矢功率谱与RBF网络结合在旋转机械故障诊断中的应用

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面.径向基函数网络具有良好的推广能力和分类能力.基于此,本文结合矢功率谱和径向基函数网络,提出了一种新的故障识别方法,该方法以矢功率谱为特征向量,径向基函数网络为分类器.并以转子裂纹、转子不对中、油膜涡动为例进行实验研究,实验结果表明,该方法是有效的.     

双链量子遗传算法的收敛性分析

基于实数编码和目标函数梯度信息的双链量子遗传算法可增加种群的多样性、扩大解空间的搜索域、加速算法的进化进程、避免早熟收敛现象,但没有从理论上证明该算法的收敛性。为此,给出相应的定理,利用定理从理论上证明该算法的收敛性,通过仿真实例,论述量子编码和量子旋转门对算法收敛性和优化效率的影响。结果表明,该研究丰富和完善了双链量子遗传理论。     

旋转机械诊断中的矢功率谱-模糊C均值聚类方法

结合矢功率谱和模糊C均值聚类算法,提出了一种新的旋转机械故障识别方法。该方法以矢功率谱为特征向量,以模糊C均值聚类算法为分类器,成功地应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

非线性调频模态分解-同步提取变换方法及其在滚动轴承故障诊断中的应用

传统同步提取变换(SET)方法在处理多分量非平稳复杂信号时,各相邻分量的瞬时频率差要大于窗函数频率支撑范围的2倍,否则时频结果易发生频率混叠,而工程信号常常难以满足.此外,在处理高噪的复杂信号时,其时频分辨率往往不理想.针对此不足,将非线性调频模态分解(VNCMD)引入SET中,提出一种VNCMD-SET的故障诊断方法...     

基于灰度共生矩阵与局部线性嵌入的金属断口图像识别方法研究

在模式识别中,灰度共生矩阵(GLCM)能够很好的提取图片的纹理特征,流形学习中的局部线性嵌入(LLE)方法是一种有效的非线性降维方法。结合两者的优点,经过严格的推导,提出一种基于灰度共生矩阵与流形学习的金属断口图像识别方法 GLCM–LLE。将提出的方法与传统的基于灰度共生矩阵的方法进行对比,实验结果表明,提出的方法在识别率方面优于GLCM方法,具有实用、有效的优点。     

两级自适应调频模式分解-同步提取变换的故障诊断方法

同步提取变换(Synchroextracting Transform,SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊,导致难以精确提取快速波动的瞬时频率。针对此问题,结合自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)的自适应先验信息和贪婪算法的优势,将ACMD引入到SET中,构造一种两级ACMD-SET故障诊断方法。在提出的方法中,将基于基尼指数(Gini Index,GI)最大化准则的分量选择重组算法和第一级ACMD结合,提取出强干扰下的多模态故障脉冲信号的模式。然后,利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中,得到高分辨率的故障特征,方法的有效性得到验证。最后,将所提方法应用于航空发动机高速滚动轴承的振动信号分析中,结果表明,所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率,其结果明显优于SET方法。     

铜覆钢涡流检测探头优化设计与研究

为了提高涡流检测技术对铜覆钢表面及近表面的检测灵敏度,针对探头与铜覆钢的同轴度状态、激励信号频率、探头线圈的匝数及宽度探头等变量对铜覆钢涡流检测过程造成的影响,从同轴度矫正和探头参数优化的角度对铜覆钢涡流检测探头进行设计。利用数值仿真技术从理论上确认探头与铜覆钢的同轴度对涡流检测效果的影响。设计制作直径可调铜覆钢专用检测探头,可检测出铜覆钢材料中深度为0.1 mm的近表面缺陷。采用正交实验方法研究不同因素对涡流检测探头的影响程度。结果表明,铜覆钢涡流检测探头激励频率为25～35 kHz时,探头对于铜覆钢缺陷的检测灵敏度最高。因此,通过改善探头结构、优化探头参数,可提高铜覆钢涡流检测灵敏度。     

基于经验小波变换的机械故障诊断方法研究

经验小波变换(EWT)是一种新的自适应信号分解方法,该方法继承了 EMD 和小波分析方法的各自优点,通过提取频域极大值点自适应地分割傅里叶频谱以分离不同的模态,然后在频域自适应地构造带通滤波器组从而构造正交小波函数,以提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)成分。本文将该方法引用到机械故障诊断中,提出了一种基于经验小波变换的机械故障诊断方法,并与EMD方法进行了对比分析。仿真结果表明,经验小波变换方法明显优于EMD方法,能有效地分解出信号的固有模态。与 EMD 相比较,该方法具有分解的模态少,不存在虚假的模态,计算量小,且在理论上具有易理解性等特点。最后将该方法应用到转子碰磨故障诊断中,实验结果进一步验证了该方法的有效性,能够有效地揭示出碰磨故障数据的频率结构,区分碰磨故障的严重程度。     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

ARMA模型盲辨识仿真研究及其在机械故障诊断中的应用

介绍一种新的基于高阶累积量的ARMA模型的递推盲辨识算法，并对ARMA模型的盲辨识方法进行了仿真研究，同时与常用的方法（残余时间序列法、q切片法、Newton法）进行了比较和分析。仿真结果表明，该算法具有良好的收敛性和准确性，运行速度快。特别是随着系统的阶次的增加，速度提高越明显。由于在计算中引入高阶累积量，因而该算法还可抑制高斯噪声的于扰。在此基础上，将该方法应用到机械故障诊断中，并进行实验研究，实验结果表明，该方法是有效的。