有源电力滤波器故障诊断系统的设计

针对有源电力滤波器APF（active power filter）中IGBT故障监测的问题,对IGBT及其驱动模块的故障进行了分析,对故障特征与故障检测电路进行了研究,设计了一种基于LabVIEW的故障诊断系统.通过对APF故障特征的归纳,设计了IGBT及其驱动模块的故障检测电路,并将IGBT故障运行与正常运行的时序图进行了对比分析,最后利用LabVIEW上位机对APF故障诊断系统进行了测试.实验结果表明,该诊断系统能对APF故障进行检测,并可有效识别IGBT故障的位置.     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于LabVIEW与MATLAB的改进VMD轴承故障诊断方法研究

通过MATLAB Script节点,将改进VMD(Variational Mode Decomposition,变分模态分解)算法引入到LabVIEW信号处理中,开发出轴承故障检测系统,弥补LabVIEW缺少VMD模块的缺陷。利用该系统对内圈故障进行诊断分析,成功识别出轴承故障类型。故障诊断试验表明,系统不仅实现信号分析的可视化,而且具有强大的数值处理能力,分解效果比EMD算法更优,准确提取内圈故障信号的一倍频和二倍频。     

虚拟仪器技术在风机齿轮箱振动分析中的应用

运用虚拟仪器技术,结合风机齿轮箱的故障特点及振动信号分析方法,在LabVIEW开发平台上进行了针对风机齿轮箱的振动分析模块开发.保证其可靠安全运行.     

基于LabVIEW的电厂在线监测系统

为解决邯钢电厂生产点多、各控制系统需要连接的工作量大以及生产工艺流程复杂、各分厂车间互相不完全协调的问题,以LabVIEW为平台,设计了一套电厂在线监测系统。其功能包括:数据采集、数据存储与分析、趋势分析、故障诊断等。首先设计了该系统的服务器,包括数据采集、数据存储、数据发布3个模块,然后设计了该系统的客户端,包括系统设定模块、即时信号显示模块、信号监测分析模块、故障诊断模块。在保证故障检测效率的条件下,该系统极大地减少了存储空间。实际使用结果表明,利用该监测系统故障发生前,可即时做出预警,故障发生后,可方便工程技术人员调用历史数据、判断故障原因并进行分析。     

基于改进局部均值分解和流形学习的齿轮故障诊断研究

为更有效地利用齿轮振动信号进行故障诊断,提出基于改进局部均值分解(Local Mean Decomposition,LMD)和流形学习(ISOMAP)的齿轮故障特征提取方法。该方法将局部均值分解、模糊熵(Fuzzy Entropy,FE)和流形学习相结合。首先,利用LMD对原始振动信号进行多尺度分解,并在原LMD方法上添加自适应匹配波形以缓解端点效应对分解结果的影响;然后,对LMD分解后得到的乘积函数(Product Function,PF)进行模糊熵计算,获得原始信号不同尺度下的模糊熵数值,组成高维特征向量;最后,利用ISOMAP对高维特征向量进行二次特征提取,得到低维向量,进行故障识别。实际齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势。     

基于LabVIEW的柴油机故障诊断虚拟仪器开发

开发了一套基于分形理论,使用柴油机声音信号进行故障诊断的虚拟仪器.介绍了其硬件平台的搭建,结合LabVIEW与MATLAB混合编程阐述了软件平台的设计,该平台由声音信号采集、信号预处理、故障特征提取、故障诊断4个模块构成.在故障特征提取模块中对分形关联维数的G-P算法进行了论述.结合柴油机故障实例测试表明:柴油机声音信号关联维数随工作状况改变有明显变化,能作为故障诊断的特征量,通过该虚拟仪器能迅速有效地识别出故障.     

基于LMD-MS的滚动轴承微弱故障提取方法

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。     

基于LMD谱分析的压气机转静子碰摩故障诊断

为了提取压气机转静子的碰摩故障特征,提出一种基于弹性支承振动应变信号的局部均值分解(LMD)谱分析方法。该方法通过在转子系统弹性支承垂直和水平方向的弹条上粘贴应变片,获取转子系统在工作过程中的振动应变信号,通过对振动应变信号进行LMD分解,并对LMD分解所得信号进行循环频率谱和切片谱分析,从而获得碰摩故障特征。分析结果表明:LMD可以对弹性支承振动应变信号进行有效分解;弹性支承振动应变信号经LMD分解得到第1个PF (Production function)分量的循环频率谱和各PF分量的切片谱均可提取转静子的碰摩故障特征频率。叶轮叶片的分解检查结果验证了该方法对转静子碰摩故障识别与诊断的有效性。     

基于LMD的包络分解在转子故障特征提取中的应用

本文应用局部均值分解(local mean decomposition, LMD)方法对采集的转子振动信号进行处理,提取其故障特征。首先用LMD对转子同一截面上互相垂直的两个振动信号进行分解,然后对每个方向上的分解分量进行Hilbert变换,得到各分量的包络谱,根据分解频谱图分析转子的旋转故障特征。通过LMD方法分解得到的转子松动碰摩故障特征清晰、准确,表明了该方法的可行性和有效性。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

