基于小波自回归谱的液压系统故障诊断方法

该文将小波自回归谱的信号处理方法应用到液压系统故障信号处理中,确定了最优小波基.利用Festo液压实验系统,采集正常情况和故障情况下的压力信号,通过比较加噪的正常和故障信号处理结果,证明低频信号的自回归谱可以作为故障诊断的依据.     

异方差回归与自回归模型

建立时间序列异方差回归和预测模型,将现行的误差项方差相同、均值为零的回归分析推广到误差项方差变化且均值不为零的情况,解决了实际中常见的异方差以及由于自变量不能充分解释因变量而引起的误差项均值不为零的问题。针对误差项相关且均值、方差都变化的情况,文中还进一步建立异方差回归-自回归模型,将误差项为传统平稳序列(均值和方差为常数)的回归-自回归模型推广到误差项为相关系数平稳序列(均值和方差变化)的情况,给出回归-CCAR(P)模型和回归-CCARMA(p,q)模型的参数估计方法,提出异方差回归-自回归预测模型。该模型能充分发挥回归和自回归各自的优点,对时问序列进行高精度的分析和预测,可广泛用于自动控制、结构响应分析、故障诊断以及经济和商业预测等。     

基于自回归模型的短期海上风电功率预测

由于煤炭资源匮乏和环境污染,人类逐渐开始发掘风电能的利用价值。然而风速的强不确定性导致其很难预测,鉴于此,基于自回归模型进行风电功率建模与仿真研究。经过NAR神经网络训练选择合适的自回归阶数,继而选择该阶数及对应隐藏节点重新训练,最后代入数据仿真得到结果进行分析比对。通过比较预测值与实际值,总结自回归模型的特点,得出基于该模型的海上风电机组功率预测方法在海上风电场具有实际应用价值和意义这一结论。     

回归与时变自回归模型

提出回归-时变自回归（regression and time-varying autoregression,RTVAR）模型和广义回归-时变自回归（generized regression and time-varying autoregression,GRTVAR）模型,将误差项为平稳序列（均值和方差为常数）的回归-自回归模型推广到误差项为广义时变自回归序列（均值、方差及自回归系数都变化）的情况。文中给出RTVAR模型和GRTVAR模型参数的估计方法,并建立广义回归-时变自回归预测公式。该模型能充分发挥回归和时变自回归各自的特点,通过自回归对回归分析中的误差项进行补偿,同时采用回归分析解释变量的作用,大大提高时间序列的分析与预测精度,可广泛用于自动控制、故障诊断以及经济预测等领域。     

自回归模型时序识别系统的判别函数分类性能分析

从理论上对5种常用自回归模型时序识别系统的判别函数分类性能进行了定性分析，同时定量地比较了它们对试验摩擦振动状态的分类概率。指出了它们各自的特点，对其分类能力进行了评价，在常用的5种判别函数中，Kullback-Leibler信息量适用的范围广，分类性能好，在状态信号特征信息不充分时，应优先选用。反之，应根据信号特征，选择相应的判别函数。本文的分析有助于为自回归模型时序识别系统选择适当的判别函数。     

基于粒子滤波和自回归谱的液压泵故障诊断

针对飞机轴向柱塞式液压泵的工作状态监控问题,提出了一种基于液压泵振动信号分析处理的故障诊断新方法。通过对加速度传感器的原始数据序列进行信号建模,利用粒子数优化后的粒子滤波算法进行降噪;根据滤波后信号的自回归谱提取特征值,结合液压泵的故障机理分析其工作状态,实现对液压泵的故障分析和诊断。实验及仿真结果表明,粒子滤波可有效跟随原始信号并滤除噪声干扰,基于粒子滤波和自回归谱的液压泵故障诊断方法能有效地提取故障特征值,实现故障诊断和识别。     

基于时变自回归模型与神经网络的滚动轴承故障智能诊断

使用时变自回归建模分析方法建立滚动轴承振动信号特征提取模型,基于基函数算法求解该模型的时变参数,并采用AIC准则确定模型阶数。在利用上述参数化模型对轴承振动信号进行特征提取的基础上,构建BP神经网络,有效地实现了轴承故障的智能诊断。     

基于自回归预测的故障报警方法研究

工业生产过程由于设备的复杂性,系统的安全性和可靠性日益受到人们的重视。研究了工业生产中的故障报警方法技术,通过建立自回归模型,利用拉依达法确定系统的报警阈值。以齿轮泵泵壳振动信号作为研究对象,对其常见的四种故障进行了实验验证,并在液压试验台上进行实验。结果表明,该方法故障报警率较高,能够有效地对齿轮泵故障进行报警。由于报警阂值利用每一次设备运行时的数据进行动态调整,可以实现对设备故障进行及时有效地报警。     

