基于独立量分析和小波包能量谱的滚动轴承故障诊断

滚动轴承是煤矿机械中很重要的零部件,也是最容易发生故障的零部件之一。对煤矿机械滚动轴承的故障诊断研究是一个很热的方向。提出了一种将独立量分析和小波包能量谱相结合的故障特征提取方法,并采用此方法对滚动轴承进行了故障特征提取。实验结果说明采用独立量分析和小波包能量谱相结合的方法对滚动轴承故障进行提取的效果要明显优于单独使用小波包能量谱的方法。这种故障特征提取方法对其他设备的故障诊断也都适用。     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

基于深度自编码网络的刚性罐道故障诊断

为解决提升机刚性罐道故障诊断中故障特征提取困难的问题,结合深度自编码网络的特征提取能力优势,提出了一种基于深度自编码网络的刚性罐道故障诊断方法。以重构误差作为深度自编码网络的评价准则,在各层自编码网络之间采用反向传播的方式,逐层对网络的权值和偏置进行优化。利用得到的最优权值和偏置组成特征提取网络模型,基于该网络模型提取刚性罐道的故障特征。以SVM作为分类器实现刚性罐道的故障分类。实验结果表明,该方法提取的故障特征可识别性较好,识别率较高。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

基于遗传算法优化的RBF神经网络的压力传感器故障诊断

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。     

小波神经网络在齿轮故障诊断中的应用

针对齿轮的故障诊断 ,提出了一种基于小波特征提取和BP神经网络的诊断系统 ,利用小波分解后各频段能量的分布作为特征向量输入神经网络。试验表明该方法能准确地诊断出齿轮的故障 ,具有广泛的应用前景     

基于小波包分析和概率神经网络的往复泵的故障诊断研究

往复泵的正常工作是确保煤矿生产顺利进行的关键,由于工作环境恶劣,往复泵的故障诊断是非常重要的,因此,深入地研究了小波包分析和概率神经网络在往复泵故障诊断中的应用。分析了基于小波包的往复泵故障提取机理,设计了基于小波包分析的往复泵故障特征提取流程;构建了基于概率神经网络的往复泵的故障诊断模型,设计了概率神经网络的基本结构。对往复泵进行了故障诊断分析,仿真结果表明小波包和概率神经网络能够准确地获得故障诊断的类型。     

基于KPCA/PNN的煤矿主通风机的故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点,以及利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,提出基于核主成分分析和概率神经网络的故障诊断方法。首先利用核主成分分析对非线性的、相互关联的故障变量进行特征提取,消除变量之间的相关性,降低数据维数,得到故障特征,然后将概率神经网络作为诊断决策分类器,输出故障模式。实验表明,该方法有效地提高了煤矿主通风机的故障诊断的准确性。     

基于小波能量谱旋转机械振动信号的故障特征提取

旋转机械故障诊断的关键问题在于对振动故障信号的特征提取。利用小波能量谱分析方法能够发现不同分解层中的振动信号特征并分析出故障原因。基于小波能量谱方法能准确提取旋转机械的故障特征,尤其是对微弱故障信号,为正确判断故障提供了依据。实验验证了该方法在提取旋转机械振动故障信号方面的有效性和准确性。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。     

基于FA-SR与LMD的滚动轴承故障检测

由于噪声的严重影响,滚动轴承故障特征的提取颇为困难。针对该问题提出了基于改进的萤火虫算法(FA)优化随机共振(SR)与局部均值分解(LMD)结合的方法。首先利用优化后的SR系统使信号达到最优共振,再经过LMD将信号分解成多个乘积函数(PF),以信息熵、相关系数为标准选取合适的PF分量重构信号,对重构后的信号进行快速峭度图(FK)分析,由所得参数设计带通滤波器,最后用Hilbert包络解调滤波后的信号即可得到故障特征。通过对轴承实验数据的分析表明,该方法能可靠地检测出轴承故障特征。     

FASTICA算法在齿轮箱故障中的研究

振动分析是进行齿轮箱状态检测与故障诊断的重要手段。齿轮箱振动信号中常常含有大量噪声,这使得信号和噪声的频谱在频域内发生了重叠。研究适于齿轮箱振动信号处理方法。探讨基于负熵的FASTICA方法在齿轮箱机械故障特征提取中的应用,通过分析验证所研究的算法的有效性和适用性。     

基于粗糙集和BP神经网络的稀土萃取传动装置故障监测及诊断方法

在稀土生产萃取工艺生产线中,若萃取搅拌器发生故障停止搅拌,不仅会影响产品质量,而且会使萃取槽内溶液溢出从而严重影响整条生产线。萃取搅拌器是依靠电机通过传动装置带动完成搅拌动作,所以传动装置的正常运行对于稀土萃取工艺至关重要。传动装置发生故障后,当故障信息不完全或不一致,导致故障诊断难以得到正确结论。针对此问题,设计了一种稀土萃取传动装置故障监测装置,提出了一种基于粗糙集和BP神经网络的传动装置故障诊断方法。最后通过算例证明了这种故障诊断方法具有较快的收敛速度,并且诊断位置准确。     

超前抽巷法在综采工作面过断层中应用

针对9102工作面传统方法过F2断层时回采效率低、机械破岩量大、过断层周期长等技术难题,提出了采用超前抽巷法,提前将断层带的岩石去除掉,将过断层施工转化为过空巷施工,保证了过断层施工安全,提高了回采效率,取得了显著应用成效。     

基于最近邻数据描述法的机械故障诊断技术研究

针对机械智能诊断中缺少故障样本的问题,提出了单分类方法-最近邻数据描述法。在机械故障诊断中,这种方法仅依靠正常运行时的数据信号,不需要故障数据就可以监测机器的运行状态。实验结果表明,在缺少故障样本的情况下,该方法具有理想的分类能力。     

基于小波变换的煤矿机械滚动轴承故障诊断

由于煤矿机械的特殊工作环境,采集到的故障振动信号通常掺杂着非常明显的噪声干扰信号,如何从复杂的信号中提取出有用的信号非常重要。以煤矿机械滚动轴承为研究对象,通过模拟实验并利用小波变换的阈值去噪及分解与重构对煤矿机械滚动轴承振动信号进行分析处理,提取故障特征信息。实验结果表明,与传统机械故障诊断方法相比,该方法在振动信号的有效提取及检测时效性与准确性方面具有明显的优势,既减少了检测人员的工作量,又提高了检测效率。     

基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统,工作环境恶劣,如果出现故障将会导致整个采煤工作的中断,造成巨大的经济损失。采煤机摇臂传动故障作为整机的主要故障,是故障监测研究的重点。提出一种基于改进深度置信网络的采煤机摇臂传动系统故障诊断方法,对摇臂传动信号进行频段分解,通过不同的频段阈值进行降噪处理,提取故障特征信息,完成采煤机摇臂传动故障分类。将深度置信网络引入故障诊断,通过对采集的故障状态信号进行迭代训练深度学习,得出与故障模型的对应关系,并采用粒子群优化算法对故障模型进行迭代优化,应用于摇臂传动的故障诊断识别。结果表明,故障特征提取准确,故障诊断精度高。