从故障实例数据库中挖掘振动信号特征

复杂、并发故障诊断的难点在于这些故障的振动信号很复杂,特征很难获得,文中阐述了从实例数据库中挖掘故障特征的整体结构,定义了信号的绝对、相对和梯度特征及相应的绝对、相对和梯度模式实例,进而阐述了应用模糊聚类分析挖掘特征模式的方法,最后以往复式压缩机实例挖掘系统为例说明了该原理的应用。     

齿轮故障的模糊聚类及其微机辅助诊断

本文对齿轮装置故障的计算机诊断方法进行了研究,文章以Fuzzy(模糊)理论为基础,借助于高分辩率的最大熵谱(MEM),准确地实现了故障位置、种类及程度的微机自行诊断。     

碟式分离机转鼓锁环的有限元应力分析

碟式分离机转鼓在工作时，转鼓内的物料以及转鼓自身的质量在离心力作用下，会在转鼓各个部件内产生很高的应力。由于转鼓复杂的几何特性和各部件间的接触作用，所以很难确定应力分布情况。本文考虑锁环对鼓体施加的预紧作用，利用ANSYS有限元软件对转鼓进行应力分析，在计算过程中，利用接触单元模拟锁环，鼓体，顶盖，活塞之间在真实情况下的相互作用，最后对锁环进行了详细的应力分析，在分析过程中，利用APDL语言进行二次开发，解决了ANSYS软件不能直接施加呈二次型分布压力的问题。     

用神经网络提取模糊诊断知识的方法

改进了Ｂ－Ｐ神经网络的算法结构,找了单层神经网络权值矩阵与模糊综合评判关系矩阵之间的对应关系,由此构造了模糊神经网络系统,本系统解决了模糊诊断学习困难的局限,可以将所学知识中具有普遍意义的知识提取出来,同时,将过去隐含分布式的神经网络权值矩阵的物理意义明晰化,克服了单层Ｂ－Ｐ网络的一些局限性。     

矢谱：一种实用的旋转机械故障诊断分析方法

旋转机械的振动具有其复杂性的特殊性,在各个响应频率下,转子的运动轨迹是一个椭圆,该轨迹的主振矢、所在方向、副振矢以及进动方向是进行旋转机械故障诊断的重要信息。本文给出一种实用的旋转机械振动分析方法－－矢谱分析,对于旋转机械故障诊断具有十分重要的工程意义。     

捕获设备故障信号的神经网络模型

探索和尝试以轴心轨迹为依据 ,以全等度、相似度和扩散度三个特征参数为输入的神经网络捕获设备故障信号模型 ,可大大提高故障症兆提取的效率和质量 ,并以大型化工装置透平压缩机组的监测系统为例做了应用说明     

具有多核结构的稀疏化DNN在轴承诊断中的应用

为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。     

基于嵌入式技术的智能仪器触摸屏接口设计

研究开发了嵌入式智能仪器的触摸屏接口;分析了电阻式触摸屏的工作原理;设计了触摸屏与微处理器的接口电路;开发了嵌入式Linux框架下的触摸屏设备驱动程序;阐述了采用触摸屏作为输入的MiniGUI应用程序的编写方法.设计的触摸屏接口已成功应用在故障诊断仪器产品上,增强了仪器的人机交互功能,方便了现场操作人员使用.     

基于TVAR的自适应时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归（TVAR）建模方法，通过引入基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识；在此基础上，应用带遗忘因子的递归最小二乘算法进行参数估计，实现了信号的自适应时频分析。通过仿真算例将该法与短时Fourier变换、Wigner分布的结果相比较，验证了该方法时频分辨率高的优越性。最后，将该方法应用于轴承的故障诊断，结果表明，该方法用于故障诊断的特征提取是有效的。