基于最大小波奇异谱的轴承故障诊断方法

研究小波奇异谱在轴承故障诊断中的应用问题,针对小波奇异谱熵无法有效实现故障诊断的不足,提出以最大小波奇异谱为特征的轴承故障诊断方法。该方法利用小波变换后的系数矩阵的最大奇异值作为故障诊断特征,并将试验结果与以小波奇异谱熵为特征的方法进行比较。结果表明,该方法在识别性能上有显著提高。试验从小波基、窗口宽度两个层面对该方法的诊断性能进行了分析,证明该方法具有较强的稳定性和鲁棒性。     

基于谱熵的齿轮故障诊断方法研究

齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。     

应用多参量和高斯过程分类的故障诊断方法

由于齿轮箱振动信号的非平稳非线性等问题加大了故障诊断的难度,本文提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)、样本熵(SE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选和重构,再利用多尺度排列熵对筛选出的模态分量进行特征提取,同时对重构后的信号提取其样本熵作为特征值;最后将提取出的多种故障特征融合输入到高斯过程分类器中进行实验验证,实验结果表明该方法提取齿轮箱振动信号的故障特征是有效的,高斯过程分类能快速准确地分辨出故障结果。     

最大熵谱法在齿轮故障诊断中的应用

本文对最大熵谱法用于齿轮的振动诊断的谱分析作了研究，与频谱分析进行比较，证明用于齿轮振动诊断是有效的。     

经验模态分解结合功率谱方法在轴承故障诊断中的应用

经验模态分解(EMD)方法具有自适应性特点,适用于非平稳、非线性信号的处理。针对轴承故障信号微弱及非平稳的特点,提出了基于经验模态分解结合功率谱的方法来提取轴承故障信号。试验研究中利用电火花加工方法分别在两个轴承上的外圈及滚动体上加工出凹坑,模拟早期剥落故障,并在试验台上获取振动信号。采用传统傅里叶变换方法分别对这些信号进行处理,不能得到有用信息,而采用EMD结合功率谱的方法能有效提取出试验轴承的外圈及滚动体特征频率。对比结果表明了经验模态分解结合功率谱方法对轴承早期故障诊断的有效性。     

旋转机械故障诊断的研究现状及发展前景

旋转机械长期在重载、高温、高速等恶劣复杂条件下工作,故障事故频发,因此旋转机械故障诊断在机械工程中有着重要的应用.笔者结合实践应用情况,通过大量文献分析,对旋转机械故障诊断技术进行了总结和归纳,分析展示了旋转机械故障诊断的研究现状,从谱峭度、排列熵、深度学习和稀疏表示法四个方面详细阐述了研究热点,最后对该技术的发展前景...     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

DFT方法处理科氏流量计信号中关键技术的研究

本文采用基于傅立叶变换的频谱分析方法,计算了流量信号的频率和相位差。介绍科氏流一计信号处理中测量初始化和频率跟踪等几个关键技术。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

浅析数控机床的故障分类及诊断方法

本文按照数控机床的故障性质、故障的部位、故障发生后有无报警显示和故障发生的频率进行的分类，列出了九种诊断方法，希望能给数控机床的同仁有所借鉴。     

短时AR谱分析及在内燃机故障诊断中的应用

针对利用传统短时Fourier变换(STFT)进行时频分析时不可能同时得到任意高时域分辨率和频域分辨率的问题,提出对传统的短时Fourier变换进行改进,在短时Fourier变换的计算中,利用自回归(AR)谱估计代替离散Fourier变换(DFT),得到了一种基于AR谱估计的短时AR谱分析方法。应用该方法对内燃机气阀机构的故障进行了分析,结果表明短时AR谱分析的估计性能大大改善,能够较好地给出信号的时频分布表示。     

火电机组信息融合故障诊断方法及其发展

简要叙述了火力发电机组信息融合故障诊断技术的发展情况,介绍了信息融合的基本概念,总结了在火电机组融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,重点提到了一种新的信息融合定量诊断方法——信息熵,并预测了火电机组融合诊断今后的发展方向     

故障诊断中多传感器信息冗余性的研究

从信息论的观点出发,导出了传感器信息融合中的宙余性和互补性的定量描述,分析了传感器冗余性和互补性的特点,并从实际应用出发提出了信息冗余性的质量指标－－相关熵的概念,用它来间接评价传感器信息间的冗余性取得了较好的效果。这为设备运行故障诊断技术的深入研究打下了基础,具有工程应用价值。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

小波范数熵特征提取的模拟电路故障诊断方法

提出一种遗传优化神经网络与小波范数熵相结合的新型模拟电路故障诊断方法,降低神经网络的结构冗余度和减少过拟合现象。小波范数熵方法提取了故障数据的本质特征,遗传算法优化了神经网络的体系结构,诊断系统实施了模拟数据的故障分类。仿真结果表明,同小波变换预处理的故障诊断系统相比较,这种诊断系统具有更好的网络收敛性能、更高的诊断精确度和更强的推广能力,能对模拟电路故障元件进行有效识别和分类。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

大规模模拟电路故障诊断方法研究

根据模拟电路故障诊断网络撕裂法和交叉撕裂法的准则,基于BP神经网络提出了一种实用的大规模模拟电路故障诊断方法。该方法能快速有效地进行故障定位,具有测前工作量小、工程实践性强等优点。     

基于小波相关排列熵的轴承早期故障诊断技术

针对机械系统早期故障诊断困难的问题,引入滤波效果良好的小波相关滤波法(Wavelet transform correlation filter,WTCF)和对信号微弱变化特征敏感的排列熵算法,定义一种新的小波相关排列熵(Wavelet correlation permutation entropy,WCPE)的概念,并提出基于WCPE的特征提取方法。对采集到的设备振动信号进行WTCF处理,得到信噪比较高的各层小波系数,在此基础上计算小波系数的排列熵复杂度,构造信号沿各小波分解层分布的WCPE特征矢量,并据此分析振动信号的微弱变化。通过对滚动轴承全寿命振动数据的分析,证明基于WCPE提取的信号特征不但能够准确表征轴承由正常状态到故障状态的详细变化过程,还能及时检测出轴承的早期故障。对比小波熵及小波相关特征尺度熵等其他早期故障诊断方法,该方法可显著提前滚动轴承早期故障的检出时间。     

面向空间太阳能电站的模块机器人网络故障诊断算法

介绍了面向空间太阳能电站的模块机器人M-lattice的网络拓扑结构,提出一种用于该机器人网络的位置坐标定义规则,分析了该机器人系统可能出现的故障特点。结合机器人网络的拓扑结构和机器人可能出现的故障,设计了一种针对M-lattice模块机器人的故障诊断算法,目的是让控制机器人的上位机能够对模块机器人网络的运行状况进行有效的监控。通过仿真计算验证了该算法的有效性。