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。     

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。     

贝叶斯推理网络在大型旋转机械故障诊断中的应用

本文简述了贝叶斯网络及网络传播的信念更新问题，并提出其在大型旋转机械故障诊断中的应用，建立了故障－－特征的贝叶斯网络，并分析了信念在网络中的传播与更新。     

RBF神经网络在旋转机械故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度.讨论了RBF神经网络在旋转_初械故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率.     

基于EKF训练的归一化RBF神经网络在旋转机械故障诊断中的应用

在径向基函数(Radial Basis Function,RBF)神经网络成熟的基础上,对旋转机械的转子系统进行故障诊断,针对梯度下降法容易产生梯度消失的问题,提出用扩展卡尔曼滤波器(Extended Kalman Filter,EKF)对权重进行调节训练,并将结果与反向传播(Back Propagation,BP)算法和梯度下降调节进行比较,用EKF训练的RBF神经网络不仅在性能上有优势,在精度和迭代速度上亦优于其他方法.相信在今后的实际应用中尤其在旋转机械故障诊断中可以更大地发挥其优势.     

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。     

旋转机械油膜轴承故障诊断的研究

为解决旋转机械油膜涡动故障较难诊断的问题,通过建立油膜涡动故障模型,利用实验室Bently转轴试验台设置油膜涡动故障状态,获得轴承在油膜涡动状态下的主要振动特征。结果显示,转轴轴心在油膜涡动时的时域波形变为原来的1/2,涡动频率大约为工作频率的1/2左右,转轴轴心转动半个周期。综合得出,试验结果与理论分析较为接近,为旋转机械油膜涡动故障诊断提供了一定的实践依据。     

基于AIC的RBF网络在旋转机械故障诊断中的应用

提出了一种适用于各类旋转机械的精度高、响应快的故障诊断方法。首先利用赤迟信息准则(AIC)确定RBF神经网络的隐含层节点数和中心,然后建立基于该神经网络的故障诊断模型,再利用旋转机械振动信号来分析并判定其运行状况。以柴油机连杆铜套磨损故障为例进行分析,实验及仿真结果表明:基于AIC的RBF网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单一故障的识别率为100%,对其他复杂旋转机械的振动诊断同样具有参考价值。     

旋转机械故障的双相干谱特征及其识别

提出了基于双谱分析的旋转机械故障诊断新方法。利用双相干谱函数提取机械振动信号中由故障引起的非线性相位耦合,并且加以分析。通过对几种典型的旋转机械故障分析表明,双相干谱不仅能敏感地监测故障的出现,而且可以有效地识别各种不同的故障模式。     

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．     

2D-HIDDEN MARKOV MODEL FEATURE EXTRACTION STRATEGY OF ROTATING MACHINERY FAULT DIAGNOSIS

A new feature extraction method based on 2D-hidden Markov model(HMM) is proposed. Meanwhile the time index and frequency index are introduced to represent the new features. The new feature extraction strategy is tested by the experimental data that collected from Bently rotor experiment system. The results show that this methodology is very effective to extract the feature of vibration signals in the rotor speed-up course and can be extended to other non-stationary signal analysis fields in the future.     

旋转机械局部故障力的模型诊断及瞬时故障力识别

针对旋转机械中出现的大量局部故障现象,采用基于模型的故障诊断方法提取剩余振动量,利用模态扩展推测转子系统各节点瞬态振动,针对模型诊断中等效力出现的发散情况,提出通过最小二乘法利用挠曲线确定单一周期和准周期故障发生位置.提出利用瞬时能量判别瞬时故障力大小的方法,从而诊断出系统中故障严重程度.实现了仅利用少量传感器即可对转子系统进行精确故障位置和故障力大小的诊断.对转子系统的碰摩故障进行数值仿真,并在转子试验台进行试验验证本方法的正确性.     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

粗糙集规则获取在旋转注水机组故障诊断中的应用

粗糙集理论能够有效地处理不精确、不完整的数据和知识,并从中发现隐含知识,提示潜在规律。提出一种基于粗糙集理论的大型旋转机械故障诊断和知识获取模型。该模型从包含冗余和不一致信息的原始数据出发, 构建决策表,通过属性约简和基于分明矩阵的属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库。基于该模型以某旋转注水机组故障分析为例,从来自实际的经验数据获取旋转注水机组转子故障诊断的规则知识,其属性约简率可达25％,并能有效解决旋转注水机组故障诊断中规则获取的知识冗余或缺失问题,验证了其有效性。     

用于旋转机械故障诊断的一种张量增强型前向神经网络模型

在多层前向神经网络模型的研究基础上，提出了基于张量的增强型前向神经网络诊断模型，以实现在已知输入模式不变的情况下，增强原始模式的表达，从而提高了诊断的精度。试验结果表明，本模型对工程应用具有较高的实用价值。     

FAULT DIAGNOSIS EXPERT SYSTEM FOR ROTATING MACHINERY BASED ON A FUZZY PROBABILITY LOGIC INFERENCE MODEL

ＦＡＵＬＴＤＩＡＧＮＯＳＩＳＥＸＰＥＲＴＳＹＳＴＥＭＦＯＲＲＯＴＡＴＩＮＧＭＡＣＨＩＮＥＲＹＢＡＳＥＤＯＮＡＦＵＺＺＹＰＲＯＢＡＢＩＬＩＴＹＬＯＧＩＣＩＮＦＥＲＥＮＣＥＭＯＤＥＬＸｉｏｎｇＧｕｏｌｉａｎｇ；ＺｕｏＨｕｉｊｉｎｇ（ＥａｓｔＣｈｉｎａＪｉ...     

基于遗传算法的旋转机械故障诊断方法融合

针对任何单一性质故障特征、单一诊断方法难以实现在整个故障状态空间上准确诊断的局限性,提出基于遗传算法的旋转机械融合诊断方法。该方法能有效利用各种不同性质故障特征和不同诊断方法,使其发挥各自的优点,从而提高诊断的准确率。针对不同特征利用遗传算法将神经网络诊断和人工免疫诊断方法融合起来,使每一个诊断方法都在其优势空间区域发挥作用,使用小波包能量特征和双谱特征对两种诊断方法训练后,用遗传算法优化诊断融合权值矩阵对旋转机械进行实例诊断结果表明,该融合诊断方法能有效地提高故障诊断的准确率,并能提高诊断系统的鲁棒性。     

基于神经网络的旋转机械故障诊断研究

一般对特定的基于多层感知的故障诊断问题,很难确定神经网络的结构,在分析了多层感知器对故障的识别和诊断能力后,采用由小到大和由大一小的方法确定神经网络隐层数与隐层单元数。