非平稳过程突发性故障的在线检测与辨识

突发性故障的检测与故障幅度辨识是过程监控和技术过程安全性研究领域的重要 课题.基于线性回归模型参数的容错估计,提出了一组适用于多故障过程脉冲型故障的在线 检测与故障幅度容错辨识的新方法,并利用该方法解决了过程阶跃型故障的检测与辨识问 题.通过理论分析和仿真计算,证实了该方法的有效性.     

基于α稳定分布参数和支持向量机的齿轮箱故障诊断方法

针对含有尖脉冲的齿轮箱振动信号故障特征难以提取且样本较少的问题,提出了一种基于α稳定分布和支持向量机故障诊断的新方法。先设计齿轮箱故障测试方案,获取齿轮箱振动信号;然后提取齿轮箱振动信号的α稳定分布参数,用它作为故障类型的特征样本,并结合决策树和投票法构造多分类支持向量机齿轮箱故障决策系统。该方法较好地解决了小样本学习问题,避免了人工神经网络进行诊断时的过学习、收敛速度慢等缺点。实际齿轮箱故障诊断实验结果表明所提方法有效。     

矿用带式输送机齿轮箱混合故障诊断研究

针对基于振动信号分析的矿用带式输送机齿轮箱故障诊断方法存在不易处理混合故障信号的问题,提出了一种基于自组织映射网络的矿用带式输送机齿轮箱混合故障诊断方法。采用融入Shannon熵的小波阈值去噪方法对矿用带式输送机齿轮箱的标准多故障样本进行预处理,对预处理后的标准多故障样本建立高斯混合分布模型后,采用最大期望算法进行模型的参数估计,得到相应特征向量并输入自组织映射网络,自组织映射网络对不同混合故障类型的故障信号进行聚类和识别,从而判断故障类别。实验结果表明,该方法能有效诊断出矿用带式输送机齿轮箱的多故障混合信号对应的故障类别,整体诊断准确率为88%,在6种工况下诊断准确率为100%,为矿山机电设备的齿轮箱故障诊断提供了一种新方法。     

一种不完全信息下递推辨识方法及收敛性分析

针对信号在网络环境下传输带来不完全信息使得在线参数辨识算法和收敛性困难的问题, 不同于传统递推最小二乘方法, 本文提出了一种不完全信息下递推辨识方法并分析其收敛性. 首先运用伯努利分布刻画引起不完全信息的数据丢包特性, 然后基于辅助模型方法补偿不完全信息并构造了新的数据信息矩阵, 并运用矩阵正交变换性质对数据信息矩阵进行QR分解, 推导了融合网络参数的递推辨识新算法, 理论证明了在不完全信息下递推参数辨识算法的收敛性. 最后仿真结果验证了所提方法的可行性和有效性.     

基于AR模型的齿轮箱振动故障检测

在分析了正常和故障状态下齿轮箱振动测试信号的基础上,提出了一种基于AR模型的齿轮箱振动故障检测的新方法,首先用正常状态下AR模型系数构造正常状态的特征向量及容差,然后将各状态下的AR模型系数与之比较,从而判断齿轮是否出现故障。实验结果表明,该方法是可行和有效的。     

基于模糊辨识方法的机械臂振动控制研究

为了抑制机器人等复杂结构的振动,提高复杂结构的振动控制精度,提出一种用于辨识机械臂连接结构的非线性模型在线辨识的模糊算法,并以此为基础研究了机械臂振动控制方法.该算法将非线性输入输出系统用时变线性系统模型来拟和,并把此模型表示成模糊模型的形式,用在线调节模糊模型的方法来辨识时变线性模型的相关参数.将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数,将此算法应用在两自由度柔性杆件的扭转振动的控制上,并设计相应的硬件控制系统,实验结果表明了此算法的有效性.将该算法应用于工程实践中,实际使用效果表明,此算法具有重要的工程应用价值.     

基于AR模型的齿轮箱振动故障检测

在分析了正常和故障状态下齿轮箱振动测试信号的基础上,提出了一种基于AR模型的齿轮箱振动故障检测的新方法,首先用正常状态下AR模型系数构造正常状态的特征向量及容差,然后将各状态下的AR模型系数与之比较,从而判断齿轮是否出现故障。实验结果表明,该方法是可行和有效的。     

基于改进迁移学习的行星齿轮箱故障自动诊断

传统机器学习故障诊断方法依赖专业经验选取统计特征,导致诊断结果误差较大。为此,提出了基于改进迁移学习的行星齿轮箱故障自动诊断。采集行星齿轮箱的振动信号,对振动信号进行去噪处理,利用深度学习改进迁移学习构建故障诊断模型,对采集信号进行分类识别,实现了行星齿轮箱故障自动诊断。结果表明,该设计方法下不同类型的行星齿轮箱故障诊断精度为96.09%,证实了该方法的性能良好。     

开关电源功率器件MOSFET参数辨识的研究

功率器件MOSFET作为开关电源主电路的一个重要组成部分,其可靠性备受关注。研究表明,在开关电源电路元器件失效率统计中,MOSFET失效率达31%。而MOSFET失效主要表现为导通电阻参数漂移,为了对MOSFET导通电阻参数进行在线辨识,以Buck电路为例,基于混杂系统理论构建Buck电路混杂系统模型,采用递推最小二乘法对模型中MOSFET导通电阻参数进行辨识,并在Simulink环境下进行仿真实验。实验结果表明,该方法对MOSFET导通电阻进行了有效的在线辨识,辨识相对误差小于5%,为MOSFET参数性故障的分析提供了理论依据和方法。     

