基于SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

基于递归定量分析的液压泵故障识别方法

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象，首先用局部投影消噪方法对振动信号进行消噪；其次对消噪后的振动信号绘制递归图，进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取，选择确定率（DET）和递归熵(ENTR)2个特征构成特征向量，构成故障特征样本；然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别；最后，将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明，基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。     

液压系统故障检测与诊断技术的新进展

阐述液压系统故障检测与诊断技术的研究现状,指出现有各种单一诊断方法存在的缺陷,论述解析冗余与ＡＮＮ融合,小波分析、模糊逻辑与途径,并对今后的发展方向进行展望。     

基于LabVIEW的电液伺服阀特性远程测试系统

随着计算机网络的迅速普及,网络化测试系统在生产、科研和教育等各个领域发挥着越来越重要的作用.本文介绍了远程测试系统的结构和用LabVIEW实现远程测控的方法,把实验室原有的电液伺服阀特性VICAT系统加以改进,实现了基于虚拟仪器的电液伺服阀特性远程测试,并给出某阀的稳态流量特性和压力增益特性实测结果.     

小波分析及其在伺服阀性能测试中的应用

指出了Fourier变换、窗口Fourier变换在时频分析方面的缺陷,从信号分析的角度阐述了小波变换在时频局部化方面的优良的变焦性能。给出了小波分析在液压伺服阀性能测试中的应用实例。     

小波包络新方法在液压泵故障诊断中的应用

提出了一种基于小波簇的带通滤波和包络解调新方法。通过合理的选择小波参数,用多个单Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过度带特性的带通滤波器,用于提取振动信号的高频成分。由于该小波簇的虚部是实部的Hilbert变换,可实现包络解调,从而提取振动信号在高频谐振带的包络成分。将该方法用于轴向柱塞泵故障的诊断中,结果表明可有效地提取了故障特征频率,诊断结果验证了该方法的有效性。     

内禀模态特征能量法在柱塞泵故障诊断中的应用

针对轴向柱塞泵故障振动信号的非平稳特征,融合经验模态分解(Empirical Mode Decomposition,EMD)和实值否定选择(Real-valued Negative Selection,RNS)算法,提出了一种混合的故障诊断方法.在该方法中,首先将原始信号用EMD方法分解为若干个平稳内禀模态函数(Intrinsic Mode Function,IMF)之和,以各层能量与总能量的比值为元素构造特征向量,作为样本;然后将正常样本作为RNS算法的输入,产生检测器,对故障样本进行识别.最后用轴向柱塞泵脱靴故障样本进行诊断,正确率可达90%以上,验证了混合诊断方法的有效性.     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

小波脊线解调与两次EMD分解相结合的故障识别方法及应用研究

提出了一种基于小波脊线解调与两次经验模态分解(EMD)相结合的故障识别方法,用于轴向柱塞泵的故障诊断.结合EMD与小波脊线法在处理非平稳信号方面的优势,首先对故障原始信号进行了EMD分解,利用边际谱发现故障发生时的共振频带范围并据此找出对故障敏感的固有模态函数(IMF)分量,然后对该敏感IMF分量分别进行小波脊线解调和Hilbert解调,最后通过比较两种解调方法解调后敏感分量的时频谱和三维谱图发现,小波脊线解调比Hilbert解调具有更高的时频定位精度和抗干扰能力.此后,分别对小波脊线解调与Hilbert解调后的敏感分量进行EMD再分解,利用所得的各阶二次IMF分量的归一化特征能量来构造特征向量,得到液压泵5种典型状态的样本集,结合K均值聚类算法对故障状态进行识别.研究结果表明,与采用Hilbert解调处理方法相比,利用2次EMD分解与小波脊线解调相结合的故障特征向量提取方法显著提高了故障识别准确率,故障确诊率可高达92％.