形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

谐波小波解调法在齿轮箱故障诊断中的应用

在研究谐波小波频段分解与Hilbert解调分析的基础上,提出了基于谐波小波包变换的解调分析法,并详述了其具体实现过程.该方法根据齿轮箱频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量,并在此基础上选择谐波小波包分解层数与所需提取的频带带宽;通过傅里叶变换及其反变换提取出相应的特征啮合分量,然后借助Hilbert算子对提取出的啮合分量进行包络解调分析.采用这种方法对存在磨损及点蚀故障的齿轮箱振动信号进行了分析,结果表明,基于谐波小波包的包络解调法具有精确提取任意频段调制信息的能力,能够为齿轮箱故障源的准确定位及故障程度提供可靠的判断依据.     

基于灰度击中击不中变换的故障特征提取方法

提出了一种应用灰度击中击不中变换提取故障特征的方法.从待分析信号中指定若干个目标波形,由此计算得出击中击不中结构元素对,在每个采样点位置进行模式匹配,具有故障特征的波形段将具有较高的输出.应用于制氧厂驱动电机的碰摩信号和转子试验台的冲击信号,成功提取出削波特征和冲击特征.该方法与人工分析信号的思路接近,算法容易理解,可以作为从时域波形直接提取故障特征的一种有效方法.     

改进的谱相关分析方法及其在故障诊断中的应用

提出一种基于峭度能量的谱相关分析方法.它利用每个循环频率切片的峭度值来衡量该循环频率的调制能力,并以此作为加权因子进行循环频率的能量累积,最终实现故障特征的有效提取.相对于传统的谱相关分析方法,本文方法降低了信号中多倍频谐波对故障特征频率的干扰,能更清晰准确地提取出故障频率特征.利用传统的谱相关分析方法、本文方法和共振解调三种方法对仿真信号、低速重载试验台的滚动轴承外圈故障信号进行分析,证明了本文方法的有效性.     

基于图像特征提取的在役管线故障缺陷的分类

分析了在役管线母材及焊缝的故障缺陷的主要类型及形成原因,并根据其在X射线底片上的显图的特点,确定了在役管线母材及焊缝的故障缺陷所提取的特征参数的类别,并对其提取算法进行介绍,为智能分类识别在役管线故障缺陷X射线检测图像奠定了基础.     

改进希尔伯特黄变换理论在配电网故障选线中的应用与研究

将一种新的非线性、非平稳信号处理方法-改进HHT(Hilbert-Huang Transform)方法应用于配电网故障选线中.改进HHT方法可以从非平稳的故障信号中准确地提取丰富的系统故障暂态信息.通过对故障后各线路零序电流特征分析,进而利用HHT提取零序电流高频分量幅值、频率和相位等信息,比较幅值和相位实现正确选线.理论分析和大量的ATP仿真结果表明:基于改进HHT的选线方法可以准确、可靠地实现中性点经消弧线圈接地配电网单相接地故障选线.     

倒频谱分析在高速线材精轧传动箱故障诊断中的应用

倒频谱分析是故障诊断的一种有效手段,常用于从复杂的信号中提取周期信号.简要介绍了倒频谱的分析原理及特点,通过对现场工况的分析,运用时域、频域分析方法对高线精轧传动箱轴承故障进行诊断,并采用倒频谱方法从复杂谱线中提取出周期信号,对轴承故障做出判断,分析诊断结果与实际结果一致,验证倒频谱分析可提高轴承故障的准确性.     

解调技术在电机故障诊断中的应用研究

文章在分析和总结电机常见故障特点及其在振动或电流频谱上出现的故障特征的基础上,针对故障电机的调制信号特点,使用信号解调技术对采集的信号进行幅值解调,提取故障特征进行诊断.并通过实例验证了该方法在电机故障诊断中的正确性.     

基于特征波形稀疏匹配的滚动轴承故障模式识别

提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法.该方法通过自行设计的搜索算法从信号中提取多段特征波形,并对其进行学习优化,以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式匹配库上进行一阶匹配分析,实现轴承故障的模式识别.对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验,验证了方法的有效性和鲁棒性.     