基于正交分解的递推子空间闭环辨识方法

为实现闭环系统在线辨识,提出递推正交分解闭环子空间辨识方法(RORT)。首先,根据闭环系统状态空间模型和数据间投影关系,构建确定-随机模型,并利用GIVENS变换实现投影向量的递推QR分解;然后,引入带遗忘因子的辨识算法,构建广义能观测矩阵的递推更新形式,以减少子空间辨识算法中QR分解和SVD分解的计算量;最后,针对某型号陀螺仪闭环系统进行实验。实验结果表明, RORT法的辨识拟合度高于91%,能够对陀螺仪闭环系统模型参数进行在线监测。     

基于啮合频率调制现象的齿轮振动信号辨识

齿轮是大多数旋转机械设备的核心零部件,也是主要的振动来源.为了评估齿轮箱的健康状态,从机械系统信号中提取齿轮箱的振动成分具有重要意义.齿轮的啮合频率包含了反映其运行状态的丰富信息,是进行齿轮在线监测和故障诊断的前提条件.通过理论分析和试验验证,解释了啮合频率调制现象,也就是当齿轮在重载条件下工作时,啮合频率会以啮合冲击的形式被调制到高频共振区.基于此现象,提出了一种齿轮振动信号辨识方法.在此方法中,通过迭代获得啮合能量比图,以确定啮合共振频带.此方法的性能通过试验台试验和叉车现场试验进行了验证.通过与快速谱峭度方法进行对比,证明所提出的方法适用于齿轮振动信号辨识,尤其是当齿轮处于重载条件时.     

基于模态动能法的行星变速箱测点优化

由于某型行星变速箱结构较为复杂,故障检测和状态监测时振动传感器的安装位置往往凭经验确定,为使传感器安装位置更科学、更合理,利用模态动能法对行星变速箱测点进行选择。针对变速箱箱体结构建立了三维模型,利用ANSYS软件进行了有限元仿真分析,得到各阶模态、固有频率和振型,导出低阶振型并利用模态动能法计算箱体表面的模态动能值,初选箱体表面六个测点,从中选取四个模态动能值最大的作为最终测点。设计试验方案,获取了箱体表面六个初选测点的振动信号,计算得到各测点实测信号的均方根、均值三个指标对测点的敏感度进行评价,试验验证了测点选择的科学性,为变速箱状态监测打下基础。     

Online fault diagnosis using recursive subspace identification: Application to a dam-gallery open channel system

The paper presents an online strategy for sensor and/or actuator fault detection and isolation applied to a dam-gallery. A recursive subspace identification algorithm is used to estimate the dam-gallery model parameters. The main contribution consists in developing a specific identification scheme, insensitive to a certain type of faults. That is, the identified parameters are invariant to the faults. A fault estimation procedure is proposed to detect potential faults. The proposed approach appears to be suitable for open channel systems for which the characteristics are not easily measurable.     

短丝纤维卷绕牵伸齿轮箱故障信号的图像特征提取方法

针对短丝纤维卷绕牵伸齿轮箱故障信号不易提取的问题,提出了基于图像纹理信息的特征提取方法。通过对齿轮箱振动信号进行小波包双谱分析,获得具有稳定纹理信息的振动信号双谱图,采用基于小波变换对双谱图进行图像融合,提高图像的综合纹理特征。采用灰度共生矩阵的四个特征参数对振动信号的双谱图进行加权融合特征提取。在短丝生产线上对齿轮箱常见的齿轮破损和裂纹进行了实验分析,结果表明本文方法的故障识别率达到85%以上。     

基于粒子滤波状态估计的滚动轴承故障识别方法

提出了一种基于粒子滤波状态估计的滚动轴承故障识别方法,该方法主要包括故障模型建立和故障识别两个步骤。在故障模型建立部分,首先依据滚动轴承不同故障状态下的振动信号,建立对应的自回归模型,作为故障模型;在故障识别部分,将正常状态下对应的模型,转化为状态空间模型,设计粒子滤波器,然后对不同的故障状态进行估计,提取其残差的相关特征,并结合模型参数特征应用BP神经网络识别算法进行故障识别。最后以美国凯斯西储大学的滚动轴承振动数据为例,验证了该方法的有效性。     

基于小波和统计检验的瞬态成分检测的方法及应用

将连续小波变换技术和统计检验结合用于检测信号中具有一定时频分布的瞬态成分,指出连续小波变换具有分离信号中瞬态成分和噪声的作用。提出一种基于连续小波变换和统计检验的瞬态成分检测的“逐步去除法”。将“逐步去除法”用于齿轮箱振动中的瞬态成分的检测与提取,能比较有效地检测出瞬态成分;基于连续小波变换反演的瞬态成分估计能比较有效地表示设备的状态。     

自回归滤波器的设计

介绍了滤波器设计中近代谱估计法的基本思想，重点分析了自回归（AR）模型、以及模型参数与自相关函数、功率谱之间的关系。通过Levinson—Durbin递推算法来确定自回归模型的系数，并给出AR模型阶数的算法。用递推公式得到滤波器的输出。经过分析得出结论：自回归模型的参数估计计算简单，具有递推特性，适合表示很窄的频谱。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。