基于非线性故障重构的旋转机械故障预测方法

对旋转机械的状态进行在线监测和故障预测是一个具有重要应用价值的工程问题. 采用基于核主元分析的非线性故障重构技术研究了多变量相关条件下旋转机械的故障估计及预测问题. 首先利用核主元分析对旋转机械系统进行离线非线性建模,并进行异常检测. 通过对故障程度进行定量描述,用最优化方法求解故障重构意义下的故障估计;然后 用多层递阶的方法对估计出的故障幅值的发展趋势进行预测. 最后,以中国石化北京燕山分公司的烟气轮机作为实际应用对象,验证了该方法的有效性.     

数据驱动的故障预测方法研究

随着设备复杂性和使用环境苛刻度的不断增加,关键部件的可靠性和稳定性要求与日俱增。为实现关键部件的全面监控和故障前有效干预,故障预测技术应运而生,基于数据驱动的故障预测方法具备的适用范围广、预测精度高和建模较易等优势使其成为近年来研究的热点。论述了故障预测技术的相关理论和内涵。对当前的主流——基于数据的故障预测技术进行详细介绍,并概述了国内外的最新研究成果。最后,探讨了故障预测领域亟待解决的问题和未来的发展方向。     

旋转机械两种常见故障的分析

一、旋转机械故障诊断旋转机械状态监测和故障诊断技术从70年代兴起以来发展十分迅速,在国内外越来越引起人们的重视。旋转机械故障诊断,就是应用各种状态监测系统(如美国BENTLY公司的DDM系统、SMART系统、ADER系统或其它的计算机管理系统)或各种分析仪器(如各种示波器、频谱分析仪、BENTLY的DVF-2数字矢量滤波器等),对运行中出现异常的旋转机械,检测各种动态和静态参数,并作出时基波形、轴心轨迹、频谱分析、波特图等进行分析,再结合振动监测理论,以及各种故障的机理分析和故障诊断经验,对出现异常情况的机器进行诊断,分析引起故障的原因,从而采     

软件故障静态预测方法综述

软件故障静态预测通过从项目数据中提取度量信息预测故障,以便于测试和验证资源的分配。从可用度量数据和预测模型两个方面总结了软件故障静态预测方法,可用度量包括方法层、类层、构件层、文件层以及过程层度量,预测模型分为机器学习和统计方法两类;总结了性能评价指标、度量数据可得性以及故障分类对故障预测的影响等需要进一步研究的问题。     

数据驱动算法在旋转机械故障诊断中的应用研究

随着旋转机械的应用逐渐普遍,传统的旋转机械故障诊断技术由于不能对故障进行精准检测和预警,且诊断准确率较低,无法满足用户的应用需求.因此,深入研究了数据驱动算法在旋转机械故障诊断中的应用,通过构建特征子空间和残差空间,对采集的机械信号进行预处理,通过T2统计量分析和构建预警控制限,准确识别故障信号,在数据算法的驱动下,利...     

行程时间预测方法研究

行程时间预测,有助于实施高级旅行者信息系统.自20世纪90年代起,已经有多种行程时间预测方法被研发出来.将行程时间预测方法分为模型驱动方法和数据驱动方法两大类.介绍了两种常见的模型驱动方法,即排队论模型和细胞传输模型.数据驱动方法被分类为参数方法和非参数方法:参数方法包括线性回归、自回归集成移动平均和卡尔曼滤波,非参数方法包括神经网络、支持向量回归、最近邻和集成学习方法.对现有行程时间预测方法从源数据、预测范围、准确率、优缺点和适用范围等方面进行了分析总结.针对现有方法的一些缺点,提出了可能的解决方案.给出了一种新颖的数据预处理框架和一个行程时间预测模型,最后指出了未来的研究方向.     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

基于深度学习的旋转机械故障诊断研究综述

在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊断方法进行总结与展望。     

智能化雷达故障预测及检测技术综述

雷达故障预测和故障检测技术是雷达装备维护从传统化定期检修向智能化视情维修转变的关键技术。为保障雷达作战效能的发挥,需及时对雷达故障进行预测、检测并实时告警。随着微波测量和人工智能技术的日趋成熟,智能化雷达故障预测及检测技术也不断发展。文中详细阐述了当前故障预测与健康管理以及故障检测技术的国内外研究现状,分析了现有智能化雷达故障预测和检测技术的优缺点,梳理了该技术在雷达维修保障领域的研究进展,提出了雷达故障预测和检测过程中可能存在的问题和限制条件。针对实际问题和限制条件,对未来智能化雷达故障预测和检测技术的研究方向进行了展望,为智能化故障预测及故障检测技术在雷达维修保障领域的深入研究提供参考。     

武器装备故障预测建模方法选择研究

针对武器装备故障预测方法选择需要考虑的实际问题, 从国际标准化组织对故障预测的定义出发, 明确预测建模需要考虑的因素, 在此基础上对故障预测定义作进一步扩展, 突出故障预测具有的显著特征; 结合装备的实际使用环境, 设计故障诊断和预测流程, 以及对应故障预测方法选择标准; 对具体的每一种故障预测方法划分其主要类别和优缺点, 总结每种预测模型在工程实际中的使用方式, 为具体案例选择合适预测方法提供依据。最后根据目前故障预测应用还存在的差距, 指出未来进一步研究的方向。     