数控机床刀具故障在线监测系统开发

介绍小波分析、虚拟仪器及其软件开发平台LabVIEW基本原理的基础上,着重阐述了小波消噪和奇异信号检测在数控机床刀具故障诊断中的应用,以及小波分析与虚拟仪器相结合应用于故障信号分析.设计开发了基于LabVIEW8.2虚拟平台的数控机床刀具故障监测系统,该系统将数据采集,数据分析和故障诊断融为一体,实现机械设备在线检测、实时故障诊断.最后通过数控铣床刀具磨损故障监测实验,验证了该监测系统在工程实际应用中的合理性和实用性.     

形态-奇异值分解降噪与LMD结合的滚动轴承故障诊断

在局部均值分解(LMD)的理论基础上,分析了局部脉冲干扰和随机噪声对LMD分解质量的影响,结合形态学滤波和奇异值分解(SVD)降噪理论,提出了一种形态-奇异值分解降噪-LMD相结合的滚动轴承故障诊断方法,该方法将形态-奇异值分解作为LMD分解的前置处理单元,可以有效减少LMD分解层数,降低边界累积效应。利用仿真信号实例详述了这种方法的实施过程,并将该方法成功应用到实际轴承故障数据信号处理中,实验结果证明该方法在轴承故障诊断中切实可行,具有较好的应用价值。     

基于LabVIEW的加工中心质量与可靠性评价系统设计

以LabVIEW为系统开发平台,设计实现了加工中心质量与可靠性评价系统,该系统包括用户界面、用户管理、数据采集、数据库管理和数据处理模块。结合加工中心故障特点,对加工中心进行故障分类,提出了分类编码方法,通过Access数据库技术,实现了对故障数据的查询和编辑;给出了一阶灰色模型直接建模算法,实现了加工中心故障威布尔分布的3个参数估计,从而获取了加工中心的可靠性评价指标,并给出了质量SPC实现方法。该系统采用模块化设计,具有操作简便、功能易扩展的特点,方便了加工中心可靠性的分析与研究。     

NI LabVIEW 8——新特性简化了分布式系统的开发

LabVIEW 8是美国国家仪器有限公司LabVIEW图形化开发平台的一个重要的升级版本，包括对LabVIEW实时模块、LabVIEW FPGA模块、LabVIEW PDA模块，以及LabVIEW数据记录和监控模块的升级。     

LMD-KICA滚动轴承信号特征提取方法研究

在实际工程机械所产生的滚动轴承故障信号十分复杂,有效的故障信号和特征信息极易被噪声信号所干扰,针对工程中振动信号的特点,提出了一种基于局部均值分解(LMD)结合核独立分量分析(KICA)的方法提取故障信号特征.首先将源信号进行LMD分解,根据相关系数准则提取相关程度高的PF分量并构建新信号,对新构建的故障信号运用KIC...     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进行了包络分析来提取故障特征;最后,将所提出的方法与局域均值分解(LMD)重构后,用最小熵解卷积(MED)滤波故障特征提取方法进行了对比;此外,采用所提方法分析了内圈故障。研究结果表明:所提出的方法对微弱故障特征提取有更好的适用性,能在包络谱中看到多倍频峰值,且峰值附近干扰很少;仿真与试验结果验证了方法的有效性。     

基于LMD和平滑Teager能量算子解调的电机滚动轴承故障特征提取

作为电机转子的支撑元件,电机轴承故障在电机故障中占有很大比例。针对电机滚动轴承振动信号多分量调幅调频的特点,提出一种基于局域均值分解(LMD)和平滑Teager能量算子的电机轴承故障特征提取方法。该方法首先通过LMD将多分量调制信号分解为若干个单分量调制信号,再运用平滑Teager能量算子对包含主要故障信息的分量进行解调,从而准确地分析出轴承的故障特征。模拟和实例证明了该方法的有效性。     

基于DSP和LabVIEW的电动机转子断条故障诊断

为了实现对鼠笼式异步电动机转子断条故障的实时诊断,设计了一套以TMS320F2812和LabVIEW为核心的转子断条故障诊断装置。该装置以TMS320F2812为主控芯片,实现对异步电动机定子侧电流信号的采集,通过DSP的串口模块将采集到的信号传送到由LabVIEW构建的上位机信号处理平台。针对定子侧电流信号中工频分量对断条故障特征分量的干扰较大,严重地影响断条分量的识别,LabVIEW处理平台采用自适应陷波器算法对工频信号进行陷波处理,在FFT频谱上实现对断条故障特征分量的识别。实验证明,该装置能够实现对断条故障进行实时监测,并能够在FFT频谱上对断条故障特征分量进行识别。