基于EMD和BP神经网络的大功率柴油机故障诊断

研究了将经验模式分解(EMD)和BP神经网络2种方法诊断大功率柴油机的振动故障信号。首先运用经验模式的分解方法对柴油机缸盖表面的振动信号进行分解并来提取特征参数;最后通过建立了BP神经网络模型对柴油机典型故障进行诊断。通过对150-12缸柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

基于LabVIEW的发电机组振动与噪声监测系统设计

振动信号分析是发电机组故障诊断中常采用的方法,而大多数监测系统是基于对振动的分析来诊断故障。采用振动和噪声相结合的方法进行故障诊断,使得对故障的诊断更全面。利用LabVIEW虚拟仪器平台对振动实时监测以及故障诊断分析,通过DSP完成对系统各个状态信号实时采集,采用串行通信方式实现上下位机之间的通信。     

基于振动分析的矿用通风机故障预警技术研究

分析了矿用通风机的典型故障及特征,讨论了振动分析的常用方法和基本规范,提出了一种基于振动分析的矿用通风机故障预警方法。以MCM-100高精度振动信号采集分析平台配合宽范围、高灵敏加速度传感器,在线动态采集通风机振动信号,采用频谱分析+强度判定的故障识别策略解决通风机故障诊断的问题。实验结果表明,该方法具有信号采集精度高、故障识别算法简单、可靠等特点,为矿用通风机故障监测与预警提供了有效的技术解决方案。     

基于Hilbert解包络及倒频谱分析的齿轮箱断齿故障诊断研究

由于传统的时域分析和傅里叶变换无法有效地提取故障特征,采用Hilbert解包络对具有调制现象和冲击现象的齿轮故障信号进行解调分析,同时运用倒频谱分析方法对齿轮箱振动异常信号进行提取和分离,获取了异常振动产生的周期性故障信号。结果表明倒频谱分析与Hilbert解包络分析相结合是齿轮箱故障检测的一种有效的诊断方法。     

基于FM~mlet变换与非负矩阵分解的轴承故障诊断

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的问题,提出一种基于FM~mlet变换与非负矩阵分解算法(NMF)的轴承故障诊断方法。采用FM~mlet变换对轴承振动信号进行时频分析,能较好匹配信号的线性和非线性时变成分。在此基础上,引入非负矩阵分解计算特征参数,实现了轴承振动谱图像的自动诊断。将该方法应用于轴承4种典型工况的故障诊断实例中,结果证明了方法的有效性。     

基于小波神经网络的采煤机摇臂故障诊断的研究

针对采煤机机械系统故障信号诊断的问题,在小波分析和神经网络的基础上,采用了一种基于小波神经网络诊断采煤机摇臂故障的方法。根据摇臂振动的信号通过小波分析检测出信号奇异点和突变情况,利用小波基函数作为小波神经网络的激励函数对故障信号做进一步的诊断,判断出故障特点和程度。结果证明此方法在故障诊断中的诊断准确率较高。     

煤矿通风机轴承振动故障诊断技术的研究及应用

介绍了基于共振解调技术的滚动轴承故障诊断原理及方法,并研究了煤矿通风机典型故障的轴承特性振动频率。通过采集振动信号和频谱分析,有效、可靠地诊断出某矿通风机轴承的故障、类型和部位,及早发现了故障,避免了事故进一步恶化的危险。案例分析证明了共振解调技术在滚动轴承故障诊断中的可行性。     

尺度自适应提升小波变换在煤矿电机轴承故障诊断中应用

针对煤矿关键设备中滚动轴承容易被损伤的机械故障诊断问题,通过分析在重载/变载荷等条件下的故障机理和煤矿电机设备轴承微弱故障的信号特征,直接构造匹配信号的尺度自适应提升小波变换,对振动信号进行更加精细的分析,实现了煤矿电机轴承故障的在线监测与故障智能诊断。     

尺度自适应提升小波变换在煤矿电机轴承故障诊断中应用

针对煤矿关键设备中滚动轴承容易被损伤的机械故障诊断问题,通过分析在重载/变载荷等条件下的故障机理和煤矿电机设备轴承微弱故障的信号特征,直接构造匹配信号的尺度自适应提升小波变换,对振动信号进行更加精细的分析,实现了煤矿电机轴承故障的在线监测与故障智能诊断。     

