分明显的。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

二维全息谱在旋转机械故障诊断中的应用

通过对振动信号的处理、分析发现,旋转机械转子系统的振动信号经幅值谱、功率谱等传统的谱分析方法后,往往除了1倍频外还包括各次谐波及高倍频成份;引起转子系统振动信号中2倍频分量的因素很多,包括不对中、裂纹和电磁干扰等。直接从幅值谱等传统的谱分析方法很难判断2倍频振动分量的性质和原因。研究基于对中性良好的转子试验台,模拟了多种转子系统的故障,研究了二维全息谱以及轴心轨迹在旋转机械轴裂纹故障和碰磨故障诊断中的应用,结果证明所实现算法的有效性。     

小波包分解及其在旋转机械故障诊断中的应用

简述了小波包分析原理，阐明其具有良好的时频局部化特性，能对非平稳信号进行有效识别，可有效区别不同故障。结合实例验证了其用于故障诊断的优越性。     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足,结合设备状态检测和故障诊断中微弱振动信号难以提取的问题,在介绍全信息技术的基础上,提出新的信号处理方法——全信息小波包分析,用小波包变换对双通道信号分别进行分解,以提取信号中的微弱局部成分,把需要的对应小波包进行重构并用全矢谱技术进行融合,根据融合后的数据进行故障诊断。工程应用实践表明,全信息小波包分析是一种新的、较为实用的信号处理方法。     

阶比双谱及其在旋转机械故障诊断中的应用

双谱分析是处理非线性、非高斯信号的有力工具,然而,它是以分析恒频振动的稳态信号作为前提条件的,对分析旋转机械中广泛存在的变频振动信号（如旋转机械升降速信号）是无能为力的。而阶比双谱是一种分析变频振动信号的新方法,它将非稳态信号按等转角间隔进行采样,得到阶域中的稳定信号,再进行双谱分析;仿真显示该方法优于阶比谱和传统双谱。最后,将该方法成功地应用到旋转机械升降速过程的故障诊断中,实验结果表明该方法是有效的,阶比双谱可很好地分析机械振动的非线性非平稳信号。     

深度在线小波极限学习在旋转机械故障诊断中的应用

由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证：该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。     

双相干谱和RBF网络在旋转机械故障诊断中的应用

双相干谱保留了信号的相位信息,可以用来描述非线性相位的耦合,径向基函数网络具有良好的推广能力和分类能力。文中将双相干谱和径向基函数网络结合,提出一种基于双相干谱与径向基函数网络相结合的旋转机械故障诊断方法,即以双相干谱为故障特征向量,以径向基函数网络作为分类器,对旋转机械的故障进行分类,并以转子不平衡、转轴碰摩、油膜涡动为例进行实验研究。实验结果表明,结合双相干谱和径向基函数网络的旋转机械故障诊断方法是有效的。     

旋转机械故障诊断的查表判别法（续）

(3)故障原因的列出 此表格除列出振动特征信号随转速、负荷变化特性之外,还增加了振动随工艺参数,如润滑油温的升降、机器出口压力波动、气体负荷增减的变化特征。增加判别故障原因的识别参数可以尽可能多地排除故障原因,最终确定一二种可能的故障原因,从而及时准确地制定维修决策,采取消振措施。表1是该诊断表格的一部分。     

虚拟现实在旋转机械故障诊断中的应用

提出把虚拟现实（ｖｉｒｔｕａｌｒｅａｌｉｔｙ，ＶＲ）应用于旋转机械的故障机理研究及故障诊断，以更直观和更投入的方式研究故障的机理及其发生，发展过程以及可能导致的后果，还可弥补某些故障不能在转子实验台上模拟之缺陷。     

模拟退火算法在旋转机械故障诊断中的应用

本文用模拟退火算法建立了旋转机械故障诊断的人工神经网络模型,以幅值谱中７个频段上的幅值为网络的输入模式,对旋转机械常见的几种故障进行分类训练,并应用于等识别故障样本的识别计算,结果表明该方法在旋转机械故障诊断中是有效的。     

小波包分析在旋转机械冲击故障诊断中的应用研究

小波理论在工程中应用的特点之一是能对信号进行多维多分辨率分解及重构,能够用于提取信号的一些特征成份。基于这一优点,本文将小波包分解及重构理论应用于旋转机械冲击故障信号的处理,通过对试验数据的分析,得到了清晰、直观的系统冲击响应成份,与同时测得的声发射信号相对照,说明这一方法是有效的。     

BP神经网络在旋转机械故障诊断中的应用

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类、联想问题。本文将ＢＰ神经网络理论应用于风机故障诊断中，取得了较好的结果。     

BP神经网络模型在旋转机械故障诊断中的应用

本文利用神经网络模型建立了旋转机械常见故障的类别与征兆之间的映射关系.并利用这一模型对几种常见故障进行了分析诊断,诊断结果表明本方法精度高,结果可靠,对于工程应用具有一定的实用价值.     

RBF神经网络在旋转机械故障诊断中的应用

为克服BP网络在机械故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于最近邻聚类学习算法的RBF神经网络模型,并将该模型应用于旋转机械的故障诊断中。应用结果表明, RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

SOM神经网络在旋转机械故障诊断中的应用

研究和分析了自组织映射(SOM)神经网络的结构和算法,把SOM网络应用在旋转机械故障诊断中,利用振动传感器拾取振动信号,通过对时域、频域的分析来提取特征.通过对输入样本的"聚类",实现对故障的自动分类.这种故障的分类通过MATLAB更容易实现可视化的界面.仿真结果表明该方法可以对故障进行有效、准确地诊断,从而为旋转机械的故障诊断提供了一种新的途径.     

旋转机械空间域全信息小波包变换及其应用

结合空间域矢谱分析和小波包变换技术,提出了旋转机械空间域全信息小波包变换方法.它融合了转子同截面3通道图谱中各自存在的振动分量,能全面、准确地反映转子发生故障时的瞬态过程特征量变化.工程实践应用表明:旋转机械空间域全信息小波包变换对于旋转机械的故障诊断,是一种新的、较为实用的信息融合方法.     

基于矢谱和粗糙集理论的旋转机械故障诊断

矢谱融合了转子同源双通道的信息,能准确反映转子运动状态．粗糙集理论是一种对决策表进行简化,去除冗余属性的数据分析和处理方法．提出了基于矢谱和粗糙集理论的旋转机械故障诊断方法．计算了旋转机械振动4种典型故障的矢谱征兆,使用粗糙集理论对其进行约简,根据约简的结果生成矢谱诊断规则,并利用得到的规则对故障测试样本进行了诊断．结果表明：相对于单通道数据,基于矢谱和粗糙集理论的故障诊断不仅简化了诊断规则,而且明显提高了故障诊断的准确率．     

基于循环谱密度函数的滚动轴承故障诊断

采用时域平滑循环周期图法直接由信号计算循环谱密度切片,在分析常用的3种变换形式基础上,讨论了各自谱密度三维分布的共性、差异、适用范围。在滚动轴承5个故障特征频率理论计算值附近选择谱峰值最大的切片进行组合分析,通过比较切片谱峰值的大小来判断故障所在位置。对内圈故障、滚动体故障两组信号进行了频谱、包络谱、组合切片分析,结果表明,循环谱密度组合切片分析滚动轴承的故障更为直观。