基于VMD-GA-BP和误差校正的水电机组振动趋势预测

水电机组振动趋势预测有助于确保机组的安全稳定运行，但由于振动信号的复杂性和非平稳性，准确有效的预测成为难题。利用变分模态分解和神经网络在应对非平稳性和非线性问题方面的优势并结合误差校正方法，建立了振动趋势预测组合模型。首先对原始信号进行VMD分解，然后对每个IMF分量建立GA-BP网络进行预测，将所得结果叠加得到振动信号预测结果。再将各IMF分量的合成信号与原始信号之间的误差同样利用VMD-GA-BP模型进行预测，预测结果与振动信号预测结果相加得到最终预测结果。利用国内某水电站数据对所提模型进行论证实验，结果表明本文所提模型有较高预测精度。     

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。     

小波域二维隐Markov模型滤波方法

针对旋转机械工作过程中产生非平稳信号的特点,在分析非平稳振动信号小波分解后同层小波数和层问小波系数之间关系的基础上,结合二维隐Markov模型(2D-HMM)拓扑结构的表达能力,提出小波域2D-HMM滤波方法,并给出了具体的实现步骤,最后通过Bently-Nevada转子试验系统的实测信号验证算法的有效性.结果表明:小波域2D-HMM滤波算法能够有效地去除非平稳振动信号的噪声.     

基于AR模型的路面不平度激励模拟

基于GB7031《车辆振动-路面平度表示》中提出的路面功率谱密度表达式,建立了随机信号AR(自回归)模型,应用Matlab仿真软件对路面不平度随机序列进行了仿真分析,分析了路面不平度AR模型的采样间隔和模型阶数对模拟精度的影响,并对模拟值与理论值进行了比较.结果表明,AR模型拟合的路面不平度功率谱密度能较好地逼近其理论值,具有计算量小和模拟精度高的优点,为车辆动态性能模拟与控制研究奠定了基础.     

拖拉机传动箱故障诊断研究

通过分析齿轮箱振源 ,研究了齿轮损伤对振动信号的影响。根据不同的特征及其对信号的作用机理和在频域的反应 ,对均匀性损伤提出新的诊断方法 ,在实际试验监测得以验证 ,并提出了一种利用数据分段和AR模型的最大熵谱处理来诊断齿轮局部损伤的新方法。     

降雨时间序列分解预测模型及应用

为了对随机型时间序列进行预测，在分析其性质的基础上，提出了将其分解为趋势项、周期项和平稳随机项，建立时间序列分解预测模型，分别对趋势项和周期项进行检验和提取，利用自回归模型人工合成新的序列对平稳随机项进行模拟和预测。将该模型应用于降雨量预测，取得良好效果，表明了该模型的有效性和适用性。     

基于卡尔曼滤波与AR混合算法的沉降监测

针对非平稳序列观测数据,结合卡尔曼滤波递推算法等的优点,建立了基于卡尔曼滤波的AR自回归模型。此算法不需象常规算法那样提取趋势项,而是在状态方程中设置AR参数方差的随机模型,利用观测数据建立观测方程。模型应用于输水隧洞开挖过程的的沉降监测,取得了较好的效果,说明此方法准确、可行。     

基于AR模型对路面不平度的时域模拟

基于GB 7031《车辆振动输入路面平度表示方法》中提出的路面功率谱密度表达式,建立了随机信号AR(自回归)模型。应用Matlab仿真软件,对路面不平度时域随机序列进行了仿真分析,并对模拟值与理论值进行了比较。结果表明,AR模型拟合的路面不平度功率谱密度能较好地逼近其理论值,且具有计算量小,模拟精度高的优点,为车辆动态性能模拟与控制研究奠定了基础。     

柴油机缸盖振动信号的特性分析方法

在建立了柴油机缸盖振动信息模型的基础上,通过研究缸盖振动信号的时域、频域和循环波动特性,发现了柴油机缸盖振动信号表现出非平稳时变和冲击振动的特点.其内循环的时域特性和频域特性是指导振动诊断的有效工具,而循环间的波动特性则不利于特征参数的提取,这为振动诊断提供了一条简易可行的途径,即抽区间采样分析和参数平均相结合的诊断方法.     

自适应噪声对消在抑制振动干扰中的应用

现实生活中存在大量非平稳随机振动干扰信号,将它们从有用信号中滤除具有十分重要的意义。介绍自适应信号的处理方法及其在抑制振动信号中的应用,并采用白适应噪声对消处理的方法对振动干扰进行对消处理。用MATLAB进行仿真验证的结果表明：自适应噪声对消在处理因振动干扰而产生的非平稳随机信号时,具有可行性,消噪效果较好。     

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

自适应噪声对消在抑制振动干扰中的应用

现实生活中存在大量非平稳随机振动干扰信号,将它们从有用信号中滤除具有十分重要的意义.介绍自适应信号的处理方法及其在抑制振动信号中的应用,并采用自适应噪声对消处理的方法对振动干扰进行对消处理.用MATLAB进行仿真验证的结果表明:自适应噪声对消在处理因振动干扰而产生的非平稳随机信号时,具有可行性,消噪效果较好.     

