基于TVAR-HMM的滚动轴承故障诊断

针对工况条件下轴承故障振动信号的非平稳特性,分析时变自回归与隐马尔科夫模型的特点,提出了一种基于时变自回归和隐马尔科夫模型的滚动轴承故障诊断方法.振动信号经时变自回归建模后,得到时频分辨率较高、无交叉干扰项的时频谱,基于能量法对时频谱进行特征提取,然后利用隐马尔科夫模型对故障特征统计分类,实现对轴承故障的诊断.轴承信号分析表明,TVAR建模可以有效地提取信号中的故障特征,结合隐马尔科夫模型的动态统计特性可智能识别轴承故障类型,得到良好的诊断效果.     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

低阶自回归参数模型检测串联故障电弧

针对电气系统中串联回路故障电弧的多发情况,利用电弧发生器、波形记录仪等实验装置对故障电弧进行模拟实验研究.提出基于自回归参数模型的故障电弧检测方法,采用二阶Burg方法对采集的信号建立自回归模型,提取AR模型参数,通过计算、比较相应的距离测度实现对故障电弧的检测.研究结果表明:通过二阶Burg方法建立的自回归参数模型能快速、准确地检测出故障电弧,同时相对于高阶Burg方法,减少了很大的运算量.     

基于自回归条件密度模型的短期负荷预测方法

基于对负荷时间序列高阶矩时变特征的研究,提出了一种基于自回归条件密度模型的短期负荷预测新方法.该方法通过引入含时变参数的有偏分布,对负荷时间序列二阶以上矩信息进行了分析和描述.基于南京地区日用电量实际历史数据,分析了该负荷时间序列的时变高阶矩特征,建立了自回归条件密度模型.使用条件对数极大似然估计对模型参数进行了估计,实现了短期负荷预测,验证了该方法的可行性和有效性.结合算例中自回归条件密度模型时变参数的取值范围,推导了时变参数与条件高阶矩的数理关系,给出了一种刻画时间序列时变高偏度(三阶矩)、时变高峰度(四阶矩)的途径.算例分析表明,基于有偏t分布的自回归条件密度负荷预测模型的预测效果良好.     

T-S模糊神经网络在风机故障诊断中的应用

针对供热锅炉房风机故障的不确定性和复杂性的特点,结合神经网络的自适应自学习能力和模糊系统利用语言描述来获取知识的优点,建立了一种基于T-S模糊神经网络的风机二级故障诊断模型,以风机常见故障振动信号的特征频谱峰值变化为依据,诊断故障类型,并对故障原因进行识别。应用MATLAB软件进行系统仿真测试,通过实例与BP神经网络进行了对比分析,结果表明基于模糊神经网络的故障诊断方法收敛速度快、诊断精度高、效果较稳定,能够有效地诊断风机故障。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.本文提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

改进时变多径信道下OFDM系统性能分析

为了更加精确地描述移动无线通信信道的时变多径特性,对传统的时变多径信道模型进行了改进,基于维纳过程将多径相位分量建模为时间变量,从理论上对经历时变多径信道的OFDM系统接收信号分量进行分析与计算,推导了系统的误码率,并对理论值与仿真结果进行了对比．结果表明：与传统信道模型相比,改进信道模型的衰落自相关谱和OFDM系统误码率与仿真结果更为相符,证实改进的信道模型能更准确地描述时变多径衰落信道．     

基于SOM神经网络的水下机器人推进器故障诊断

本文基于SOM（Self-Organizing Map）神经网络进行推进器故障辨识，将水下机器人的控制信号和出现故障情况下的方向变化率作为SOM神经网络模型的输入，其输出即为反映推进器故障大小的拥堵系数，仿真结果表明该方法能准确诊断推进器故障类型。     

模拟电路故障信号的小波预处理

针对模拟电路故障诊断的神经网络存在结构规模较大的问题,提出一种基于小波一神经网络的模拟电路故障诊断方法。该法采用冲激响应来获取模拟电路的故障信号,采用小波变换作为模拟电路故障信号的预处理器,利用Haar小波分层次分解提取故障信号特征,该信号特征经主元分析和数据标称化后,作为用于故障诊断的神经网络的输入。基于该法故障诊断的基本原理,对一实例电路进行故障划类、小波函数及故障特征选择,给出计算故障特征的仿真编程及故障类别的识别方法。该法大大减少用于故障诊断的神经网络的输入数目,简化它的结构和减少其训练处理的时间。仿真结果表明,该法可以提高模拟电路故障诊断的效率和辨识故障类别的能力。     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.     