基于ELMD分解和MED的齿轮箱故障诊断分析

针对齿轮早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征微弱难以提取的问题,利用总体局部均值分解对齿轮故障振动信号进行分解得到有限个单分量的乘积函数,从而凸显信号的局部特性。但由于噪声的干扰,从各分量的频谱中很难提取故障特征频率信息。文章基于此提出总体局部均值分解和最小熵反褶积的故障诊断方法。通过对齿轮故障仿真实验和工程案列分析,能够准确、有效地提取齿轮故障特征信息,为实际工程应用提供了一种新方法。     

真空精炼系统故障诊断的模糊聚类分析

大型真空冶金系统 (DVMS)的故障点多、故障现象与故障原因间对应关系复杂 ,很难从抽气机理上来精确地进行故障诊断。DVMS工艺要求能对该设备进行快速、准确的故障诊断。为此 ,介绍了一种基于模糊聚类算法的智能诊断模型。该模型具有很强的自学习、自组织能力 ,适用于大型复杂真空系统的故障诊断。以RH KTB真空冶金系统的智能故障诊断为例 ,给出了真空冶金系统模糊故障诊断的实际过程。通过分析证实了该算法对大型复杂真空冶金系统智能故障诊断的有效性     

矫直机的自动故障预报技术

由于人们无法充分理解生产设备的行为特性,缺乏有效的预测模型来监测设备劣化的变化趋势,这成为解决故障预报问题的主要障碍。将采用k均值聚类和支持向量机预测方法,实现了对矫直机轧制力状态趋势的预测和故障预报.     

高线轧机典型故障的时频特征分析

针对高速线材轧机传动零部件的突发故障，开展基于振动测试的故障诊断研究可以有效加以避免。结合设备的结构特点，根据离／在线监测系统采集的振动信息，采用时频分析法可以有效捕获其中的故障特征。结果表明，各种时频分析方法对零部件类型的敏感程度有所差异。其中，高阶的时域指标是识别轴承类故障的有效手段，而转轴类故障的识别和判断相对复杂一些。     

异步电动机微机保护装置的设计与实现

长期以来 ,电动机的故障诊断与保护一直是学术界和工程界研究的热点和难点问题。本文采用80C196单片机技术及对称分量分析理论 ,设计实现了一种新型的电动机综合保护装置。与传统的保护装置相比 ,本装置将故障诊断技术应用于保护装置中 ,并最终实现了集测量、诊断、保护、控制和通信功能于一体的异步电动机终端监控单元。     

基于BP神经网络的冷轧薄板生产线故障诊断系统研究

针对某钢厂冷轧薄板生产线电气传动故障类型多,传统故障诊断方法难以实现故障分离等情况,提出了一种基于BP神经网络的故障诊断方法,通过对各个传感器输出信号的分析可以获得故障特征量,将其输入神经网络后,由网络输出层的结点输出可以判断故障类型,从而实现故障诊断.     

高线轧机机械传动系统典型故障解析

高速线材轧机由于转速较高,其机械传动系统易出现突发故障。由于该类齿轮箱的结构特点及故障类型的差异性,采用时域分析和频谱分析的适应性有所差异。通过实测数据的分析表明,轴承类故障对于高阶的时域分析指标异常敏感,而在常见的齿轮箱故障中,转轴类零部件故障的识别和判断难度相对较高。     

基于自适应滑模的多螺旋桨浮空器容错控制

针对多螺旋桨浮空器执行机构易发生故障的容错控制问题,同时考虑系统所受到的未知外部扰动和螺旋桨输入幅值的饱和约束,提出一种自适应滑模容错控制方法。建立浮空器的四自由度运动模型,系统分析矢量螺旋桨的故障类型,分为输出力的大小故障和矢量转角故障,得到浮空器执行机构的故障模型。基于自适应和滑模控制理论,由跟踪目标与系统当前状态偏差设计积分滑模面。针对未知外部扰动和执行机构偏移故障,设计相应的自适应律进行处理;针对螺旋桨输入饱和约束,应用Sigmoid函数设计跟踪轨迹进行处理。由此设计一种自适应滑模容错控制策略,利用Lyapunov稳定性理论证明了闭环系统的全局渐近稳定性能。以上海交通大学的多螺旋桨浮空器为模型,仿真验证了故障容错控制方法的有效性和鲁棒性。      

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.     

时域分析的多数据融合故障诊断方法

介绍了时域分析中的有纲量参数和无纲量参数,构建了多数据融合故障诊断系统。系统包含数据级、特征级和决策级融合诊断模块,并行BP神经网络作为特征级诊断模块,既克服了BP网络的缺点,又解决了D—S证据理论难以获得BPA的弊端。对液压泵进行应用试验,结果表明,该诊断系统充分利用了多数据的冗余信息,提高了诊断的可靠性和准确性。     

声信号分析方法在轴承故障诊断中的应用

由于轴承故障声信号的混响及临近的机械设备的噪声,造成声信号的频域分析很困难．通过小波变换原理,对滚动轴承故障声信号进行时频分析．通过对声信号的多尺度分解,分离出由故障造成的声信号突变．实验结果表明,较之以往的时域、频域信号处理技术,该方法对声音信号分解更趋合理,是一种可靠和有效的滚动轴承故障诊断新方法．