基于WPA和LS-SVM的风力发电机故障诊断方法研究

针对风电机组低速齿轮箱故障的故障特点,提出了一种应用小波包分析(WPA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。将低速齿轮箱不同故障状态下的振动信号经小波包分解后获得各频带能量,经过归一化处理后作为特征向量构成训练样本和测试样本。通过训练样本训练LS-SVM故障诊断模型,用测试样本检验LS-SVM故障诊断模型的正确率。实验结果表明,WPA和LS-SVM相结合的故障诊断方法具有良好的诊断效果。     

基于阶次小波包与粗糙集的轴承复合故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳非高斯特征,传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入到轴承的复合故障诊断中,利用计算阶次跟踪算法对瞬态振动信号进行重采样,采用小波包对该信号分解-重构,并对每个频段的能量进行归一化,构成一个特征向量,通过粗糙集理论得到清晰、简明的决策规则.并通过复合故障实例验证了此方法的有效性.     

基于振动信号分析的乳化器故障诊断系统

为了提高对乳化器故障的及时而准确的诊断,首次提出了基于小波包分析理论处理振动信号的乳化器故障诊断系统。根据粉状乳化炸药生产线上乳化器的结构特征,并分析当其发生不同故障时所产生的不同振动频率特征,基于小波包分析理论,设计了由工业控制计算机(IPC)、可编程控制器(PLC)、信号调理器及振动传感器等组成的乳化器故障诊断系统。并结合SQL Server、VB和Matlab等开发工具实现该故障诊断系统。测试结果表明,该系统具有可靠的诊断功能和可观的经济价值。     

高速列车齿轮箱故障诊断技术研究

介绍了高速动车组故障诊断过程和常见故障类型,以弗兰德齿轮箱典型故障为例,详细分析了动车组故障诊断系统的特点,应用小波包分析、粗糙集理论和神经网络等方法,通过优化特征值来改进故障诊断系统,从而提高动车组故障诊断系统的准确性和工作效率.     

小波一神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型。     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

基于多小波包和邻域粗糙集的故障诊断模型

为了解决机械设备复合故障难以正确识别的问题,提出一种基于多小波包和邻域粗糙集的机械故障诊断模型.首先,采用多小波包对原始振动信号进行分解,分别提取原始信号和各分解频带信号的时域特征组成原始特征;然后,采用邻域粗糙集方法筛选出敏感特征作为多分类支持向量机的输入,实现机械设备不同状态的自动识别.模型应用结果表明相比于传统小波包,多小波包分解够提取到更丰富的故障信息和获得较高的识别精度;邻域粗糙集能够从大量的原始特征中选择出敏感特征,减小分类算法的复杂性,进一步提高分类准确率.该模型在复合故障的诊断方面具有显著优势.     

小波分析用于提升机振动故障诊断的研究

介绍了小波分析用于信号处理的基本思想及在机械故障诊断中的研究现状;针对提升机出现的非平稳振动故障,应用小波分析理论通过正交小波包变换,将信号分解到不同的频带内,实现了信噪分离,提取了提升机的振动故障信息。研究证明采用小波分析对提升机的非平稳振动进行深层次分析,可有效诊断出设备的故障,是处理非平稳信号的有力工具。     

基于小波变换的引擎故障诊断方法研究

小波分析是近年来迅速发展起来的一门理论,在图像处理和故障诊断等方面都取得了成功的应用。本文从诊断理论和故障信号特点两方面说明对引擎故障信号进行小波分析是引擎故障诊断过程的内在要求;阐述了小波分析的理论基础,得到适合故障信号分析的小波母函数;应用了基于“能量-故障”的引擎故障诊断模式识别方法。通过小波包变换,成功提取了转子振动平台预设故障状态下的特征向量,通过模拟实验验证了该方法的可行性。     

大数据样本与半监督环境下基于生成对抗网络的故障诊断

在大故障样本条件下,提出一种基于生成对抗网络模型的故障诊断方法研究.构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集趋同,并基于空间测量工具对梯度函数进行优化,降低损失;采用故障集图像转换方式实现对原始信号的降维处理,利用判别器的神经网络结构训练输入数据,并提取出机械故障数据集中的故障特征点.实验结果表明,提出方法具有良好的分类诊断性能,故障诊断精度能够达到９９．４５％.     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