邻域知识图算法在旋转机械设备故障诊断中的应用

旋转机械应用过程中极易出现内环故障、外环故障、滚动体故障的情况,而这也直接影响机械部件的使用寿命。为准确诊断设备元件的故障行为,达到延长旋转机械设备寿命水平的目的,针对邻域知识图算法在旋转机械设备故障诊断中的应用展开研究。求解邻域知识图算法的函数表达式,并以此为基础,完成对故障数据的推荐,再通过预处理的方式,实现对旋转机械设备故障数据的深度挖掘。融合关键故障数据,并对其进行降维处理,根据核特征定义条件,完善具体的故障诊断流程,完成基于邻域知识图算法的旋转机械设备故障诊断算法的设计。实验结果表明,上述方法的应用,可以准确诊断出内环故障、外环故障、滚动体故障三种故障表现行为,通过适当方法对所诊断出故障行为加以处理,可以达到延长旋转机械设备使用寿命的目的。     

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点,传统的方法难以较好地实现旋转机械故障诊断。近年来,基于深度学习的故障诊断算法发展迅速,其中,卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注,但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断,在经典卷积神经网络结构的基础上,引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法,构造了一种新型的、高效的空洞卷积神经网络(Atrous Convolution-Convolutional Neural Network,AC-CNN),并基于该模型进行了旋转机械故障诊断实验。实验结果表明,提出的故障诊断模型分类准确率可达99%以上,对比其他神经网络方法具有明显优势。     

旋转机械电动振动台的PLC自动控制器设计

当前电动振动台自动控制器利用PID作为控制核心,其抗干扰能力较弱,启动时间过长,导致控制器的使用寿命较短。提出旋转机械电动振动台的PLC自动控制器设计。将PLC作为主控单元对PLC自动控制器进行设计,制定PLC自动控制器的总体结构,采用RS-485串行通讯口和EEPROM数据存储器对电源模块、LED显示模块、报警模块、通讯模块、信号采集模块及存储器模块等硬件设备进行细节改进;对控制器软件部分的自动控制功能主程序和中断、LED显示功能子程序进行重新编程,实现控制器自动控制效果的优化,完成旋转机械电动振动台PLC自动控制器的设计。实验结果表明,改进设计的控制器有效提高了旋转机械电动振动台的抗干扰能力,缩短了电动振动台的启动时间,延长了电动振动台的使用寿命。     

旋转机械状态监测与故障诊断软件数采模块开发

针对旋转机械振动信号的特点,使用Visual Basic语言开发一个基于DAQ-2213数据采集卡的振动信号采集模块;该模块运用采集卡提供的功能函数实现振动信号和转速信号的采集,在振动信号采集中,使用双缓冲区采集的办法来获得连续的数据,使用转速信号触发的外部数字触发模式实现了对振动信号数据的整周期采集,在转速测量中,使用采集卡上两个独立计数器串联的方法实现单转子低起步转速的转速测量,最小测量转速为100rpm.设计一个操作简单、内容简明友好的人机交互数采界面用来设置采集参数并显示所采集的振动信号波形和转速值,所开发的采集模块具有高精度、高采样率、多通道整周期采集的优点,达到了预期目标,具有一定的工程应用价值.     

小波分析在旋转机械故障诊断中的应用

通过对相关理论的分析证实了旋转机械的故障振动信号基本上是一个复合信号。该复合信号包含多个信号分量，每个信号分量都具有一个单一的频率，每个单一频率都是由旋转机械的旋转频率决定的。如果知道旋转机械的旋转频率，就可以知道这些单一频率。通过对小波理论的分析，证明了在一定的情况下小波分解的频率范围由离散信号的采样频率决定。结合以上理论，提出了一种新的信号检测和分析方法。     

旋转机械的混合智能故障诊断技术

首先在介绍旋转机械故障振动信号的时域、频域和时频域分析的基础上,简单介绍了单一智能故障诊断技术,其次详细介绍了混合智能故障诊断技术的一些典型应用,最后指出了智能故障诊断领域中有待进一步研究的若干问题和发展趋势.     

融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状。提出一种融合优化的PSO-RVMD (Particle swarm optimization-Relevant Variational Mode Decomposition)与SAE (Stacked AutoEncoder)的旋转机械早期故障分类方法。智能分类方法主要有信号增强与智能分类两阶段组成。首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强。最后,将增强的早期微弱信号输入到SAE模型中进行训练。利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类。通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。     

基于谐波小波包的旋转机械故障诊断新方法

针对旋转机械的故障振动信号通常为复杂的动态非平稳信号,提出一种基于谐波小波包和Elman神经网络的故障诊断新方法。应用谐波小波包对信号进行分解,提取倍频能量特征向量,代入Elman神经网络,实现故障分类。通过试验分析及与BP网络的诊断结果对比,表明该方法在旋转机械的故障诊断方面具有显著优势。