基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

基于希尔伯特黄在风力发电机组轴承故障诊断

针对风力发电机组轴承故障振动信号特性,该信号为非平稳信号。提出基于希尔伯特黄的对风力发电机组轴承故障的诊断方法。该方法是用经验模式分解方法将原始信号分解成包含不同特征时间尺度的本征模态函数,并对分解后得到的每一个本征模态函数分量进行希尔伯特变换,从而得出时频平面上的幅值分布的尔伯特谱,并通过其反映出来的物理信息对风力发电机组轴承做故障诊断分析。     

CEEMDAN辅助快速谱峭度的滚动轴承故障诊断方法

为解决集合经验模态(EEMD)存在分量重构误差大和提取的故障特征不明显问题,课题组提出一种自适应噪声完备集合经验模态分解(CEEMDAN)辅助快速谱峭度的故障诊断方法。首先采用CEEMDAN将故障信号分解为多个IMF分量,计算分量的谱峭度值,选择峭度和相关度最大的分量进行重构;然后通过快速谱峭度图确定最大共振频带,进行带通滤波分析,获得故障信息;最后采用某滚动轴承实验数据分别对内圈故障和外圈故障进行实验分析。结果表明：与原始故障信号相比,该方法获得的包络谱更清晰,故障频率更明显,内圈故障频率为162 Hz,外圈故障频率为107 Hz。该方法提取故障特征突出,可以得到有效的故障频带。     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题,课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD-DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲;然后利用CEEMD将去噪后信号分解为一系列固有模态函数,并依据相关系数原则选择最能表征故障的敏感分量,重构后进行DEO3S解调,依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明:所提方法解调信号的误差更小,提取轴承故障频率更精确。     

造纸机轴承故障诊断系统设计与实现

随着中国工业的发展,造纸工业的发展越来越发达。造纸机逐渐向连续性、大型化、自动化和智能化发展。而造纸机轴承是机械设备中重要组成部分,但在长期高速运转和大量工作的运转下,更容易造成轴承故障。因此对轴承进行故障监测和诊断系统,并进行系统设计,将共振解调器及共振解调技术融入到造纸机轴承故障诊断应用中,以实现高精度的造纸机轴承故障诊断。     

基于AR模型的大地电磁脉冲噪声压制

大地电磁资料中往往含有许多脉冲噪声,这些脉冲噪声中往往含有丰富的频率信息,干扰有用信号,甚至造成失真,因此有必要进行时域噪声压制,文章将AR(p)模型引入大地电磁测深资料,挑选脉冲噪声之前较好的一段时间序列,用来确定AR(p)模型的阶数及模型参数,通过用于实际资料处理,表明该方法用以压制脉冲噪声能提高资料质量。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于EMD的噪声互相关提取时域格林函数研究

本文在前人研究的基础上,基于简正波理论,给出了海洋环境噪声互相关函数(NCF)及时域格林函数(TDGF)的公式,分析了NCF与TDGF的相似性;基于青岛胶州湾航道附近采集的海洋环境噪声数据,分析相关的时空特性;提出了经验模态分解(EMD)与波束形成相结合的环境噪声互相关技术,提高了相关峰信噪比,成功提取了海表噪声场的直达垂直波至的时域到达结构,与理论上的时域到达结构相符;并进一步反演得到声速结果,与同步观测的声速测量结果十分吻合。     

开环AR模型及其在纺织工业中的应用

研究了一类多维时序模型，给出了参数估计，定阶，预报方法，并将这一模型应用于纺织生产中，结果表明该模型具有较好的应用价值。     

基于AR模型的水力旋流器筛分性能的预测

以时间序列为理论基础,利用时间序列分析方法对水力旋流器的筛分性能建立了AR模型,并依据该模型对纤维重均长度变化趋势进行了预测分析。通过对不同实测数据的检验证明,可根据该模型的预测结果预报纤维重均长度的发展变化趋势。     

基于AR模型的机织物线状疵点研究

针对机织物线状疵点检测效果不佳的问题,本文采用AR模型的谱估计方法对此问题进行研究。首先将获取织物的图像按照一定的子窗口大小分割,并将子窗口内图像的灰度值按照纵向、横向两个方向分别使用方差的方式投影,得到方差序列;然后选择合适的AR模型阶数,依据Burg算法估计得到谱数据;最后通过求得带有疵点图像的谱估计与正常纹理图像得到的谱估计之间的相关系数检测出疵点及其位置。论文采用试验验证检验了该方法对机织物线状疵点检测的有效性。     

基于信息融合技术的变频器隐性故障诊断研究

针对变频调速系统中常用的电机诊断方法难以准确判断隐性故障类型的问题,采用基于D-S证据推理的信息融合故障诊断方法,将三相电压传感器和三相电流传感器的判断结果进行融合,以识别变频器不对称运行的故障;将A,B,C三相定子电流信号进行融合,以识别转子断条故障.该方法通过小波包频带能量提取电动机隐性故障特征信息,然后利用D-S证据理论融合计算故障特征信息进行故障识别.诊断测试结果表明,该方法可提高电动机故障诊断的精度,并能满足诊断的实时性要求.     

基于故障树分析法的热磨机故障智能诊断系统

将故障树法与故障智能诊断系统有机结合起来,通过故障树自动生成智能诊断系统规则库,实现诊断知识的自动获取.以Windows为平台,Visual Basic为编程语言,开发出了具有友好人机交互界面的软件.以热磨机故障诊断为例,验证了该方法优于常规方法.     

基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法

提出基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法,该方法把转子的2个截面信息分别以矢功率谱进行数据层融合,提取矢功率谱的特征输入到径向基概率神经网络分类器进行故障识别,最后把两截面诊断结果输入D-S证据理论融合中心进行决策层融合.实验结果表明,该方法可降低故障诊断的不确定性,并提高故障决策准确率.     

风机轴承故障诊断案例及损伤原因探讨

采用振动状态检测和故障诊断技术,对风机滚动轴承的故障信号进行分析,推断轴承损伤程度,给车间合理建议。     

造纸机轴承故障诊断系统的开发

介绍了基于共振解调技术的滚动轴承故障诊断原理、特点及实现方法，开发了可以检测和诊断造纸机滚动轴承故障的软件系统，验证了其可行性，它可以进一步推广到对造纸机关键设备的轴承检测和诊断。     

基于倒频谱分析的烘缸传动齿轮箱故障诊断

鉴于烘缸传动齿轮箱的振动信号中调制源多、频率成分复杂，功率谱中存在大量非对称的边带及周期性结构的频率，传统的傅立叶变换或者细化谱技术难以把混杂的周期分量分辨出来。运用倒频谱分析能将输入信号与传递函数区分开来，使原来功率谱上成簇的边频带谱线简化为单根谱线，分离和提取出密集泛频信号中的周期成分、多成分边频，快速准确诊断分组烘缸传动齿轮箱故障。