基于时序AR与灰色GM模型的滚动轴承故障诊断研究

针对滚动轴承故障诊断方法存在的问题, 将自回归(AR)模型和灰色理论应用到滚动轴承的故障诊断中,建立了灰色时序组合模型.该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,通过灰色GM(1,1)模型模拟数据宏观变化趋势,并用时序AR(p)模型建立了残差序列以模拟数据微观变化趋势.通过对实测数据进行检验与比较,证明该组合模型具有很好的分析效果.     

非线性时序模型在机械系统故障诊断中的应用

提出一种基于非线性自回归时间序列模型(gereral expression for linear and nonlinear auto-regressive model,简称GNAR模型)的机械系统状态识别与故障诊断方法.利用采集系统工作过程中的特征信号建立GNAR模型;用主成分分析策略生成模型特征量,对训练样本的特征量进行识别和分类,得到各种参考模式;将几何距离判别函数作为状态分类的原则,根据待判系统特征量与各类参考模式的Euclide距离进行状态识别和故障判别.对车床颤振试验数据及高速离心空气压缩机故障数据的分析表明,该方法快捷、高效,诊断成功率较好,具有良好的工程应用前景.     

利用ARV模型识别水轮机轴系模态参数

针对一类输入激振力不可测的工程结构,论述了基于向量自回归（ＡＲＶ）时间序列模型的结构模态参数识别的基本原理。为考察ＡＲ系数估计的精度,利用中心要限定量建立了估计的自回归系数矩阵协方差的表达式。分别和用水轮机的随机响应信号和自由响应信号识别了模态参数。数值仿真结果表明本文给出的识别方法是鲁棒的。此外,给出了试验结果。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

模型参数在齿轮故障诊断中的应用

针对齿轮故障运用模型参数进行诊断,一般实测信号数据量较大,利用常规的FPE(final prediction error)准则或AIC(Akaike information criterion)信息准则定阶方法很难确定合适的模型阶数。因此,提出利用基于模型估计的功率谱与经典功率谱之间相似程度来确定模型阶数,建立故障状态模型。并提取模型参数的统计平均作为识别状态的标准特征向量,应用于齿轮正常、疲劳磨损、点蚀、剥落、断齿和疲劳裂纹等六种状态的诊断,诊断正确率达到100%,结果表明该方法是一种有效的故障诊断方法。     

齿轮故障诊断参数的研究

在齿轮故障振动诊断技术中，缺少公认的行之有效的诊断参数，对现有的诊断参数也缺乏深刻的认识。本文通过对几种诊断参数的分析计算，揭示了这几种诊断参数与齿轮故障的关系，得出了新的研究结论。     

基于ANFIS的汽车发动机振动参数故障诊断云模型

为解决汽车发动机振动参数故障问题,采用自适应神经模糊推理系统(ANFIS)建立故障诊断模型,利用减法聚类方法确定模型初始结构,并采用云模型优化模型接口参数.实例建模对比分析,引入云模型后的ANFIS模型的识别率从88.75%提高到99.68%,训练误差也从0.12021降低至0.11526.试验表明引入云模型后该模型收敛速度快,拟合能力强且诊断识别精度高,能够有效识别汽车发动机振动参数的故障.     

基于时序模型参数的距离判别函数在机械故障诊断中的应用

在概括时序模型参数距离判别函数的基础上,着重研究了时序模型参数的距离判别函数在机械故障诊断中的应用。给出了基于时序模型参数的距离判别函数在机械故障诊断中的一般步骤。在工厂的实际应用中,证明该方法有很好的实用性。     

机车走行部故障在线诊断的特征分析方法研究

在讨论特征分析方法原理的基础上，针对机车走行部故障在线监测过程中存在的信号分析与处理问题，运用整周期等角度采样方法将时域振动信号转换为角域信号，采用FFT变换将角域信号变换为对应的特征频谱，通过谱估计、谱图分析得到机车走行部各零部件的故障特征谱值，再根据该特征谱值识别机车走行部各零部件的故障。然后，根据机车走行部故障诊断的实际需要，设计了一套基于特征分析方法的机车走行部故障在线诊断系统。实验结果表明，该方法能准确、可靠地识别机车走行部故障。     

基于改进证据理论的齿轮泵故障诊断方法研究

针对多源传感器信息的不确定性,提出了一种基于改进证据理论的故障诊断方法.首先定义了证据向量的夹角余弦,提出了冲突证据判定法则,对证据进行冲突性判定;然后建立二级鲁棒融合策略,通过RBF神经网络进行特征层融合,经过训练产生初始证据,应用冲突证据判定法则找出冲突证据并利用相似度对其进行局部修正;最后对证据进行融合和诊断.通过齿轮泵振动试验,将此方法与神经网络、传统证据理论和其他代表性改进方法的诊断结果进行对比,验证了新方法和融合策略的有效性.     

