基于AAVMD的滚动轴承故障诊断

由于滚动轴承故障信号的频带难以识别,故传统方法在诊断故障过程中存在故障识别准确率较低等问题,提出基于自适应变分模态分解(AAVMD)的滚动轴承故障诊断方法。首先,确定准确的模态数,并利用模态数确定方法获取最大峭度值;然后,对初始振动信号进行AAVMD分解,得到固定数量的本征模态分解量(IMF);再利用共振技术选取具有丰富故障信息的IMF分量;最后,处理所选取IMF分量的带通滤波,并对其进行包络解调分析,通过上述步骤获取故障特征频率,完成滚动轴承故障诊断。实验结果表明,所提方法能够有效提高故障识别准确率,且具有较强的实用性。     

基于Matlab的滚动轴承故障诊断方法的研究

滚动轴承被广泛应用于风力发电、直升机等各类机械设备中,由于其受到复杂的载荷作用并且工作环境较为恶劣,所以轴承较为容易受到损坏。如果不能及时发现轴承故障,则会造成较大的事故,或导致停产与造成经济上的损失。本文通过对轴承故障振动信号的采集,利用Matlab软件对数据进行处理,力求在初期就能够及时发现故障,为维修提供科学依据,节约维修时间和成本。     

基于小波包变换和Fisher判别的滚动轴承故障诊断

本文针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用Fisher判别分析对提取的特征向量进行故障分类.实验结果表明所提方法的有效性.     

基于核Fisher判别分析的滚动轴承故障诊断方法

本文提出了基于核Fisher判别分析的滚动轴承故障诊断方法。该方法利用非线性核函数将数据从原始空间映射到高维特征空间,在高维特征空间中利用Fisher判别分析方法提取最优的Fisher特征矢量和判别矢量来实现滚动轴承的状态监控与故障诊断。试验结果表明,核Fisher判别分析方法能很好地识别滚动轴承的故障模式。     

关于转炉除尘风机状态监测与故障诊断技术的研究

随着科学技术不断进步,企业生产不断趋向大型化和连续化发展,企业对设备的安全性、稳定性提出更高的要求。转炉除尘风机是炼钢厂主要的辅助设备之一,对其运行状态进行监测以及故障进行诊断,对减少事故和提高设备运行效率具有十分重要的意义。     

基于EMD和Hilbert包络解调的滚动轴承故障诊断

滚动轴承是机械设备中广泛应用的零件,其运行状态直接影响着整个机械设备的安全,因此进行滚动轴承的早期故障诊断十分重要。本文结合EMD（经验模态分解）和Hilbert包络解调技术,对滚动轴承故障信号进行了分析,首先利用EMD将信号分解成含不同频率成分的多个IMF（本征模态函数）分量,然后挑选其中的高频IMF分量进行Hilbert包络解调,有效提取出了信号中的故障特征,验证了基于EMD的Hilbert包络解调分析方法在滚动轴承故障分析中的有效性。     

基于多传感器信息融合的柴油机故障诊断系统

传统的单一传感器的柴油机故障诊断方法存在识别率低、稳定性差等问题,而柴油机作为大型机械的关键装置,其故障发生的复杂度越来越高,处理不当,则会发生严重后果。而近些年兴起的基于多传感器信息融合的柴油机故障诊断系统区别于以往柴油机故障诊断方法的单一性与不确定性,能够有效地解决柴油机在运作过程中出现的故障。本文通过介绍多传感器信息融合的含义、种类及基于多传感器信息融合的故障诊断系统在柴油机故障诊断中的应用,为柴油机故障诊断提供一个新的方向。     

基于变分模态分解的单通道信号盲源分离方法

针对单通道情况下传统盲源分离方法难以恢复源信号的问题,提出一种基于变分模态分解(VMD)的单通道信号盲源分离方法。首先对单通道信号进行变分模态分解(VMD)获得一系列本征模态函数(IMF)分量,将单通道信号和其IMF分量构成多维信号,然后采用主成分分析法估计源数,依据估计的源信号数目重组多通道观测信号,最后利用改进的变步长等变自适应分离(VSEASI)算法实现信号的盲分离。将所提出方法应用于齿轮和轴承的单通道信号仿真研究,仿真结果表明,该方法能够有效地分离出齿轮和轴承信号,解决了单通道信号盲源分离问题。     

基于粗糙集和支持向量机的离心泵气蚀故障诊断

离心泵广泛应用于现代工业生产之中,其能否稳定运行对工业实际生产带来极大影响,气蚀是离心泵运行过程中的一种常见故障。提出了一种基于粗糙集和支持向量机的离心泵气蚀故障诊断新方法。该方法对离心泵入口压力脉动信号提取经验模态分解能量比特征与小波分解能量特征,运用粗糙集理论降低特征维数,并以此特征向量构成气蚀故障样本对支持向量机进行训练,实现了气蚀故障的多特征融合。实验结果表明：降维后的特征很好地反映了不同气蚀故障间的差异,训练成功的支持向量机能快速准确地识别离心泵不同气蚀故障类型,整体识别率达到98.5%,每种气蚀信号的判别时间约为0.5s,适合气蚀的在线识别。     

小样本条件下基于VMD-SVM的电网技改项目科技投资预测

随着我国电力改革体制不断推进,以输配电服务为主的盈利模式要求电网企业对经营成本作出更精确的控制。电网技改工作对电网企业的运营成本具有较大影响,但由于相关历史数据少,采用常规预测模型难以对电网企业技改项目的年度科技投资进行科学和客观的预测。为此,针对电网技改项目科技投资年度预测属于小样本预测的特点,选取支持向量机(SVM)模型作为预测模型,并且在预测开始之前进行变分模态分解(VMD),通过将技改科技投资数据分解为特征各异的子序列,将每一个子序列数据通过不同的SVM模型进行预测,得到各子序列的预测结果后对子序列的预测结果进行叠加,从而得到最终预测结果。最后通过某区域电网的实际数据验证,得到基于VMD-SVM的电网技改项目科技投资预测方法的预测精度为1.51%,而单采用同参数SVM模型的预测精度为2.02%,证实基于VMD-SVM的电网技改项目科技投资预测方法的有效性。     

识别简支梁桥结构损伤的新方法

简单介绍了希尔伯特-黄变换(HHT)原理及相关概念,以及传统振动信号处理中的五个无量纲参数的定义.对某简支梁模型,利用振动系统采集振动响应信号,综合利用HHT和波形因数、裕度指标、峰值指标、峭度指标和脉冲指标对采集到的数据进行处理.实现了对损伤及其位置的识别.是后讨论了该方法的不中和需改进之处.