时变自回归模型在清醒大鼠局部场电位特征分析中的应用

同步和去同步状态是清醒大鼠脑活动的两种典型状态,分析不同状态下局部场电位(LFP)的时频特性差异是提取刺激响应特征的基础。针对LFP信号的非平稳特性,采用时变自回归(TVAR)算法建立LFP状态空间模型;并利用卡尔曼滤波迭代方法对模型系数进行动态更新。然后基于TVAR系数计算LFP的功率谱,对不同状态的LFP信号进行时频特性分析。研究结果表明,利用TVAR模型结合卡尔曼滤波算法获得的时频功率谱与基于短时傅里叶变换方法的结果相比,具有更高的时频分辨率,而且通过对LFP的时频分析可以有效捕捉大脑活动状态的动态变化,对于大脑功能机制的解析具有重要意义。     

时变AR模型阶数确定与系数估计的方法

研究了用时变自回归(TVAR)模型对非平稳信号建模的方法.对该模型进行详细分析,探讨了参数模型辨识存在的2大问题:模型阶数的确定和基函数的选择.基于现定阶准则只适用于短时平稳信号的分析,所以利用具有时变特性的信息理论准则(information theoretic criteriaI,TC)来确定模型的阶数.通过引入基函数,利用最小二乘算法对模型系数进行估计,从而将非平稳信号的时变模型转化为线性时不变模型,并比较了几种基函数的拟合性能.证明了由于墨西哥草帽小波基函数具有良好的时频特性并且在使用时无需预知信号的先验信息,从而优于其他传统的基函数.     

基于高阶谱的异步电机定子匝间短路故障诊断方法研究

传统的信号频谱分析方法应用在信噪比低、故障特征不明显的异步电机定子匝间短路故障诊断中,往往会出现因为故障的频谱图差别不大而导致误判的问题,为此提出了一种基于高阶谱的定子匝间短路故障诊断方法。高阶谱相较于传统频谱分析,具有良好的抑噪性,同时还保留了信号的非线性相位信息,解决了定子匝间短路故障快速诊断的问题。通过理论联系实例分析表明:发生定子匝间短路故障与未发生故障的电流信号"最大幅值"处双谱水平切片图完全不同,且随着故障严重程度的增加,其谐波分量越多,幅值越大。由此验证了该方法可以有效地提取出信号中的非线性特征,完成了对异步电机定子匝间短路故障的诊断,具有良好的实际应用前景。     

基于模拟机匣的中介轴承微弱故障特征提取技术

中介轴承是航空发动机支承传动系统中的重要零件,其运行状态直接影响航空发动机的工作状态和运行安全。围绕航空发动机中介轴承微弱故障特征信号提取的问题,以振动信号分析和处理为基础,开展航空发动机中介轴承微弱故障特征信号提取实验。仿照某型涡扇发动机机匣结构设计加工了模拟机匣,用来模拟振动信号的复杂传递路径。基于包络谱分析和经验模态分解（Empirical Mode Decomposition）包络谱分析处理振动信号,对比二者对滚动轴承微弱故障特征信号的提取效果。实验结果表明,在中介轴承微弱故障特征信号提取中,模拟机匣可以有效地模拟振动信号的复杂传递路径,EMD包络谱分析法比单一采用包络谱分析的方法能够更加明显有效地提取中介轴承微弱故障信号。     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于希尔伯特-黄变换周期平稳类微弱故障信号检测

在希尔伯特黄变换可以将振动信号分解为有限的模式函数的基础上,针对周期平稳类微弱故障信号难以检测到的问题,对信号进行经验模式分解,然后对本征模式函数进行希尔伯特变换;接着通过希尔伯特谱对多频信号中的弱信号和仿真齿轮裂纹弱故障信号分析,得出多频信号中弱信号成分和其时间分布以及调相频率;最后分析滚动轴承损伤弱故障,从希尔伯特谱中可以分析时频和振动量的分布情况,进而提取故障特征,分析出故障;表明希尔伯特谱对周期平稳类微弱故障信号具有一定的分析能力.     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

特征谱分析方法及其在列车轮对故障诊断中的应用

鉴于列车轮对故障特征信息往往被淹没在背景噪声里,而一般频谱分析方法常因负载变化、转速波动而造成谱值模糊不准的缺点,提出了一种列车轮对故障在线诊断的特征谱分析方法,并根据列车轮对故障诊断的实际需要,研制了故障在线诊断特征谱分析系统.阐述了该方法的原理、信号采样、信号处理以及特征谱泄漏抑制等问题.实际运用结果表明该方法比普通的频谱分析技术更为准确地描述了故障信号的特征,是一种可靠而有效的故障诊断方法.图5,参8.     

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。