基于振动时频域特征的气门间隙故障诊断

为了准确实现内燃机气门间隙异常的诊断,提出了基于频带能量特征向量时频域特征的气门间隙故障诊断方法。介绍了小波包改进算法原理及频段能量计算,并以S195四冲程柴油机为研究对象,测取气门间隙正常、进气门间隙异常和排气门间隙异常等不同工况下的缸盖振动加速度信号,并对其进行改进小波包分解处理,通过6~8 kHz高频带能量的故障阈值和分析信号时域内气门开启、关闭时刻对应的曲轴转角的变化确定进气门或排气门间隙异常,试验结果表明采用该方法诊断出各工况的故障与实际故障吻合。因此,通过小波包分解后各频带相对能量分布来诊断内燃机气门间隙故障是一种有效且可行的方法。     

运用粗糙集与小波神经网络诊断往复泵故障

提出一种粗糙集理论与小波神经网络集成的往复泵故障诊断方法。首先利用小波包对采集信号进行分解和重构能量特征向量。然后应用SOM网络对故障诊断数据中的连续属性进行离散化,根据粗糙集理论,借助遗传算法进行故障诊断决策系统约简,获得最优决策系统。在最优决策系统的基础上,设计RBF神经网络对往复泵故障进行诊断。试验结果显示,该方法可以有效提高往复泵故障诊断的精度和效率。     

基于小波包和BP神经网络的潜油直驱螺杆泵系统故障诊断

为准确诊断潜油直驱螺杆泵系统故障,提出了一种基于小波包和BP神经网络的螺杆泵系统故障诊断方法。对螺杆泵在不同工况下有功功率进行3层小波包分解,提取小波包特征能量,然后构造小波包特征能量向量,并以该向量作为故障样本对3层BP神经网络进行训练,实现了智能化故障诊断。仿真结果表明:训练的BP网络能很好地诊断潜油直驱螺杆泵系统的故障。     

基于振动信号分析的电潜柱塞泵故障诊断方法研究

振动信号能够全面反应电潜柱塞泵的运行工况,在电潜柱塞泵的故障诊断中,针对不同工况下的振动信号进行分析尤为重要。提出了一种基于振动信号分析的电潜柱塞泵故障诊断方法,采用改进的隐层神经元数变动的神经网络系统,根据不同情况选择不同节点数,使其达到提高诊断精度及缩短诊断周期的双重要求。对电潜柱塞泵正常运行以及动子不平衡、动子机械磨损运行时的振动信号进行分析研究,利用小波包提取振动信号的能量特征,利用神经网络识别故障。现场试验结果表明,网络训练后实际输出达到允许误差范围,网络测试结果也能与实际状态相对应。该方法能够对电潜柱塞泵进行有效、准确的故障诊断。     

基于小波包理论的往复泵故障特征提取研究

特征提取是往复泵状态监测及故障诊断的关键环节。小波包变换是时间频率的局部化分析，尤其适合于非平稳信号。应用小波包变换，将往复泵振动信号分解到8个不同的频带，对各频带内的信号进行统计分析，形成包含待诊断部件故障信息的频带能量值作为故障诊断的特征指标。实例中，将小波包变换应用于往复泵泵阀故障分析，提取到了弹簧断裂时的频带能量特征指标，为往复泵故障诊断奠定了可靠的基础。     

基于小波分析的离心式压缩机振动故障诊断研究

为了对离心式压缩机振动故障进行诊断，简要介绍了小波分析的特点和小波变换的原理，利用离散正交小波对离心式压缩机转子正常工作和非正常工作时的振动信号进行了分析和多层小波分解。使其突变信号和非平稳信号与平稳周期性信号分开，达到了故障诊断的目的。     

基于小波包和包络分析的滚动轴承故障自动诊断方法

提出了一种基于峭度-小波包-包络分析的滚动轴承故障自动诊断方法。首先用峭度系数判断是否出现故障,再针对故障轴承振动信号非平稳和调幅的特点,用小波包将信号分解到不同的节点上。然后将不同节点的重构信号做包络谱分析,将谱峰处的频率同滚动轴承内圈、外圈、滚珠、保持架等的故障频率进行对比分析,在此基础上,运用最小距离判别法则自动获得故障原因,从而实现滚动轴承故障的自动诊断。通过对实验中采集到的轴承振动信号进行分析,证明了该方法在轴承早期故障诊断中的有效性。     

往复泵泵阀故障智能诊断系统

通过小波分析提取往复泵泵阀的故障特征,以能量为元素可以构造一个特征向量。然后建立合适的神经网络,并采用通过小波包变换得到的特征向量作为样本数据对神经网络进行训练,确定其网络结构及其参数,从而实现对往复泵泵阀故障的智能故障诊断功能。     

基于非抽样提升小波包的机械隐含故障诊断

传统的提升变换要进行下采样运算,容易产生频率混叠。为此,提出用非抽样提升算法实现小波包分解,以消除频率混叠,达到提取信号中微弱冲击成分的目的。提升小波分解以提升方案为基础,用多项式插值求取小波系数,然后构造尺度函数并求取信号中的低频系数。由于每一层系数的长度等于原始信号的长度,所以不存在频率混叠,同时分解后的信号凸显了微弱故障特征信息。用该方法对电动机轴承振动信号进行提升变换处理,完整地提取出了电动机转轴与轴瓦碰磨产生的微弱冲击信号,诊断出了机械隐含故障。     

变工况下轴承故障的残差对抗网络诊断方法

实际工程中传统的以恒定转速和平稳信号为前提的故障诊断方法难以有效提取故障特征,为此,将深度学习中的残差网络(ResNet)与迁移学习中的领域对抗网络(DANN)相结合,提出一种深度迁移方法——残差对抗网络(RANN)。RANN采用滑窗取样策略从原始振动信号中截取故障样本,构建了包含特征提取器、故障分类器和领域判别器的残差对抗网络,采用3个工况下的滚动轴承数据,共开展6组迁移诊断试验。研究结果表明：RANN相比于标准DANN,特征提取及故障诊断效果均有所改善,平均准确率提升了约2.5百分点;该残差对抗网络通过特征提取器与领域判别器的对抗训练,可以自适应逐层提取对工况信息敏感度低的域不变特征;相比于单通道输入,采用双通道输入平均故障诊断准确率提升了约1.3百分点。所得结论可以为变工况机械设备的故障诊断提供参考。