首页 | 官方网站   微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
往复压缩机多重分形故障特征提取   总被引:1,自引:0,他引:1  
实现了基于多重分形的往复压缩机振动信号的故障特征提取。针对往复压缩机振动信号的非线性和非平稳性,使用多重分形谱和广义维数对压缩机振动信号进行分析,从中提取可识别的故障特征。分析结果发现多重分形谱中的△α值和广义维数Dq作为故障特征能够很好地反映往复压缩机的工作状态,为往复压缩机的故障特征识别提供了必要依据。  相似文献   

2.
示功图是判别往复压缩机气缸部分工作性能和运行状况的重要依据,与机体表面振动分析方法相比,其特征机理明确,能够从更深层次上诊断往复压缩机故障。针对往复压缩机示功图的特征提取问题,提出一种基于平面图形几何性质的示功图特征定量描述方法,为了验证所提方法的有效性,分别提取了往复压缩机气阀4种常见状态下示功图的几何性质参数和振动信号的时域统计指标作为特征向量,利用BP神经网络作为分类器进行训练和测试的对比分析。结果表明,所提方法对气阀故障的识别率达到了100%,因此该方法能够有效提取往复压缩机的异常特征,可以提高往复压缩机气缸部分在线状态监测与故障诊断的准确率。  相似文献   

3.
针对往复压缩机气阀振动信号具有的非线性与非平稳复杂特性,提出基于局部均值分解与关联维数相结合的方法,通过将原始振动信号进行分解,定量化提取了不同气阀故障状态下的关联维数特征,结果表明:局部均值分解后的振动信号信噪比得到显著提高,高频分量的关联维数能够明显区分不同故障状态特征,因此可以作为往复压缩机气阀故障诊断的有效依据。  相似文献   

4.
针对往复压缩机振动信号的非平稳、非线性和特征耦合特性,提出了基于ITD与排列熵的往复压缩机轴承故障特征提取方法.利用ITD方法将各状态振动信号分解为一系列PR分量,依据相关性系数选择代表故障状态主要信息的PR分量,计算其排列熵形成有效的特征向量.以平均样本距离为特征向量可分性标准,对比了ITD与近似熵方法所提取特征向量,结果表明此法具有更好的可分性.  相似文献   

5.
针对往复压缩机振动信号的非平稳和非线性特性,提出一种基于改进ITD(MHITD)方法与多尺度模糊熵(MFE)的往复压缩机轴承故障特征提取方法。MHITD方法解决了ITD方法分量波形失真的问题,其采用单调三次Hermite插值代替了ITD方法中的线性变换。利用MHITD方法将故障振动信号分解为一系列旋转分量之和,根据相关性系数筛选包含故障主要信息的分量。利用多尺度模糊熵对各分量进行定量描述,并以类间平均欧氏距离对尺度因子进行优选,得出可分性良好的特征向量。通过该方法提取往复压缩机故障轴承间隙故障的特征向量,与ITD和样本熵方法进行对比分析,验证了该方法的有效性。  相似文献   

6.
建立在2D12型往复压缩机气阀故障的大量实验基础上,通过对气阀振动信号的工作局部特征提取,同时根据气阀故障的统计特性,给出气阀故障诊断的自组织映射神经网络的诊断方法。  相似文献   

7.
针对往复压缩机气阀振动信号具有非平稳性、非线性和多分量耦合特性,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进多尺度熵的往复压缩机气阀故障诊断方法。利用VMD方法分解振动信号,并根据互相关系数法选取主要模态分量进行信号重构,可有效的消除噪声干扰;应用改进多尺度熵对重构信号进行量化分析,获得各振动信号的特征向量,并以极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态实测信号进行分类识别。研究结果表明:该方法能够比较准确地提取出往复压缩机气阀故障信息,可实现往复压缩机气阀故障的正确识别。  相似文献   

8.
基于非线性复杂测度的往复压缩机故障诊断   总被引:1,自引:0,他引:1  
往复压缩机以多源非线性冲击振动信号为主,应用传统方法难以从振动信号中提取故障特征,为此提出一种基于非线性复杂测度的往复压缩机故障诊断方法。以气阀正常、阀片有缺口、阀片断裂及弹簧损坏4种状态下往复压缩机气阀振动信号为分析数据,在小波阈值降噪处理的基础上,采用均值符号化方法计算信号的归一化Lempel-Ziv复杂度(Lempel-Zivcomplexity,LZC)指标,分别给出各状态相应的LZC特征区间,利用BP人工神经网络对各状态信号的有效值特征、功率谱能量特征及LZC特征分别进行训练和测试,结果表明LZC更能准确区分不同状态的往复压缩机气阀故障,为往复压缩机故障诊断和维修决策提供了一种有效方法。  相似文献   

9.
基于多通道加权卷积神经网络的齿轮箱振动信号特征提取   总被引:3,自引:0,他引:3  
为了解决单通道振动信号输入不能全面表达故障特征信息及齿轮箱故障早期诊断问题,提出了一种新的深度神经网络(Deep neural network,DNN)模型—多通道加权卷积神经网络(Multi-channels weighted convolutional neural network,MCW-CNN),并应用于齿轮箱振动信号特征学习和故障诊断.首先,采用经验模态分解(Empirical mode decomposition,EMD)对振动信号进行处理,得到多通道一维信号突出振动信号的故障特征,并将其转化为多通道图像输入,从而充分发挥CNN在图像特征提取上的优良性能,将齿轮箱故障诊断问题进一步转化为CNN更为擅长的多通道图像识别问题;其次,针对各通道图像频率和带宽的不同,在卷积层采用动态感受野进行图像特征提取,全面提取多通道图像特征细节;针对各通道图像携带冲击特征的强弱不同,提出了基于峭度加权的多通道融合方法,增强了冲击特征强的通道故障特征.最后,通过故障诊断仿真试验和齿轮箱故障诊断试验验证所提方法的有效性.试验结果表明,MCW-CNN可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法和传统的分类器.  相似文献   

10.
针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司    京ICP备09084417号-23

京公网安备 11010802026262号