经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

EMD方法在齿轮故障诊断中的应用

将EMD（Empirical Mode Decomposition）方法应用于机械故障诊断中，提出了一个新的齿轮故障诊断方法。EMD方法基于信号的局部特征时间尺度，能把复杂的信号分解为有限的内在模态函数（Intrinsic Mode Function）之和，这种自适应的分解方法非常适于非线性和非平稳过程的分析。用该方法对齿轮故障振动信号进行了分析，结果表明该方法能够有效地降低噪声，提高信噪比，突出齿轮故障振动信号的故障特征，从而提高齿轮故障诊断的准确性。     

基于小波去噪和EMD算法在齿轮故障检测中的应用

小波去噪和EMD算法(Empirical mode decomposition,EMD)被广泛地运用在非平稳信号分析中。为了减小外部噪声及局部噪声对蜗轮蜗杆减速机振动信号干扰,降低样条插值时的拟合误差,提高EMD分解的质量,提出了一种基于小波去噪和EMD算法相结合的方法,对正常和有断齿的齿轮振动信号进行测试分析。结果表明,该方法能够准确地得到特征频率,判断出故障类型,证实了该方法在诊断蜗轮蜗杆减速机蜗轮故障的有效性。     

基于小波包分析的滚动轴承的故障诊断方法研究

用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法。在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征。并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断。     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

基于VMD和KFCM的轴承故障诊断方法优化与研究

针对机械设备轴承故障振动信号具有强噪声、非线性、非平稳特性并致使故障特征信息难以提取的问题.提出了一种利用变分模态分解(Variational Mode Decomposition, VMD)和改进模糊聚类算法相结合的机械故障诊断新方法.首先,对采集的故障数据采用VMD和奇异值分解方法进行预处理,去除异常值及噪声;然后,采用核模糊C均值聚类(Kernel-based Fuzzy C-Means clustering, KFCM)算法来进行不同故障类型数据划分,通过计算分类系数、平均模糊熵和海明贴近度对其分类性能进行评估;最后,利用粒子群算法(PSO)对KFCM训练状态的参数进行优化.通过仿真分析和实验数据验证,该方法不仅表现出更优的分类性能,能精确、稳定进行故障识别,而且只需要少量样本数据进行训练,从而使诊断的工作量和诊断时间大为减少,为大型旋转机械设备在线故障诊断提供了理论依据.     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

基于LMD和AR模型的转子系统故障诊断方法

提出了基于局部均值分解（Local mean decomposition,简称LMD）和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF（Product function,简称PF）分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型.与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断.但LMD方法信号分解后数据残差比EMD方法的小.     

基于Volterra级数与神经网络的非线性网络的频域故障字典诊断法

提出了用Volterra频域核(传递函数)作为故障特征对非线性定常动态网络进行故障诊断的方法，即计算出网络响应在各种常见故障状态下的Volterra级数解的各阶频域核(3～4阶即可)，并将其输入给BP神经网络(BPNN)．利用BPNN的分类功能建立故障字典，对实测的故障网络的各阶频域核进行测试样本分类，实现故障诊断．给出了各阶频域核的统一递推算式，并讨论了Volterra频域核的实验测量方法以及基于人工神经网络(ANN)的求解方法．     

基于S变换谱图纹理特征的输油泵轴承故障诊断

为了实现输油泵轴承故障的智能诊断与识别,针对输油泵轴承振动信号S变换时频图包含丰富故障信息的特点,提出了一种利用纹理分析对S变换等高线时频图进行特征提取的输油泵滚动轴承智能故障诊断方法。该方法对轴承振动信号进行S变换,将S变换获得的等高线时频图作为纹理图像进行分析,提取其Tamura纹理特征中的粗糙度、对比度、方向度作为纹理特征组成特征向量,采用支持向量机作为分类器实现轴承故障的智能诊断。通过实测轴承故障信号表明:该方法能够获得较高的故障模式分类精度,实现滚动轴承的自动故障识别,因而具有较高的工程应用价值。     

基于本体故障树的关键机组诊断决策研究

为了满足石化企业连续性工作设备或机组在发生故障后对故障原因进行快速定位的要求，将本体先进的知识表示方法引入到成熟的故障树研究中，提出了基于本体的故障树构建方法，并通过对生成的故障树进行定量分析，计算出故障判明效时比，以其从大到小的顺序为依据找到故障诊断最优路径，实现了本体和故障树的优势结合.该方法在知识共享和重用的基础上，实现对故障的快速诊断定位，从而提高了故障诊断效率，减少了企业的生产维护成本.     

基于过渡像素的视频图像文本检测与定位

提出一种基于过渡像素的视频流人工文本检测与定位算法.该算法在水平和垂直方向上提取过渡像素点,生成过渡图.通过块滤波器抑制背景的过渡像素,采用基于密度的快速区域生长算法形成候选文本区域;再利用改进的局部二进制模型(LBP)验证候选文本区.仿真实验结果表明,本文的改进算法相对于Kim算法,字符定位的准确率更高.     

基于EMD和SVM的农用柴油机故障诊断研究

针对农用柴油机振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对气阀机构不同工况下的去噪缸盖振动信号进行分析,计算各内禀模态函数与去噪信号的互信息值以确定主IMF分量,并求其包含时间信息的能量熵以定量描述信号不同时频段的能量分布,将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型。试验结果表明,该方法在小样本情况下也具有较高的精度和较强的泛化能力,但不同转速时需重新采样以保证充足的诊断精度。     

基于投影寻踪原理的建筑业综合实力评价分析

在分析影响建筑业综合实力因素的基础上,选择了规模效益水平、技术装备水平、效率水平三个方面共12个评判指标,建立了建筑业综合实力评价的投影寻踪分类模型（PPC）,并利用基于实数编码的加速遗传算法(RAGA)求解最佳投影方向.根据投影值的大小对地区建筑业综合实力进行评价分析.PPC模型具有稳健性好、投影值准确度高、评价结果较为客观等优点,为建筑业综合实力评价提供了一条新的方法与思路.     

高炮电气随动系统神经智能故障诊断系统的设计与实现

根据高炮电气随动电控系统的组成及其电路的结构与特点，设计了高炮电气随动系统神经智能故障诊断系统的模型、系统硬件组成、系统软件结构和相关命令，并阐述了拟神经网络测试算法。     

基于时-频域指标的控制系统演化校正

“道教文化养生”就是一切有益于健康生活的文化资源向道教养生理论与实践技术转化的综合形态。作为一种学说与实践技术，道教文化养生的形成与发展与道教组织形态同步。将近五千年来，道教先后经历了三大形态：元初道教、古典道教、制度道教。这三大形态的道教都充分运用传统文化资源，建构养生理论，开展养生实践。其代表性的养生体式有：斋醮养生、金丹养生、伦理养生、治世养生、文艺养生、环境养生。     

基于多RBF神经网络的汽车衡误差补偿

传统汽车衡称重误差补偿过程繁琐、称重结果准确度低，为此提出了一种基于多径向基函数神经网络(RBFNN)的汽车衡误差补偿方法.根据汽车衡不同检定秤量段的最大允许误差确定多个子RBFNN，每个子RBFNN负责一段秤量范围的误差补偿，建立相应秤量段的称重误差补偿模型，并给出补偿模型的训练算法.将各子RBFNN并联组合，利用自适应选择网络，自动选择合适的子RBFNN，完成不同称重段的最优补偿，从而获得全量程的最佳补偿效果.仿真实验表明，这种多RBFNN补偿方法与由单个RBFNN实现全量程补偿的方法相比，子RBFNN规模小，补偿效果更好.