支持向量机在发动机缸壁间隙识别中的应用

发动机工作时缸壁表面的振动信号反应了发动机性能,利用区间小波包分解和最小二乘向量机相结合的方法对发动机缸壁表面的振动信号进行分析,随机抽取部分小波包提取的振动信号的特征向量作为训练样本建立分类器,部分特征向量作为测试样本,利用分类器识别测试样本,通过设置不同的参数寻找最优分类结果,取得了较高的测试精度,用支持向量机判别发动机的缸壁间隙具有一定的工程意义.     

基于平行因子分析的振动信号盲分离方法研究

发动机缸盖振动信号为卷积混合信号,为消除延时滤波的干扰,提出了平行因子分析和快速独立成分分析结合的盲源分离方法,并对振动仿真信号与缸盖振动信号进行分析,结果表明:消除干扰后,分离得到的信号有更高的信噪比。利用分离信号的奇异值特征向量动态聚类对发动机进行故障诊断,应用实例表明:消除延时滤波影响后,发动机故障诊断精度提高47.17%。     

基于小波理论变换和神经网络的柴油机故障诊断方法的研究

提出一种基于小波理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波分析,提取相应特征向量,然后将振动样本的特征向量作为RBF神经网络的输入参数,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况。试验及仿真证明该方法在柴油机振动诊断中是有效可行的,对其它复杂机械的振动诊断同样具有参考价值。     

HHT与RBF神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了一种Hilbert-Huang变换(HHT)和径向基(RBF)神经网络相结合的离心泵振动信号故障诊断新方法。首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以“能量比”为元素,利用能量比构造离心泵振动信号的特征向量可以很好刻画不同振动故障信息;应用RBF神经网络建立了从特征向量到故障模式之间的映射实现故障的诊断,对于离心泵的正常状态、质量不平衡、转子不对中和基础松动故障具有很高的诊断率。实验研究结果表明,该方法可以有效地对离心泵振动信号进行诊断。     

基于神经网络信息融合的发动机失火故障诊断

对发动机气缸失火故障进行实车模拟试验,测量了发动机的机体振动信号及瞬时转速信号,并对其进行了时、频域分析.通过小波分析方法提取了振动信号能量特征,通过复杂度分析方法提取了转速信号的复杂度特征用于故障诊断.根据多传感器信息融合理论,建立了集成神经网络信息融合模型对气缸失火故障进行了诊断.结果表明,发动机机体振动能量特征和转速复杂度特征能够反映气缸失火现象,基于发动机振动和转速信息融合进行气缸失火故障诊断,诊断可靠性较高.     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波变换对氢发动机异常燃烧的研究

利用缸内压力研究氢发动机的异常燃烧.分别对氢发动机正常燃烧和早燃压力信号进行了小波变换,通过分析比较其频带分布特点,计算出不同尺度上小波能量,以此作为基础构造特征向量,进行异常燃烧诊断,结果表明小波变换可以有效地诊断氢发动机的异常燃烧现象.     

基于振动信号分析的发动机气门间隙异常诊断

通过对发动机振动信号基本特性的分析,确定了发动机振动的主要激励源和传播途径。并采用时域,频域的分析方法对故障特征信号进行分析,从而得到气门间隙异常状态的信息。在此基础上,提出了一种简单有效的诊断方法。     

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...     

运用非线性动力系统理论进行船舶柴油机故障诊断

针对柴油机表面振动非稳态与多激励性的特点,从非线性动力系统理论角度进行信号的分析与处理。运用小波模量最大值对气缸盖螺栓表面的振动信号消噪,计算气门不同状态时的多重分形维数谱,定义故障特征向量,从而识别不同的故障。结果表明,这种方法对气门故障诊断是极为有效的。     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于小波改进阈值消噪的缸盖振动信号分析

提出了一种改进的小波阈值新方法对内燃机缸盖振动信号进行消噪,进而实现特征向量的提取。试验表明采用改进小波阈值方法能有效地消除信号中噪声的干扰,提高信号的信噪比。用小波包提取消噪后信号的能量作为特征向量,来表征内燃机故障特征,可为神经网络的自适应故障诊断提供新的故障样本。     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

基于小波分析的柴油机故障信号特征的提取

本文提出了一种新的柴油机表面振动信号的故障特征的提取方法，利用柴油机表面振动信号经过小波降噪处理，有效地剔除柴油机表面振动信号的噪声干扰，提高信号的信噪比。用小波包提取降噪后振动信号的能量特征参数。以表征柴油机故障特征，建立起能量到柴油机故障的映射关系。实际研究表明这一特征提取方法是有效的。     

基于改进小波包的风电机组齿轮箱复合故障特征提取研究

针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明：运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。     

基于LabVIEW的风力机振动数据采集和信号分析

利用NI公司的硬件设备和LabVIEW虚拟仪器开发平台构建风力发电机组振动数据采集与信号分析系统。该系统具有以下显著特点:①小波降噪功能模块是利用LabVIEW高级小波分析工具包编程,能更好地还原真实信号;②倒频谱分析功能模块谱线定位准确、幅值突出,能较好地识别频域调制信号的边频成分;③小波包络功能模块通过小波变换得到原始振动信号在不同频率段内的振动特性,并用小波变换来代替带通滤波器的设计,与倒频谱分析的结果对比,可体现小波包络解调的优越性。     

柴油机气缸盖振动信号特征提取方法的研究

研究了基于短时AR分析、小波多分辨率分析和小波包分析的故障特征提取和识别方法,分析了柴油机气缸盖振动信号特征提取方法。得出了两条重要结论:基于短时AR分析的柴油机气缸盖振动信号整循环特征提取方法特别适合于短序列数据的分析;利用小波多分辨率分析和小波包分析以及Kllback-Leibler信息量最小,对柴油机表面振动信号进行分解与分析,确定各故障状态的特征频带,进而可用频带的时间序列的时序模型作为特征矢量,实现对柴油机运行状态故障的诊断。