基于油液分析的多层前向BP网络在复杂机械故障诊断中的应用

为了提高大型复杂机械故障诊断系统的诊断精度和自适应性,将改进的多层前向BP神经网络引入大型复杂机械系统故障诊断的研究,通过对该系统的多技术油液分析,建立了该机械系统油液分析故障特征表及神经网络目标输出,以此构建了基于油液分析的复杂机械系统多层前向BP网络故障诊断模型,并对该模型在MATLAB环境下进行了仿真训练和故障诊断。仿真结果表明,该模型能用于故障诊断,并有较高的输出精度。     

基于粗糙集的软计算方法及其在机械故障诊断中的应用

粗糙集理论是一种较有前途的软计算方法,为处理不确定性信息提供了有力的分析手段。对近年来粗糙集理论在机械故障领域的典型应用进行了归纳和评述,指出将粗糙集理论与现有的一些算法如基因算法、人工神经网络、主成分分析法等相结合,对现有算法进行改造和完善的研究路线的正确性。     

基于振动可视化分析的机械故障诊断方法

提出了一种基于振动可视化技术的机械系统故障诊断方法。通过振动可视化技术补充和完善常规监测手段所得到的振动信息,同步反映设备关键测点在时间和频率上的变化,以此作为系统故障诊断的依据。首先,以功能简单的运动部件为对象研究可视化技术应用的可行性;其次,以多通道振动信号分析结果作为输入量,将其应用于机械系统故障诊断。应用结果表明,基于振动可视化技术的机械系统级故障诊断方法能够有效地简化复杂机械系统故障源的确定过程,同时完成故障模式的准确匹配。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于粗糙集的逻辑故障树方法及其应用

故障树是一种分析复杂系统可靠性、诊断系统故障的有效方法。在传统的故障树方法中 ,故障树的生成通常靠人工完成。故障知识的获取以及故障树结构的确定一直是有待解决的瓶颈问题。这里结合粗糙集、专家系统及人工智能等理论 ,提出了构造逻辑故障树进行故障诊断的方法并给出了相应的故障树评价标准。这种方法利用粗糙集对知识系统的知识发现和知识提取能力 ,从系统运行状态样本中建立基于知识的故障树模型。通过实例讨论了如何运用该方法对工业监控过程进行故障建模 ,检测系统运行过程中所发生的故障。     

基于级联粗糙集的数控机床智能诊断方法的研究

采用级联粗糙集进行数控机床故障诊断.以数控机床主轴、进给和刀库各部件振动信号幅值为条件属性,进行第一级粗糙集决策并诊断出主轴故障;进而通过主轴的转频、振动幅值、高频成分的能量及频率分布情况为条件属性,进行第二级粗糙集决策并诊断出产生故障的具体原因.级联粗糙集分析方法减小了由条件属性较多导致决策精度变差的可能性,提高了数控机床智能诊断的精度.     

基于状态监测和故障诊断的设备管理系统

当前由于状态监测和故障诊断与维修管理的相互脱节,使其应有的作用没有得到充分发挥。针对这种情况,采用了离线和在线监测诊断相结合的状态维修策略,建立了状态维修的工作模型,运用集成定义方法建立了系统的功能模型,进而综合采用网络技术、计算机技术和数据库技术等,开发出了基于状态监测和故障诊断的设备管理系统,为企业成功开展状态维修提供了有效的管理工具。     

机械故障诊断的非线性动力学原理

系统地介绍故障诊断的动力学原理,重点是机械故障诊断的非线性动力学原理.将机械装备分为可建模系统和不可建模系统.对可建模系统,基于分岔理论的故障机理分析,可对某些疑难振动故障的机理、控制和预测提供指导,以旋转机械为例,介绍建模方法.对不可建模系统,根据混沌动力学理论,应用实测振动数据可对系统进行相空间重构,根据表征能量分布的奇异谱的谱型可判断故障发生的根源.通过介绍,希望引起更多学者的注意和参与,相信这个研究方向对复杂装备制造水平的全面提升和非线性动力学理论的发展都是有意义的.