基于PCA的滚动轴承故障检测方法

针对滚动轴承故障检测数据处理的问题,由于机械轴承损坏引起机器的故障,为保障安全,要进行检测.现提出了一种主元分析PCA与统计相结合的方法.首先介绍了基于PCA的滚动轴承故障检测方法的相关理论知识,利用PCA算法将滚动轴承振动信号数据建立模型,并将降维后获得的数据用统计方法即T2和SPE进行处理,从而检测出轴承故障.为了研究上述方法对不同情况下滚动轴承的故障检测效果,选取不同直径、不同采样频率、不同转速、不同负载四种情况下的故障进行实验.实验结果表明,方法能较好地分辨出轴承的正常和故障状态,可以较好地解决滚动轴承故障检测数据处理的问题.     

基于物联网技术的新能源电网运行状态监测方法

提出了基于物联网技术的新能源电网运行状态监测方法。利用物联网技术选取ZigBee通信网络中的网状网络以及树形网络，来收集新能源电网运行状态数据，并通过无线网络对监测区域中的参数进行智能检测；根据监测到的运行状态数据搭建新能源电网运行状态监测模型；利用电流监测原理对运行状完成监测。在实验中，通过监测器的布置进行运行状态的监控，并对提出的方法进行验证，经实验结果分析证明，发现采用基于物联网技术的新能源电网运行状态监测方法监测到的运行异常次数的误差较小，可以将误差控制在20%以内。此方法可以有效地对新能源电网的状态运行进行监测，可以更精准地对新能源电网的运行状态进行观察和研究，提高了电网运行的安全程度。     

基于非线性故障重构的旋转机械故障预测方法

对旋转机械的状态进行在线监测和故障预测是一个具有重要应用价值的工程问题. 采用基于核主元分析的非线性故障重构技术研究了多变量相关条件下旋转机械的故障估计及预测问题. 首先利用核主元分析对旋转机械系统进行离线非线性建模,并进行异常检测. 通过对故障程度进行定量描述,用最优化方法求解故障重构意义下的故障估计;然后 用多层递阶的方法对估计出的故障幅值的发展趋势进行预测. 最后,以中国石化北京燕山分公司的烟气轮机作为实际应用对象,验证了该方法的有效性.     

基于网络流量数据的以太网异常状态监测研究

以太网安全是当前人们关注的焦点,而以太网异常状态监测是其中最为关键的技术,当前以太网异常状态监测方法存在误差大,实时性差等缺陷.为了获得更优的以太网异常状态监测结果,提出基于网络流量数据的以太网异常状态监测方法.首先对以太网异常状态监测研究进展进行了调研,找到各种以太网异常状态监测方法存在的缺陷;然后采集以太网流量数据...     

基于NSGA-II和SVDD的转向架构架异常状态监测

转向架构架状态监测是保证轨道车辆安全运营的重要途径.研究提出了一种基于NSGA-II和SVDD的转向架构架异常状态监测方法,针对构架异常状态下样本集的随机多样和不确定性,引入SVDD算法,以构架正常状态的样本集构建SVDD超球体模型对多工况条件下构架的异常状态进行识别.同时以SVDD超球体半径定义优化目标函数f1(传感器数量)和f2(超球体聚类指标),并基于NSGA-II算法对传感器分布进行了优化.在此基础上,搭建转向架构架状态监测实验平台,对多工况条件下构架的异常状态识别进行研究.结果表明:①经优化后的传感器分布方案能有效获取转向架构架状态监测数据,当优化方案中传感器数量达到3时,识别率达到91.33％;②以转向架构架正常状态样本集构建的SVDD模型对异常状态具有很好的识别效果.     

桥梁数据异常诊断方法在伸缩缝监测中的应用

针对由桥梁结构损伤和监测系统传感器故障引起的桥梁数据异常诊断问题,提出了一种基于主成分分析和超球面一类支持向量机的桥梁数据异常诊断方法。首先,对原始信号进行预处理和小波阈值去噪,然后,统计信号的时域、频域及自回归模型系数特征,利用主成分分析进行特征提取获得重要特征,最后,利用超球面一类支持向量机进行异常模式识别。通过江阴大桥伸缩缝相关监测数据表明,该方法可以较好识别和伸缩缝相关的数据异常,防止监测系统误报漏报的发生。     

基于Peakvue技术的滚动轴承故障诊断

滚动轴承作为旋转机械的关键部件,其运行状态决定设备以及整个系统的性能.滚动轴承出现故障时会产生高频的应力波信号,而Peakvue技术能够有效的检测应力波,运用一种基于Peakvue技术的滚动轴承故障诊断方法.该方法采用加速度传感器采集滚动轴承振动信号,利用高通滤波器滤除加速度传感器输出信号中不必要的低频部分,按照一定的时间间隔对高频信号和应力波信号进行峰值提取,并对提取的峰值信号进行包络检波处理分析故障类型.应用西储大学轴承数据集进行验证,结果表明该方法能准确有效地检测出滚动轴承的故障类型.     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

基于SVM的旋转机械故障诊断方法

提取时域与频域共20个特征参数作为数据样本,选择适合旋转机械振动信号的径向基函数及相关参数,基于一对多法构造支持向量机(SVM)多类分类器,实现旋转机械滚动轴承的故障诊断。通过对振动信号特征进行训练与测试,并与BP神经网络进行对比结果表明,该SVM多类分类器可较好地解决小样本问题,在训练时间和识别正确率上均优于BP神经网络。     

防碰撞低功耗无线监测及智能居住环境

在低功耗便携式无线数据监测系统中,为解决多个监测器同时向中央服务器发送数据而产生相互干扰(碰撞)的问题,通过对系统同步机制、通信周期、中央服务器对监测器的响应时间等问题进行研究和改进,设计了一种基于呼号广播的带查询优先权功能的时分复用反碰撞模型,有效改善了系统通信的响应时间和准确性。利用超低功耗单片机内部资源解决了数据监测前置电路中的A/D转换、数字滤波、液晶显示驱动、声光报警,以及对无线收发模块的待机和工作状态转换控制,降低了系统体积和功耗。介绍了其在智能居住环境监测中的应用。