矿用电驱动装置振动时频特性研究

介绍了振动信号时频分析方法,分析了矿用电驱动装置故障诊断的难点,构建了电驱动装置振动测试系统,拾取了电驱动装置振动加速度信号。应用小波阈值去噪方法,滤除了振动信号噪声,评价了去噪效果。利用小波时频分析技术,获得了电驱动装置振动时频图,分析了电驱动装置振动时频特性,计算了振动故障特征频率,诊断了电驱动装置故障并进行了结构改进,测试验证了改进效果。为矿用电驱动装置可靠性提升奠定了基础。     

基于电涡流传感器及虚拟仪器的旋转机械碰摩故障特征研究

针对旋转机械碰摩故障的特征,运用电涡流传感器和虚拟仪器采集转子碰摩振动状态信息,对转子碰摩振动信号的时域波形特征、碰摩振动时的轴心运动轨迹特征进行分析,同时应用LabVIEW软件对转子碰摩振动信号进行频谱分析,研究其故障特征,由此对旋转机械的碰摩故障进行识别和诊断。     

基于小波变换的颚式破碎机偏心轴振动信号分析

简要介绍了小波分析和离散小波变换 ;用作者设计的Matlab振动信号分析处理程序Vbanaly sis,对偏心轴每一个测试点不同方向上的振动实验数据进行分离 ,通过小波变换及多分辨分析 ,对低矮颚式破碎机的偏心轴、整机等振动进行了分析 ;同时指出 ,破碎机振动分析对破碎机的故障诊断和实时监控具有非常重要的现实意义。     

基于谱相关密度-连续HMM的滚动轴承故障诊断

滚动轴承故障振动信号是典型的调幅信号,而谱相关密度分析对调幅信号具有解调功能,它可以有效地提取出滚动轴承信号的故障特征,结合连续隐马尔可夫模型(Hidden Markov Model,HMM)所具有的强大时序模式分类能力,提出了基于谱相关密度-连续HMM的滚动轴承故障诊断方法。该方法首先利用谱相关密度函数在循环频率处进行切片分析,提取滚动轴承故障振动信号的特征,构成特征向量序列;然后将此序列输入到连续HMM中进行训练,得到各类对应故障的模型,最后利用训练好的模型进行滚动轴承的故障诊断。试验结果验证了该方法的可行性和有效性。     

基于振动检测的输送带纵向撕带监测系统

分析了现有的几种输送带纵向撕带的数字化监测方法,提出了振动检测方案,在输送带一侧增加激振信号,通过无线振动信号采集系统采集输送带另一侧的振动信号,通过相关分析去除信号噪声后,应用小波分析检测奇异点,准确判断发生纵向撕带故障的时刻点。介绍了振动检测方案的体系结构,采用无线数据采集装置,应用MatLab软件分析处理数据,使用数字化振动监测方案,有效提高了纵向撕带的故障检测率。     

基于Mallat算法的转子-轴承系统不对中故障辨识

介绍了Mallat算法,提出了将Mallat算法应用于多种混叠的振动信号的特征提取。建立了转子不对中模拟实验台,把采集到的支承振动信号进行Mallat分解和重构,重构后的信号能够有效地体现支承振动的细部特征,有效地提高信号的分辨率。结合实测的支承负荷和轴心轨迹很好地辨识了转子不对中故障。     

基于振动信号的柴油机气阀漏气故障诊断研究

分析了柴油机缸头振动机理,运用小波包对振动信号进行了分析和讨论,提取出相应的特征向量,然后将振动样本特征向量作为神经网络的输入参数,以故障类别作为输出参数,经过训练的神经网络可以利用测量的振动信号来判断柴油机气阀的故障状态。实例证明该方法有效可行。     

电动机故障的综合诊断

对电动机常见的断条故障、气隙偏心故障、轴承故障和转子不平衡故障,从机械和电气两方面进行诊断,介绍了它们的振动频谱特征和定子电流频谱特征。主要针对机械不平衡故障,对机械振动信号和定子电流信号进行了分析,探讨了电动机存在机械不平衡故障时,电流信号的频谱特征。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

机械故障振动信号特征分离和提取的信号处理方法

在机械故障的振动信号分析诊断中,故障特征信号的分离和提取是最重要和最关键的步骤之一。针对机械故障振动信号特征周期性和冲击衰减响应特点,论述了自适应滤波、时频滤波、自适应信号分解和信号盲分离等方法,并展望这些方法的发展方向。