基于支持向量回归方法的齿轮箱故障诊断研究

提出了一种基于支持向量回归的齿轮箱故障诊断方法。通过提取能反映齿轮箱工作状态的特征参数,并将分类问题转化为回归问题,针对性地构造了多分类支持向量回归决策机构并将其用于齿轮箱故障诊断,避免了投票决策机构等票数无法分类问题。相比于人工神经网络,该方法具有收敛速度快、泛化能力强的优点。     

基于自回归滑动平均最小熵反褶积的滚动轴承故障诊断

滚动轴承的时域故障信号含有工作部件或轴承元件间微弱碰撞产生非周期性冲击以及工况噪声成分,造成信号中表征故障信息的周期冲击成分难以提取,无法准确有效的对滚动轴承进行故障诊断。针对这一问题,提出自回归滑动平均最小熵反褶积方法。通过自回归滑动平均模型和最小熵反褶积计算得出正逆两组滤波器系数,其中自回归滑动平均模型计算出的滤波器系数用于分离故障信号中的非周期冲击成分,最小熵反褶积计算出的逆滤波器系数用于恢复故障冲击成分。通过仿真和实验的处理结果证明了方法的有效性。     

数据仓库技术在齿轮故障诊断中的应用

以齿轮箱的历史故障数据为依据,提出了齿轮故障诊断数据仓库的功能架构,并对数据的收集、集成、存储等方面进行了研究,建立了齿轮故障诊断模型。为齿轮故障诊断提供了一种新的方法。     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

基于时间序列模型的齿轮箱故障诊断

通过监测齿轮箱表面的振动信号,采用时间序列的方法,建立振动信号的时间序列模型作为齿轮箱系统模型。结合实验对齿轮箱信号进行时间序列分析,对比各种工况下的模型曲线,识别齿轮箱的运行故障。结果表明：应用这种方法可以大大提高诊断的准确性。     

齿轮故障诊断中的信号处理技术研究与展望

重点讨论了各种信号处理技术在齿轮系统的故障诊断中的应用 ,包括 :平稳信号处理技术 ,非平稳信号处理技术 ,非高斯和非白色噪声信号处理技术 ,非线性信号处理技术 ,盲信号分离技术 ,奇异值分解技术以及各种智能诊断技术。详细比较了各种信号处理技术的特点、应用范围和研究进展 ,并且指出了今后的若干研究方向 ,从而为齿轮系统的故障诊断和在线监测提供了依据 ,以保证齿轮系统的安全运行。     

基于本征时间尺度分解算法的齿轮箱故障诊断

针对现有信号处理方法在齿轮箱故障诊断中的不足,将本征时间尺度分解算法( IntrinsicTime- scale Decomposition,ITD)应用到齿轮箱故障诊断中.首先介绍了ITD算法;然后将ITD算法应用到齿轮箱的故障诊断中,得到了正确的结论;最后将ITD算法与经验模式分解(EMD)算法进行了比较,结果表明...     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS).改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的...     

变工况齿轮箱故障诊断方法综述

齿轮箱是机械传动链中的关键且故障多发部件,传统齿轮箱诊断方法难以对运行在变工况下的齿轮箱故障进行准确的检测和有效识别。综述了国内外对于变工况齿轮箱故障诊断技术、研究现状及进展,并简要讨论了变工况齿轮箱故障诊断方法的应用现状及可能的发展趋势。     

基于信息融合的齿轮箱故障诊断技术研究

对齿轮箱的故障诊断和信息融合进行了简要概述,将信息融合技术和D-S证据推理运用于齿轮箱的故障诊断中,提出了一种可行有效的融合方法.     

局部积分双谱及其在齿轮故障诊断中的应用

提出了一种局部积分双谱分析方法,探讨了局部积分双谱抑制噪声的能力,利用局部积分双谱分析了正常齿轮和早期剥落齿轮振动信号。局部积分双谱可以分析出齿轮故障的调制现象,结果显示,局部积分双谱与传统的双谱切片相比能较全面地反映双谱信息,是处理齿轮故障调制现象的有力工具。     

基于一致空间法的齿轮传动系统故障诊断

针对齿轮传动系统某些元件参数变化而使系统动态性能变差并有可能使系统崩溃这一情形 ,借助于一致性空间法 ,提出了一种齿轮传动系统故障诊断的新方法。通过一实际传动系统的仿真计算表明 ,该方法可有效诊断齿轮传动系统因元件参数变化而导致的故障。