导叶式混流泵汽蚀振动噪声试验研究

混流泵汽蚀的产生将导致性能的下降,同时伴随着较大的振动和噪声.为分析导叶式混流泵的振动噪声特性并对汽蚀进行诊断预测,通过安装在导叶式混流泵机体不同监测点的加速度传感器以及泵入口段的水听器测试了混流泵的振动和噪声信号,利用1/3倍频谱信号分析手段对试验结果进行了进一步的分析,研究了混流泵内汽蚀时的振动噪声的特征和规律.试验结果表明,导叶式混流泵入口法兰位置及靠近入口的泵体位置处的振动信号对混流泵汽蚀较为敏感,可以用于监测混流泵汽蚀的发生;随着流量的增大,混流泵机体的振动信号可以用于监测其汽蚀特性的频段越来越宽;混流泵发生汽蚀时入口辐射噪声呈现出先增大,达到极值后又逐渐减小的趋势;泵入口处的低频段辐射噪声可以用于监测混流泵汽蚀的发生.     

基于最大Lyapunov指数Elman-决策树的故障预警方法

针对故障出现时系统的非线性行为及劣化趋势预测问题,基于混沌理论及非线性动力学,提出以最大Ly-apunov指数作为评价运行状态的指标,通过Elman-决策树对其进行预测及分类的故障预警方法.并以轴承数据为例对该方法进行了验证,对正常轴承、外环人工电火花加工出裂纹轴承、外环钻孔的轴承壳体振动信号时序数据进行处理,计算降噪...     

小波分析在车辆振动信号检测中的应用

介绍用于振动信号分析的小波分析基本理论。把小波分析技术应用到车辆振动信号检测中,通过离散二进小波变换,把实际振动信号分解成包含高频和低频两部分的若干层。利用小波分析技术,在合适的分解层中把车辆振动的非平稳时域异常信号检测出来并使其得到准确的时域定位;把路面激励信号从车辆整体振动中分离出来;同时从频域把短时或局部信号的谱检测出来,实现了常规分析方法所不能达到的功能。     

基于支持向量自回归的大型离心式水泵振动状态预测研究

为了预测大型离心式水泵在运行中的振动状态,提高其运行的安全性和经济性,采用了统计学习理论中的核心算法支持向量机建立了大型离心式水泵振动预测模型(SVAR)。并通过实例,与基于灰度方法建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较。结果表明:基于支持向量自回归的大型离心式水泵振动预测模型具有精度高、速度快、易于建模的特点。应用该方法建立的预测模型能够很好地预测大型离心式水泵运行中的振动情况,有效地避免其在运行中由振动引起的故障,提高运行的安全性和经济性。     

一种基于HHT的配电网短期负荷预测模型

提出一种基于HHT的配电网短期负荷组合预测方法。该方法利用EMD分解将负荷信号分解为一组IMF分量,通过分析IMF分量对应的边际谱提取周期项、随机项及趋势项。对各个特征量分别采用CPN、SVM及二次指数平滑法进行预测,最后通过直接叠加各分量预测值得到最终预测结果。通过仿真算例,验证该组合模型的精度高于任何一种单一模型和传统线性组合模型,具有较高的预测精度。     

滚动轴承故障诊断的分形特征研究

针对滚动轴承振动信号的特点,从分形原理出发,利用分形维数的理论,详细讨论了盒维数的计算方法,并对由滚动轴承故障产生的非平稳振动信号进行了分形维数的定量描述.实验结果表明,由于滚动轴承不同状态动力学机理不同,其分形维数明显不同.利用分形维数可以准确地诊断出滚动轴承的工作状态,为非平稳信号故障诊断提供了一种有效的新技术.     

变工况下转子振动信号的时频分析方法比较

比较了时变参数自回归模型(TVAR)、短时傅里叶变换(STFT)、Wigner-Ville分布(WVD)、Choi-Williams分布(CWD)、连续小波变换(CWT)以及Hilbert-Huang变换(HHT)等几种时频分析方法的时频聚焦性、分辨率、交叉干扰项抑制以及计算效率.对一个具有调频和调幅特性的转子启动过程振动仿真信号进行分析,得出针对此类信号TVAR具有较好综合性能;以STFT的分析结果为比较基准,利用TVAR方法对加速启动工况下采集的实验台转子振动信号进行了分析.结果表明:TVAR不仅能够有效地分析转子启动过程非平稳振动信号,而且具有较强的信号特征提取和抗噪声能力.     

深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络（Gated recurrent unit,GRU）框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。