基于UML的设备故障远程协同诊断平台系统建模

远程协同诊断是一种工程领域中的计算机分布式应用。在分析比较了多种建模方法的基础上,运用UML从系统建模的角度建立了远程协同诊断平台的需求模型和分析模型,为后续的系统设计和实现提供了指导模板。     

基于多尺度线调频基稀疏信号分解的轴承故障诊断

在线调频小波路径追踪算法和稀疏信号分解的基础上,提出一种基于多尺度线调频基的稀疏信号分解方法,并将其应用于非平稳转速下的轴承故障诊断。基于多尺度线调频基的稀疏信号分解方法,根据信号的特点,自适应地选择多尺度的线调频基函数对信号进行投影分解。由于基函数库多尺度特性,使得该方法比以往采用单一尺度库函数的稀疏信号分解方法更适用于分解频率呈曲线变化的非平稳信号。在非恒定转速下,当轴承出现故障时,振动信号中与故障对应的特征频率将会随转速变化而波动,采用基于多尺度线调频基的稀疏信号分解方法能准确获得非平稳转速下轴承故障特征频率随时间的变化情况,进而对其状态和故障特征进行识别,仿真算例和应用实例说明了此方法的有效性。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

用矩阵广义逆和灵敏度分析修正阻尼结构动力学模型

本文基于矩阵广义逆和灵敏度分析,提出了一种阻尼结构动力学模型的修正方法。该方法以实测结构模态参数为基准修正结构初始质量、刚度和阻尼矩阵,从而使计算和实测结构模态参数更为吻合。方法的修正过程分两步:首先,利用复模态理论的正交关系和特征关系对结构初始质量、刚度和阻尼矩阵作第一次修正;其次,利用复频率灵敏度分析对质量、刚度和阻尼矩阵作再次修正。数值算例和应用实例均表明,本文方法具有较高的修正精度,是一种简便有效的结构动力学模型修正方法。     

局部均值分解方法及其在齿轮故障诊断中的应用

研究了一种新的自适应时频分析方法--局部均值分解LMD(Local mean decomposition)方法.并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法.LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号.在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断.     

用复模态综合和矩阵广义逆技术识别机械结构局部物理参数

在研究机械结构动力特性时,有时需要识别结构某些部件之间连接面上的质量,刚度与阻尼参数。本文基于复模态综合和矩阵广义逆技术,提出一种机械结构局部物理参数识别方法。该方法仅需实测结构少量低阶模态参数信息,测试与计算工作量小,识别精度高,适用于复杂结构局部物理参数的识别。     

Hilbert-Huang变换端点效应问题的探讨

为了克服Hilbert-Huang变换中的端点效应，利用时变参数ARMA（Autoregressive Moving Average）模型对信号进行外延后再进行EMD（Empirical Mode Decomposition）分解，在一定程度上克服了EMD方法的端点效应问题；同时利用时变参数ARMA模型对IMF（Intrinsic Mode Function）分量进行延拓后再进行Hilbert变换，有效地抑制了Hilbert变换中的端点效应，可以得到准确的瞬时频率和瞬时幅值。     

基于孤立点分析的设备维护案例不一致性辨识研究

随着CBR系统在设备维护知识管理中的广泛应用,案例库的规模在不断的膨胀.不一致的案例增多,降低了案例库的质量,影响了CBR系统的性能.为此,把孤立点分析算法应用于设备维护案例不一致性的辨识,并对一组实际的风机机组案例库片断进行孤立点分析,找出了不一致案例.此方法与现有的不一致案例检测方法相比,不依赖已有的特征值数据模型,不需要事先建立数据规则,因此具有通用性.     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

基于EMD的齿轮故障识别研究

EMD(Emirical Moe Decompoition)方法是一种自适应的信号分解方法,该文根据齿轮故障振动信号的特点,将EMD方法应用于齿轮故障诊断中。研究结果表明,EMD方法可以有效地提取齿轮故障振动信号的特征。