基于矢谱和L-M神经网络的旋转机械故障诊断研究

讨论了矢谱融合技术和Levenberg-Marquardt(L-M)神经网络的相关理论,提出了基于矢谱和L-M神经网络的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断L-M神经网络模型.模拟实验结果表明:与基于单通道数据的诊断结果对比,将矢谱数据融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率.     

基于矢双谱分析的旋转机械故障诊断研究

基于数据融合思想,将矢谱分析方法延拓到非平稳信号领域,与高阶谱分析结合,提出了矢双谱分析方法,给出了其定义、算法和性质。仿真和试验结果均表明,矢双谱能有效消除机械系统的高斯噪声,与单通道分析相比,能更全面、准确地反映系统的非线性特征,为故障诊断提供有力依据,并可应用于工业现场的在线诊断,具有实用价值。     

基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断

针对风电机组齿轮箱中齿轮故障特征提取与故障诊断问题,提出一种基于集合经验模式分解(EEMD)、奇异谱熵和模糊C均值聚类的故障诊断方法。首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF)构成的特征模式矩阵。接着对该特征模式矩阵求奇异谱熵值,奇异谱熵值的大小能反映部件的工作状态和故障类型。最后,将得到的奇异谱熵值矩阵进行模糊聚类分析并得到分类结果。通过对齿面磨损、齿面剥落和正常3种齿轮状态分别使用EMD法和EEMD法进行故障分类对比,结果验证了该方法的有效性和可行性,同时证明EEMD法具有更好的分类效果。     

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障

针对发动机振动信号的非平稳性以及特征参数的模糊性特点,提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和模糊C均值聚类（Fuzzy Center Mean,FCM）的故障诊断方法,通过对已知故障样本信号进行EEMD分解,形成初始特征向量矩阵;对该矩阵...     

基于模糊C均值聚类的火焰检测算法

在基于数字图像处理的锅炉火焰检测方法基础上,分析了聚类的相关理论.提出了基于模糊C均值聚类的火焰检测算法,同时,用煤粉燃烧火焰资料对该火焰检测算法进行了试验,结果证明该算法简单易行,能有效地检测出煤粉燃烧器火焰燃烧状态.     

谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7     

基于粗糙集和模糊C均值聚类算法的可再生能源投资风险评价

针对可再生能源发电项目投资风险评价问题,提出了基于粗糙集理论与模糊C均值聚类算法的可再生能源投资风险评价模型。基于全寿命周期理论,在构建可再生能源共性风险指标体系的基础上,建立可再生能源投资风险评价信息系统;分别利用模糊C均值聚类算法和粗糙集对评价指标进行离散化处理和属性约简,确定项目投资评价的关键风险指标及其权重;最后得出各类可再生能源投资项目的综合评价值。以风电投资项目为例进行了实证分析,结果表明,该方法以评价对象的客观数据为依据来确定其综合评价值,评价结果准确合理,可为可再生能源发电项目的投资选择提供一定的参考。     

旋转机械不对中故障特征提取提取及诊断方法研究

对旋转机械转子系统不对中故障的征兆机理进行了分析,得出在不对中条件下,旋转机械产生二倍频振动这一典型征兆的原因,在转子实验台上对该类故障进行转子实验测试,并对原始信号进行频谱特征提取,使该类故障征兆得以验证。用实验测得的振动数据特征归一化处理后作为神经网络的输入变元,以实现对该类故障的准确分离和正确诊断。     

轴心轨迹特征的提取方法及其在旋转机械故障诊断中的应用

提出了一种新的平面图形加权编码方法，通过将此方法用于神经网络轴心轨迹识别证明，这种新的编码方法比传统的布尔编码方法具有更高的图形识别准确率。     

旋转机械不对中故障特征提取及诊断方法研究

对旋转机械转子系统不对中故障的征兆机理进行了分析,得出在不对中条件下,旋转机械产生二倍频振动这一典型征兆的原因,在转子实验台上对该类故障进行转子系统实验测试,并对原始信号进行频谱特征提取,使该类故障征兆得以验证。用实验测得的振动数据特征归一化处理后作为神经网络的输入变元,以实现对该类故障的准确分离和正确诊断     

基于粗糙集理论的旋转机械故障诊断方法

粗糙集理论是一种新的数据分析和处理方法，使用粗糙集理论可以对决策表进行简化，去除冗余属性。该文针对旋转机械故障诊断问题，计算旋转机械振动故障数据库中的频域征兆，使用粗糙集理论对其进行约简，根据约简的结果生成规则。利用得到的规则对故障样例进行诊断。结果表明：使用粗糙集理论可以在保留分类能力不变的前提下，去掉诊断中的不重要的要素，保留重要的要素，从而可以简化对诊断信息的需求。对故障样例的诊断结果也表明：得到的规则基本上是可信的。表5参8     

