旋转机械故障的灰色网络诊断分析

利用神经网络的高度并行运算功能,将灰色关联度分析和人工神经网络技术相结合,形成灰色网络诊断系统,对旋转机械常见故障进行了振动机理分析和诊断研究。从中可以看出,利用此系统诊断设备的故障,计算简单,准确度高。     

基于粗糙集的旋转机械振动故障诊断研究

振动故障是旋转机械最常见的故障,旋转机械故障诊断常用的是振动分析法.粗糙集理论是一种研究不完整数据、不精确知识的表达、学习和归纳的数学工具.基于粗糙集理论,对旋转机械的振动故障诊断决策表进行分类、约简和核集的形成,推导出最简明的决策表,从而提取故障诊断的重要属性,降低决策表的冗余性.研究表明,粗糙集理论应用于旋转机械振动故障诊断可得到更明晰的诊断规则,从而提高了故障诊断的实时性和快速性.     

旋转机械振动故障诊断中专家系统知识获取方法探讨

讨论了旋转机械故障诊断专家系统的知识获取原则、知识库初始化与完善和先验的针对性知识在故障诊断专家系统中的作用。提出以模糊聚类方法获取针对性知识的数学模型和以该模型为基础的一种旋转机械故障诊断专家系统的知识获取策略     

石化旋转机械振动故障诊断与治理实例

介绍某石化总厂自备汽轮发电机组及生产流程中的高速风机由于机械与热不平衡、管道力作用、轴承座台板松动及刚性不足等引发的振动问题。根据旋转机器的具体特性，在时域和频域中分析不同工况下的振动特征，对上述问题进行诊断和治理。结果表明，诊断结论是正确的，治理措施取得良好的减振效果。     

自组织特征映射人工神经网络用于旋转机械故障诊断

本文利用人工神经网络自组织学习和神经元连接的类型(兴奋或抑制)与征兆和故障之间的特征映射,建立了旋转机械故障诊断的自组织特征映射模型.利用这一模型使人工神经网络无指导学习用于旋转机械故障诊断,通过旋转机械中常见故障进行诊断提供了进一步解决故障诊断专家系统中知识库建立及维护的新方法.     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系。针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种基于Levenberg-Marquardt（LM）的改进的BP网络。经改进算法训练的网络能大大提高诊断的能力，具有广泛的应用前景和应用价值。     

BP神经网络在旋转机械故障诊断中的应用

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类、联想问题。本文将ＢＰ神经网络理论应用于风机故障诊断中，取得了较好的结果。     

BP神经网络模型在旋转机械故障诊断中的应用

本文利用神经网络模型建立了旋转机械常见故障的类别与征兆之间的映射关系.并利用这一模型对几种常见故障进行了分析诊断,诊断结果表明本方法精度高,结果可靠,对于工程应用具有一定的实用价值.     

旋转机械振动状态监测与故障诊断系统设计及实现

旋转机械是电力行业的重要设备,其运行状况是否完好将会直接影响到企业的效益。该文在介绍状态监测与故障诊断流程的基础上,研究了旋转设备常见故障类型和振动数据分析方法,利用LabVIEW软件实现了振动数据采集与分析、故障知识数据库等功能。该系统提供了良好的人机界面,对旋转设备的振动数据提供了多种分析方法和图形化的显示方式,为后续的故障诊断工作提供了良好的分析平台。     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

轴心轨迹自动识别及其在旋机诊断中的应用

提出了一种基于Zernike不变矩特征和神经网络分类器的轴心轨迹自动识别方法.通过对原始Zernike矩特征进行二次提取和处理,获得了对轴心轨迹识别更为敏感的矩特征量,降低了后续神经网络分类器设计的难度.仿真研究表明,基于Zernike矩的轴心轨迹识别方法,其识别精度优于常用的几何矩方法.将所提方法应用于汽轮发电机组和高速离心压缩机组轴心轨迹的自动识别,并结合频谱能量分布特征进行故障诊断,结果表明,引入轴心轨迹特征可以有效地提高旋转机械故障诊断的精度.     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

大型旋转机械振动现场测试与故障特征分析

为了分析研究旋转机械的故障机理,对某发电厂200MW汽轮发电机组的停机过程进行了现场测试。结果表明,该机组转子系统具有复杂的振动特性和丰富的故障特征,存在明显的非线性故障和多重故障现象。本文基于这些振动测试结果,对转子系统的典型故障现象进行归纳,对其故障机理进行定性分析。所得实验数据和分析结果对大型旋转机械的动态设计、改造、监测与运行管理具有指导意义。     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

大型旋转机械状态监测与故障诊断研究进展

分析了旋转机械状态监测与故障诊断研究的重要意义。提出了一种由状态监测与故障诊断理论和方法、状态监测与故障诊断关键技术、状态监测与故障诊断系统、状态监测与故障诊断工程应用四个方面相互支撑的旋转机械状态监测与诊断研究的体系架构,给出了一个超超临界汽轮发电机组状态监测与故障诊断系统研究的实例。分别综述了大型旋转机械状态监测与故障诊断的理论和方法、关键技术、应用系统研究及其工程应用的进展,提出了对于旋转机械状态监测与诊断研究的思考与建议。