基于双谱分析的齿轮故障诊断方法

齿轮啮合过程中的振动信号往往呈现出非线性、非高斯性,加上强噪声的干扰,给故障特征的提取带来了较大的困难.为实现齿轮单一故障的分类和诊断,采用时序参数化的双谱分析方法,对齿轮故障模拟试验台上采集的正常状态和3种故障状态的振动信号进行了分析,根据双谱谱峰的分布及数目的差异性,实现了齿轮正常、裂纹、磨损、剥落4种状态的识别和分类.结果表明,双谱分析可以抑制背景噪声,并有效提取信号中的非高斯成分,是一种有效的故障诊断方法.     

A novel method for real time gear fault detection based on pulse shape analysis

Early identification of faults in gearboxes is a challenging task, especially when the time is a critical factor. In this paper, a novel method for real time fault detection in gearboxes is proposed using adaptive features extraction algorithm to deal with non-stationary faulty signals. Moreover, integration of different techniques is presented in order to detect faults in a real time environment. Evolutionary algorithms are commonly used in different applications and have strong ability for optimization. However, they are inherently slow and not suitable for real time applications. The proposed method is based on a combination of conventional one-dimensional and multi-dimensional search methods, which showed high performance and accurate fault detection results compared with evolutionary algorithms. The effectiveness, feasibility and robustness of the proposed method have been demonstrated on experimental data. An average speed up factor of 87% has been successfully achieved with approximately 5% quality degradation in the results as compared with evolutionary algorithms like genetic algorithms.     

基于贝叶斯网络的机械设备故障诊断方法研究

建立了一种基于贝叶斯网络的机械设备故障诊断模型,引入评分函数和蚁群算法对模型进行了优化,在模型建立过程中引入知识进行自我学习,减少了因检测对象造成的不确定信息,提高了机械设备故障检测的可信度,最后通过实例进行了验证。     

基于高阶谱的齿轮故障特征提取方法研究

基于高阶谱能够抑制高斯信号,并且可以在较强的背景噪声中提取故障信息的特点,在分析高阶谱的理论基础上,针对齿轮振动信号的非线性、频谱成分多样性等特点,研究了基于高阶谱分析的机械故障特征提取方法,提出了基于双谱估计的齿轮故障诊断方法.试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来.     

改进的符号时间序列分析方法及其在电机故障诊断中的应用

提出了一种改进的基于符号时间序列分析的电机异常探测方法,该方法自适应地将符号序列中出现符号最多的符号区间重新划分为2个新的符号区间,使得数据密集区间可以分配到相对更多的符号,而数据稀疏区间则分配到较少的符号,提高了符号对于信号变化的灵敏度.电机转子断条故障的诊断实验结果表明:该方法较平均划分区间的方法对于电机异常诊断有着更高的灵敏度以及更好的鲁棒性和可靠性.     

矢Wigner高阶谱在齿轮故障诊断中的研究

全矢谱技术能够有效的融合同源双通道的信息,融合后的信息无论从结构上还是能量上都能够真实的反映转子的实际运行状态。针对Wigner高阶谱只能处理单通道信息这一缺点,将全矢谱技术与Wigner高阶谱相结合,提出矢Wigner高阶谱分析方法,给出了其定义与算法,并将其应用到齿轮故障诊断中。仿真研究及实例验证结果表明,矢Wigner高阶谱能够克服基于单通道信息的Wigner高阶谱的片面性,并且该分析方法同时具备两者的优点,为齿轮故障诊断提供更可靠的依据。     

基于MEPA-RST-NBNC的复杂设备智能故障诊断方法研究

结合最小熵原理法(MEPA)的数据离散功能,粗糙集理论(RST)的数据分析和容错能力,以及朴素贝叶斯网络分类器(NBNC)的并行推理能力,采用串行集成思想,提出了一种基于MEPA-RST-NBNC的复杂设备智能故障诊断方法.首先利用MEPA实现连续条件属性的离散化,形成离散化诊断决策表;然后利用RST分辨矩阵实现故障特征的简化,并采用最大聚类比原则提取出最佳约简;最后根据约简诊断决策表建立NBNC模型来实现高效快速的诊断推理.故障诊断实例表明该方法不仅克服了RST诊断法的规则搜索和临界误判问题,而且避免了NBNC诊断法的维数灾难问题,具有较强的工程实用性.     

基于MICA-FDA的水压试验机故障诊断方法研究

由于水压试验机机理建模的复杂性,很难从机理方面对其生产过程进行故障诊断,因此利用钢管水压试验系统过程变量多、打压速度快、短时间内能够产生大批数据信息的特点,采用基于数据的多向Fisher判别分析(MFDA)方法对其进行故障诊断.在建立MFDA模型之前,先采取多向独立成分分析(MICA)方法去除变量之间的相关性,并且提取少数驱动过程本身的关键变量,经过MICA变换后的数据用以建立MFDA模型可以提高故障诊断精度.综上,本文提出了一种基于MICA-FDA的方法用于水压试验机打压过程的故障诊断.采用水压试验机生产过程的几类故障数据对该方法进行验证,结果表明该方法具有很好的故障诊断性能.