交-交变频调速系统特征提取方法的研究

针对交-交变频调速系统中传统故障诊断方法难以准确判断隐性故障类型的问题,本文提出了一种基于db1小波包和db24小波包变换近似熵的特征能量提取方法:首先用db1小波包分解并提取采样信号的低频重构信号,用db24小波包分解并提取采样信号的高频重构信号:而后提取各个频带段的近似熵,根据具体的判断规则确定电机运行的隐性故障特征信号.实验和仿真证明,该方法弥补了传统方法提取微弱特征的不足,能够很好用于隐性故障诊断的检测,表明该方法的可行性和有效性.     

融合小波和神经网络的发动机转子系统故障诊断

针对发动机转子系统不平衡、碰磨、油膜渦动3类故障,提出了一种融合小波与神经网络的故障诊断诊断算法.首先利用小波提取转子系统振动信号在各个频带上的能量特征信息,对能量特征采用B&B搜索算法进行特征选择之后,再利用BP神经网络识别转子系统的故障模式.实验结果表明,该方法对转子系统故障具有较高的识别率.     

声强直接测定法在发动机故障诊断中的应用

提出了一种基于虚拟仪器技术的声强直接测定方法。根据双传声器声强测试原理，将声强传感器采集的信号交由数据采集系统完成A／D转换，经过数字滤波，计算出实时声强（时域声强），取其时间平均得到有功声强（频域声强）。根据该方法测得的发动机时域声强信号提取二次矩、四次矩以及时间二次矩，提高了发动机不同工况的特征区分度，从而提高了故障诊断的准确性和有效性。通过声强标定仪的校准，以及对发动机声强的实际测量和诊断试验，证明该方法是准确有效的。     

基于小波变换和SVR模型的陀螺仪故障预测

为了准确可靠地预测陀螺仪的故障,提出一种基于小波变换和支持向量回归机的陀螺仪故障诊断和预测方法。首先,利用小波分析和支持向量机对陀螺仪故障特征进行提取,然后建立SVR的故障预测模型,最后基于实验测得的陀螺仪振动数据对该预测模型进行了仿真验证,结果显示该算法预测效果良好,是一种有效的陀螺仪故障预测算法。     

基于声强信号分析和组合神经网络的发动机故障诊断

建立了一个基于声强信号分析和组合神经网络的发动机故障诊断模型。该模型首先运用小波理论分析各类故障下发动机产生的声强信号,获取反映发动机工作状态的频带特征向量,然后将特征向量用于组合神经网络训练,进行故障模式识别。通过对3Y丰田2．0发动机的试验数据分析表明,这种模型可有效提高故障诊断的效率和准确率。     

基于小波包和样本熵的水泵机组振动特征提取

目前大部分大型水泵机组安装有状态监测系统,但如何从海量的状态监测数据中提取出机组故障特征仍是水泵机组故障诊断的一大难点和热点。提出了一种基于小波包和样本熵的水泵机组振动特征提取方法,该方法首先通过小波包变换对水泵机组振动信号进行分层分解,得到小波包频带系数,再结合样本熵算法对小波包频带系数进行重构,得到以各频带信号样本熵值为元素的反映机组故障信息的特征向量,最后采用LVQ神经网络对试验振动信号进行分类,验证结果表明:基于小波包变换与样本熵相结合的特征提取方法对水泵机组不同振动状态具有较好的区分度,是一种合适的水泵机组故障特征提取方法。     

基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法，首先采用小波包对滚动轴承振动信号进行分解与重构，然后提取重构后振动信号的峭度值，将峭度值作为特征参数输入神经网络，进行故障模式识别。通过对实验数据的分析信号表明，能有效地识别滚动轴承工作状态与故障类型。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于小波K-L信息量柴油机故障诊断方法的研究

根据柴油机表面振动信号非平稳时变的特性 ,采用小波对柴油机缸体表面的振动信号进行分解得到特征信息量 ,并以此建立 AR模型 ,计算得到 K L信息量。提出了基于小波 K L信息量的模式识别方法 ,实现故障诊断技术的量化。对柴油机活塞和缸套间的磨损状态进行了故障诊断实例分析 ,诊断结果说明基于小波 K L信息量的模式识别方法对柴油机的故障诊断具有很好的实用性。     

基于BP神经网络的信息融合发动机故障诊断的研究

为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点，在神经网络分析的基础上，提出了一种基于气缸压和、缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。该方法能有效地提高其故障诊断精度，明显增加了诊断过程的准确性和智能化。     

基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

基于多征兆信息融合理论的柴油机故障诊断

信息融合理论在故障诊断领域中得到广泛应用，为复杂机械故障诊断提供了一种新的方法。在研究了多传感器决策层融合理论——Dempster—shafer证据理论及其算法的基础上，提出了一种基于多征兆信息融合理论的故障诊断方法。以柴油机活塞和缸套之间的磨损为例，论述了该方法的实施过程。结果表明，多征兆信息的信息融合诊断方法具有良好的稳定性和容错性，提高了柴油机故障诊断的准确性和可靠性。     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。     

基于RBF神经网络的农用柴油机故障诊断研究

柴油机以其良好的动力性、可靠性、经济性在农用机械中广泛应用,但对农用柴油机施行及时的不解体故障诊断却并非易事。为此,以配气机构故障为例,提出了将小波包分解与RBF神经网络结合的故障诊断方法,对降噪后的气缸盖振动信号进行小波包分解,构造故障特征向量作为故障样本,并用训练好的RBF神经网络进行模式识别。试验结果证明,该方法具有良好的诊断效果和广泛的工程应用前景。