灰色模型GM(1,1)在带式输送机轴承劣化趋势预测中的应用

在工程应用中识别轴承故障已经不能满足设备维护策略制定的需求,利用振动信号对轴承的劣化趋势进行预测,对轴承全寿命周期各阶段的峰值指标、歪度指标、峭度指标、均方根等时域指标变化趋势进行分析,将峰值指标作为反映带式输送机轴承健康状态的退化特征量,形成退化特征序列。利用退化特征量建立灰色预测模型,预测轴承劣化趋势的变化。通过工程应用进行验证,结果表明,灰色模型可以有效地预测轴承劣化趋势,具有工程实用价值。     

滚动轴承性能退化及剩余寿命预测方法研究

现行滚动轴承健康状态监测管理系统存在着无法提前预知故障时间的问题。对轴承健康指标进行了探讨,提出了一种基于振动加速度的轴承健康指标构建方法,分别使用非线性最小二乘法和贝叶斯方法对轴承的模型参数进行了求解,并对其剩余寿命进行了预测。结果表明:提出的滚动轴承健康指标构建的新方法为轴承性能退化阈值设置提供了便利,相比于非线性最小二乘法,贝叶斯方法则不需要太多数据且模型准确度较高。     

基于TESPAR和LS-SVM算法的滚动轴承退化趋势预测

在分析了滚动轴承退化趋势预测是实现滚动轴承预防维护关键的基础上,提出了基于时间编码信号处理与识别(TESPAR)和最小二乘支持向量机(LS-SVM)相结合的滚动轴承性能退化趋势预测新方法。将通过TESPAR提取的性能退化特征集输入到LS-SVM中完成了滚动轴承的性能退化趋势预测,最后通过实例验证了所提出方法的有效性。     

基于小波包的轴承信号降噪和特征提取的研究

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。     

利用矿山固体废弃物(粉煤灰、淤泥及污泥) 改良矿山退化土地及种植实验

目前,我国有18.2万个矿山,有大约400万hm2的退化土地,每年增加33万hm2.现仅有10%的退化土地被复垦,严重的环境问题影响矿山城市经济可持续发展.矿山城市周围有大量淤泥、粉煤灰和污泥的堆积,这些固体废弃物含有丰富的养分和良好的物理性质.根据当地退化土地特征,将废弃物合理配比,把山东新汶矿区华峰煤矿实验区的退化土地,改良成了优质土壤,并进行了种植实验.     

基于KPCA-BP网络模型的滚动轴承故障诊断方法研究

针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号,利用小波包提取能量特征值,同时提取轴承的时-频域特征量组成原始特征空间,利用核主元分析方法对原始特征空间降维,提取主元特征量输入到BP神经网络中进行故障模式识别。试验结果表明,KPCA-BP网络模型的性能优于未筛选-BP网络,具有更好的诊断效果和抗干扰能力。     

轴承振动信号特征提取及故障诊断研究

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。     

神东矿区退化湿地土壤水分特征

神东矿区煤炭开采带来了一系列生态环境问题,位于矿区的沙漠湿地对于生态环境变化的响应尤为敏感,为确定湿地退化过程中土壤持水性质的响应特征,本文以毛乌素沙漠不同程度退化湿地为对象,研究了退化湿地土壤水分特征曲线的剖面分布特征,研究结果为了解湿地退化过程及防治提供了理论依据。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

滚动轴承故障振动信号的分析方法研究

针对滚动轴承故障信号具有非平稳、非高斯的特点,提出了将时域分析与小波分析相结合的方法对滚动轴承进行故障诊断。在研究不同信号分析方法理论的基础上,以滚动轴承外圈故障振动信号为例,采用多种信号处理方法进行了分析。结果表明,各种分析方法在分析轴承故障时的特点各不相同,在实际使用中,可将时域分析与小波分析综合使用,实现轴承状态的实时监测与故障的准确定位。     

时频和双谱分析方法在轴承故障诊断中的应用

提出了基于时频和双谱分析的滚动轴承诊断的方法。利用伪Wigner-ville分布和双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明,伪Wigner-ville分布和双谱分析方法可以敏感地监测滚动轴承工作状态,并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于频谱分离与小波包分析相结合的滚动轴承故障诊断

针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后信号的功率谱,从而从功率谱中识别出滚动轴承的故障特征频率,达到滚动轴承故障诊断的目的,并结合实验数据对该方法进行验证,结果证明了该方法的有效性。     

含水状态对红层软岩力学特性影响机理

饱水状态下,红层软岩力学特性的劣化直接影响相关工程的变形稳定。考虑干燥、自然和饱水3种状态,对红层软岩抗压和抗拉强度特性、变形破坏特征及微观结构特征进行了比较系统的试验和检测分析。研究表明:①饱水状态下红层软岩的软化特征明显,破坏时的延性特征更加明显,不同围压下岩样的抗压强度软化系数为0.36~0.65,相对于干燥状态,弹性模量和变形模量逐渐降低分别降低了35.60%~75.53%,44.57%~69.64%,而且围压越小,抗压强度和模量降低趋势越明显;②相对干燥状态,饱水状态下岩样的黏聚力、内摩擦角分别下降了47.77%和12.68%,岩样的黏聚力对含水状态更为敏感;③饱水状态下岩样抗拉强度软化系数为0.40,加载线附近局部破坏特征明显;④岩样内部矿物颗粒间泥质胶结物的溶解破坏,伊利石、蒙脱石等黏土矿物吸水膨胀、分解,使得岩体结构由相对密实状态逐渐变得多孔、松散,而且孔隙多被水充填,这些微观结构的改变直接导致了红层软岩力学性质的劣化。     

基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法

为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀疏编码中,提出一种有监督稀疏编码（Supervised Sparse Coding,SSC）方法,建立基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和SSC的振动信号特征提取和故障状态精细分类模型。首先,通过HHT获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析,使用HHT-SSC-SVM模型,驱动端轴承故障状态识别率为99.5%,风扇端轴承故障状态识别率为98.25%,与文中其他模型相比,在故障状态识别率上有所提高,并且表现出来较强的适应能力。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明：与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

基于稀疏表示的采煤机摇臂轴承故障诊断方法研究

为了有效地对采煤机摇臂轴承进行状态监控和故障分析,对稀疏分解方法字典的选取进行了深入研究。首先对稀疏表示常用分析字典进行分析,并结合采煤机摇臂滚动轴承故障机理及信号特征,选取符合单边衰减冲击响应的Laplace小波作为基原子,构造一种Laplace小波字典;通过加噪信号仿真分析,验证了基于Laplace小波字典稀疏表示方法的有效性;最后通过实验验证,将该方法应用于采煤机摇臂轴承故障诊断中,能有效提取滚动轴承故障特征。结果表明,该稀疏编码的方法在采煤机摇臂滚动轴承故障诊断方面具有良好的实用性。