模糊支持向量机在轴系振动故障诊断中的应用

机组的振动水平是表征电厂稳定安全最重要的标志之一.本文利用支持向量机的智能方法对机组的轴系故障进行诊断,在小样本集上取得了100%的分类精度.在此基础上,还引入部分噪声数据,统计其分类性能,展示了支持向量机的容错能力.最后分析了支持向量机方法在轴系振动故障振动的优势和缺陷,引入模糊输出支持向量机进行了改进,给设备维修提供了更多的参考信息.     

线性AR-HMM在旋转机械故障诊断中的应用

旋转机械的连续监测日益成为重要问题。由于传感技术的发展和计算能力的提高，使设备在线监测与故障诊断成为可能。把线性AR系数作为暂态振动信号的特征，利用有限状态隐马尔可夫模型（简称HMM）来模拟旋转机械的运行过程中运态行为的变化，从而提出一种新的故障诊断方法，HMM的参数从监测数据的统计关系中导出，实验证明该方法是切实可行的。     

时序信号处理在旋转机械故障诊断中的应用研究

叙述了是AR（自回归）技术在旋转机械故障诊断中的应用,结合AR模型的特点,讨论了旋转机械中应用的可能性,简述了AR模型的参数估计,就故障诊断中的模式建立及识别,实时性等问题进行了探讨。     

基于因子隐Markov模型的旋转机械故障诊断方法的研究

针对旋转机械升降速过程非平稳、重复再现性不佳的特点，隐Markov模型具有很强的针对性。因子隐Markov模型是一种多链隐Markov模型，它是隐Markov模型的一种扩展形式。作者将因子隐Markov模型引入到旋转机械升降速过程的故障诊断中，提出了基于因子隐Markov模型的旋转机械故障诊断方法，并且利用它成功地对旋转机械的故障进行了分类。实验结果表明：该方法是有效的。图4表2参8     

基于图像识别技术的旋转机械振动故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行故障诊断,这种基于状态信息的诊断方法对故障类型的辨别能力有限。通过构造基于归一化幅值谱的三维矩阵来刻画旋转机械振动故障的过程变化规律,并引入图像识别技术,在此基础上建立了一种基于归一化幅值谱图识别的旋转机械振动故障诊断方法。并通过该方法对试验台获取的振动故障信号进行分析,计算结果表明该方法是一种有效的故障诊断方法。     

基于FCM-FM算法的光伏阵列故障诊断

工作于自然环境的光伏阵列故障频发,及时对故障进行定位和分类对于提高光伏电站运行水平具有重要意义。针对光伏阵列的常见故障类型（短路、开路、局部遮挡等）,基于运行数据提出无监督模糊C均值（FCM）聚类与模糊隶属（FM）算法相结合的光伏阵列故障诊断方法。论文首先对光伏阵列典型故障的产生机理进行分析并提取故障特征参数;然后,采用FCM聚类方法对光伏阵列典型故障样本数据进行分类,得到不同故障的聚类中心;最后,利用FM算法计算运行数据与聚类中心的隶属度,判定故障类型。基于数字模拟实验和实证测试,验证上述方法的有效性。分析结果表明,本文方法可有效判别光伏阵列的典型故障,诊断结果准确、可靠。     

基于信息(火用)空间贴近度的旋转机械故障诊断方法

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.这种依靠随机抽取的状态信息来进行故障诊断的方法不能很好地区分各种故障.提出了基于多状态的过程信息来进行诊断的新思路,以信息熵方法为基础,通过定义信息(火用)和信息(火用)空间贴近度的概念,从而提出了一种基于信息炯空间贴近度的旋转机械振动故障诊断新方法.     

基于模糊C均值聚类和支持向量机算法的燃煤锅炉结渣特性预测

应用基于模糊C均值聚类算法预处理的支持向量机算法对锅炉结渣特性进行预测建模,将煤的软化温度、碱酸比、硅铝比和硅比以及无因次炉膛烟气平均温度和无因次实际切圆直径作为模型的输入变量,结渣程度作为输出变量,利用优化后的模型对10台锅炉的结渣特性进行评判.结果表明:该模型能够减小训练样本的过拟合度,具有较强的泛化能力;本试验中FCM-SVM预测模型预测结果的正确率为100%,可以实现对锅炉结渣特性的精确预测.