ELMD及核密度估计的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)及核密度估计的滚动轴承故障诊断方法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Production Function,PF),计算包含主要故障的PF分量的有效值、峭度、偏度系数,将其组合成特征向量;根据核密度估计的特性提出基于核密度估计的分类器,将特征向量输入分类器进行训练与测试,从而识别滚动轴承的工作状态和故障类型。实验结果表明,该方法能够有效的对滚动轴承故障进行识别,且效果较LMD方法好。     

Web日志挖掘方法的研究

随着Internet/Intranet技术的发展及普及,Web上的数据信息越加丰富,怎样更加有效的利用网络资源变得非常重要.Web日志挖掘就是通过挖掘Web日志文件,找出浏览者的兴趣、访问习惯和偏好路径,得到用户访问Web页面的模式.Web日志挖掘的步骤有三个:数据预处理、模式识别和模式分析.通过Web日志挖掘,提高Web站点性能,理解用户意图,改进Web站点设计,挽留老客户,挖掘潜在的新客户.     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

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.     

分布式环境下全局序列模式挖掘技术研究

由于分布式环境下挖掘全局序列模式常常产生过多候选序列,加大了网络通信代价.为此提出一种基于分布式环境下的全局序列模式快速挖掘算法.该算法将各站点得到的局部序列模式压缩到一种语法序列树上,避免了重复的序列前缀传输;基于合并树中节点序列规则和简单的特点,提出一种项扩展和序列扩展剪枝策略,有效地约减了候选序列,减少了网络传输量,从而快速生成全局序列模式.理论和实验表明,在大数据集环境下该算法性能优越,能够有效地挖掘全局序列模式.     

基于网络模式下的数控机床故障诊断探析

数控机床是工业技术发展,逐渐衍生出来的一种综合式高新技术设备,能够缩短机械加工时间,提高机械加工的灵活性,满足产品的质量要求,为企业提供优质的生产服务,但由于数控机床设备的整体结构十分复杂,电器管路交错纵横,在发生故障时诊断工作十分困难.随着网络技术的发展,在数据传输过程中取得了良好的应用成效,受到了机械加工业的广泛关...     

基于经验模式分解方法的故障诊断系统研制

近年来,经验模式分解作为现代时频分析方法出现,对处理大量非平稳信号有着明显的效果,广泛应用于工程实际中,吸引越来越多的研究人员在此算法的基础上进行优化改进。此外,市面上的设备故障诊断系统中应用的算法较为传统,迫切需要引入新的算法来提高故障识别准确率。针对该问题本文基于Visual Studio VB.net开发环境研制一套包含EMD算法的故障诊断系统,从而实现数据分析与处理工作,有效将算法与工程实际相结合。该故障诊断系统界面操作简单,不仅能为后期设备故障诊断报告提供数据依据而且便于工业现场操作人员的使用,具有重要的研究意义。     

构建基于数据挖掘的风机远程监测与故障诊断平台

构建了一套基于INTERNET、数据库和数据挖掘技术的风机远程监测与诊断平台。通过该平台，授权用户可以方便快捷地获取和交换诊断维护信息。     

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。     

基于本征模式分量符号化分析的滚动轴承故障诊断方法研究

研究在经验模式分解的基础上提出了一种基于本征模式分量符号化分析的故障诊断方法:首先,对故障信号进行拓延,利用经验模式分解获取本征模式分量,实现原始信号在不同尺度下的分离;其次,依据符号动力学理论对本征模式分量进行符号化序列研究;最后,计算符号化后的本征模式分量序列的符号熵,构建特征向量表征故障特性,结合模式分类方法实现诊断。研究通过实验证明了所提出方法对于典型轴承故障有着很好的识别效果,并针对印刷机故障轴承进行实验,成功检测出了不同转速下的轴承故障。所提出诊断方法仅通过时域分量特征提取就获得了较好的诊断效果,相对减少了同类研究中频域特征提取的计算量,具备一定工程应用前景。     

一种基于鲁棒FCM算法的故障诊断方法

为提高传统FCM算法应用于故障诊断时的容噪能力.通过修正样本点权值,引出了一种替代欧氏距离范数的新距离函数,采用高斯核函数证明了该函数是一种距离尺度,分析r距离范数对噪声数据的表现,建立了基于该距离尺度的鲁棒FCM聚类算法并给出了算法步骤,IRIS数据和样本数目差异数据实验证明了提出的算法较传统算法具有更好的鲁棒性.最后将此算法用于机载武器系统的故障识别实验,结果表明,本文给出的方法较传统FCM方法在故障诊断中能有效克服数据特征影响,具有更高的诊断精度.     

