基于谐波小波变换的滑动轴承油膜涡动与振荡故障识别与分析

介绍了转子系统油膜涡动与振荡的产生机理和故障特征。应用谐波小波变换对转子振动信号进行故障分析,提取故障特征信息,从而识别出油膜涡动与振荡。通过转子试验台模拟油膜涡动与振荡,并基于Labview平台开发了基于谐波小波滤波的信号处理系统,与FIR滤波的对比分析表明,谐波小波变换结果更好,特征提取结果更为精确。     

基于统计最优的近场声全息理论与仿真实验

对统计最优平面近场声全息（SOPNAH）技术进行研究,提出了一种吉洪诺夫（Tikhonov）正则化方法并选择最优正则化参数λ。通过仿真实验验证了结合吉洪诺夫正则化方法的SOPNAH能够对噪声源进行准确定位及实现声场重建,并且重建的精度比传统的方法更高。     

机械故障诊断技术机遇与挑战

随着人工智能和信息技术的快速发展,故障诊断也从基于故障机理和经验模式的诊断方法逐步向智能诊断等方向发展。分别从实时故障诊断、早期故障诊断、智能故障诊断、5G联合数据故障诊断的角度对故障诊断技术的新进展进行了探讨,可为故障诊断系统的研发与应用提供参考。     

核动力设备状态监测技术的研究

介绍了在核动力设备上应用状态监测、故障诊断的必要性及国内外研究现状.总结了大型机械设备状态监测的常用方法和核动力设备上易发生的故障类型,最后探讨了核动力设备状态监测方法及存在的问题.     

基于HMM算法体系的逆维特比算法理论研究

隐马尔可夫模型(Hidden Markov Model,HMM)的基本算法体系主要包括Baum-Welch算法、前向-后向算法与Viterbi算法三大经典算法,通过展开对HMM新问题及新算法的理论研究,引出逆维特比问题及逆维特比算法的理论体系,并提出将逆维特比算法引入HMM基本算法体系中构建一种新的算法体系及一种新评估体系的构想,最后对新算法体系的应用进行了展望。     

基于人工免疫系统的核动力设备故障诊断

针对核动力设备的复杂性和特殊性,提出了基于人工免疫系统的核动力设备故障诊断方法,给出了运用反面选择算法进行建模和克隆变异进化算法进行进一步故障识别的原则.将在旋转机械上采集到的某种信号进行特征提取,并将其作为信号的特征向量输入到建立好的AIS模型.仿真结果表明,此模型能较好地对各种故障类型进行识别.     

人工免疫算法在车床故障诊断中的运用

对传统克隆选择算法在增强多样性方面进行了专门的改进,改进后的算法除了在搜寻全局最优的能力上有所提高之外,还能在提供最优解之外提供多个具有代表性的次优解.针对车床的状态识别的实验结果表明,该算法比传统算法具有更强的实用性.     

基于HMM&SVM的核动力设备机械故障诊断方法研究

核动力设备复杂且积累的资料与故障样本少,传统的诊断方法有待改进。隐马尔可夫模型与支持向量机是一种新的智能诊断技术。本文针对核动力设备机械故障诊断的特点,采用隐马尔可夫模型建模的方式进行故障的初步诊断,再利用支持向量机小样本的强推广能力进行进一步甄别。主泵故障模拟装置上的验证实验表明,HMM&SVM混合模型具有较高的故障识别率。     

输入死区和全状态约束下不确定非线性系统的快速稳定事件触发控制

在实际工业系统中普遍存在输入死区、全状态约束等不可忽视的问题,其对系统的性能造成较大的影响,甚至可能会导致系统不稳定.为了克服上述问题,针对一类不确定非线性系统,提出一种快速收敛的自适应神经网络事件触发控制方法.首先,将障碍Lyapunov函数引入到反步控制框架中,采用径向基函数神经网络逼近未知非线性函数,同时设计自适应事件触发机制对输入死区进行动态补偿,通过减少控制信号的更新频率来减轻系统的通信负担,并保证系统所有状态不违反预定义的约束区间.在此基础上,引入快速有限时间稳定理论,在有限时间内能够保证闭环系统所有信号的有界性以及跟踪误差快速收敛到有界的紧集内.最后,通过两个仿真算例验证所提出控制方法的有效性.     

基于过完备字典的基追踪法在轴承故障诊断中的应用

滚动轴承故障具有信号复合和环境噪声大的特点。通过构建一个对复合信号敏感的过完备字典,利用基追踪法对故障信号进行最优化的稀疏表示,获得简洁的故障冲击时频特征结构,并实现阈值降噪。通过对重构信号谱分析后得到明确的故障特征频率及其倍频。仿真与实验结果表明:该方法具有良好的降噪功能,能够准确地提取信号中的冲击特征。