基于代价敏感直推式学习的故障诊断方法

针对故障诊断领域存在的不考虑误诊断代价以及提出泛化能力强的诊断规则难等问题,提出了一种代价敏感直推式学习故障诊断方法。基于Kolmogorov算法随机性理论和代价敏感学习最小期望误分类代价准则提出了代价敏感直推式分类机制,并在此基础上设计了用于故障诊断的CsTCM-kNN算法。通过旋转机械轴系故障代价敏感诊断实验,验证了该方法能够有效地降低误诊断代价,且保证较高的诊断准确率。     

Fault diagnosis approach based on Volterra models

The fault diagnosis schemes are roughly divided into two major categories: signal analysis and modeling method. Compared with the signal analysis approaches, the availability of suitable models of machines could be exploited more conveniently, which allows a more precise and reliable fault identification. In this paper, a modeling fault diagnostic approach based on Volterra series for rotating machinery is presented. After a brief review of the Volterra series theory, the process of the new diagnostic approach and the identification method of Volterra kernels are introduced in detail. The computer simulation verifies its feasibility and validity. Then, this novel method based on Volterra modeling is employed for the fault diagnosis of a rotor-bearing system. Through investigating the changes of generalized frequency response functions of the system under different states, the faults are identified successfully. Finally, the laboratory experimental results verify its effectiveness.     

基于Profibus-DP网络的故障分析及诊断

通过研究Profibus-DP网络线路和数据传输方式,指出了在建立Profibus-DP网络时应注意的问题,总结了主要的网络故障原因,在以上基础上给出了Profibus-DP网络出现故障时诊断的方法。     

基于混合结构树的故障诊断技术研究

根据产品结构树和故障树提出了混合结构树的概念和相应的智能故障诊断方法。该方法将诊断问题中一些基本的、具有共性的内容构成系统内核,并与具体诊断对象相区分,使其适用不同的应用对象;同时针对智能诊断中的知识管理,建立了一套编码系统,使知识管理和应用能利用现有编码管理的先进方法,实现了诊断知识的有效管理和利用,最终完成了相应诊断推理算法设计。最后,以高速列车某型号气动塞拉门为实例进行了研究和应用系统开发,现已成功应用于企业客户服务中。     

基于ART1网络及参数编码的齿轮故障诊断方法

通过添加一层网络,对齿轮工作过程中的多个特征参数进行采样值的编码,使故障的特征信号转化为ART1网络可以处理的二值输入,解决了ART1网络不能处理连续信号的局限,使ART1网络能够在齿轮的故障诊断上有了进一步的应用。克服了以往诊断手段在识别有相似特征参数的不同故障上的不足。     

基于改进随机森林的故障诊断方法研究

为解决不可识别故障诊断中无法有效定位的问题,提出一种基于改进随机森林的故障诊断方法.该方法通过改进决策树的bagging方式,采用条件概率指数进行决策树的无偏节点分裂,并以权重投票法综合决策树的分类结果.在此基础上,利用变量重要性测量来获取辅助故障定位的故障原型指数,从而较好地弥补了随机森林和传统机器学习在故障诊断中的不足和局限性.最后在一个标准数据集和田纳西一伊斯曼故障诊断的问题上进行验证,结果证明了该方法的有效性与可行性.     

基于神经网络的压缩机故障诊断

对离心式空气压缩机动不平衡的故障问题，采用神经网络的BP(Back　Propagation)算法进行故障模式识别和诊断，并针对传统BP算法收敛速度慢，宜陷入局部最小的情况，从以下方面进行处理：其一，使用带动量改进型反向传播BP算法加快了收敛速度；其二，训练过程中对隐层和输出层采用了双曲正切阈值激励函数进行训练，解决了Sigmoid函数在0和1附近易陷入平坦区的情况。成功实现了故障样本空间到诊断数据空间的影射，并立在理论上给出了数学推导。     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。