基于LabVIEW的机械故障信号小波包分解和重构

给出了一种基于LabVIEW快速实现信号的小波包分解和重构的方法.在LabVIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解和重构,针对现在利用这些模块进行编程的资料有限,编译了相关的小波包分解和重构程序,以便于虚拟仪器的架构和故障的快速诊断.最后用仿真信号进行了小波包的分解和重构,证实了该办法的可行性.     

运用XML实现PDM到ERP数据的传递

ERP和PDM是目前企业建设计算机集成制造系统或实施企业管理信息系统中两个重要的核心,两者的合理使用都能提高企业的竞争能力.两个系统有着相同的数据需求的同时,对数据的管理却处于分立状态,激烈的市场竞争迫切需要实现两个系统信息的互动.针对不同厂商的PDM与ERP之间的信息传递,文章采用以XML文件为有效的数据传递媒介,实现从PDM到ERP数据的传递,为进一步实现企业信息系统之间的数据实时交换提供了方法.     

齿轮箱振动源信号分离系统软件设计与实现

针对齿轮箱振动源信号耦合,难以进行故障诊断的问题,开发了齿轮箱振动源信号分离软件系统。该系统以MATLAB和LabVIEW语言为开发工具,编译了基于COM组件技术的ICA算法和基于LabVIEW的小波包分解和重构算法,实现了独立源信号的分离,有利于信号的识别和故障诊断。     

齿轮点蚀的多通道数据融合识别方法

针对齿轮箱振动信号中混杂其他零部件振动频率的问题,提出一种基于小波包分解独立分量分析（wavelet package independent component analysis,简称WPICA）和多维经验模式分解（multivariate empirical mode decomposition,简称MEMD）的齿轮箱齿面点蚀故障信号的多通道数据融合识别方法。首先,利用一种窄带独立分量分析(sub-band decomposition independent component analysis,简称SDICA)方法—WPICA,从水泵机组多通道信号中提取齿轮箱振源,确定齿轮箱振动包含的特征频率成分;其次,借助MEMD分解多通道机组振动信号,将所获得的多维固有模式函数(intrinsic mode function,简称IMF)进行矩阵互信息运算,完成多通道数据的融合;最后,通过定义IMF故障敏感因子,确定故障敏感IMF的阶数并获得了齿轮点蚀故障的特征频率。数据分析结果证明了本研究方法的有效性。     

振动源信号的快速二阶统计量算法研究

快速而有效地分离振动源混合信号,是故障监测系统进一步诊断的基础.提出了一种改进的基于二阶统计量的盲源分离算法.算法采用平均时滞相关矩阵,以获取混合矩阵的平均特征结构,实现信号的有效分离.仿真和实验结果表明,该方法具有计算简单,运算速度快的特点,为振动信号在线监测与故障诊断提供了一种新的方法.     

多振源卷积混合的时域盲源分离算法

在机械多源振动传播和卷积混合模型的基础上,提出一种基于时域的多振源卷积混合信号的盲源分离算法.该算法以独立性为评判准则,采用反向学习和合理简化滤波器系数的方式,进行滤波器系数的学习,进而实现基于时域的多振源卷积混合信号的分离.仿真试验和多机振动源试验结果表明,该算法对于多源卷积混合信号具有很好的分离效果,可应用于机械设备多激振源卷积混合情况下机械振动源信号的有效分离.     

浅谈啤酒企业危险化学品废弃物的处置

现在的啤酒企业都拥有污水处理系统,能够将生产中出现的危害环境物质处置妥当,确保符合排放标准后才进行排放,但对于实验室产生的少量危险化学品废弃物和生产中的危险化学品固体废弃物,一般本单位较难自主处理.实验室危险化学品废弃物分为液态和固态,固态废弃物主要包括各类危险化学品试剂瓶和厌氧菌检测残固;液态废弃物主要包括各类过期试剂和各种检测残液,本文论述将这些废弃物收集汇总,委托有资质的处置单位进行处置,可达到保护环境的目的.     

基于小波包ICA的齿轮箱信号分离系统

由于齿轮箱振动信号混叠、信噪比低,给早期的故障诊断造成了一定的困难.结合小波包和独立分量分析(ICA)在信号处理中特征提取的方法,以LabVIEW和Matlab语言为开发工具,设计了齿轮箱故障源信号分离系统,并以真实信号进行了实验验证.实验结果表明,该系统可以很好地实现故障源信号的分离,有利于后续的故障诊断.     

基于EMD-SVD-BIC的机械动源数估计方法

提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积混合的机械振动源在观测数小于振动源数情况下的源数估计问题.应用EMD方法获得信号的本征模函数,对两观测信号的本征模函数复合矩阵的相关矩阵进行奇异值分解,获得反映源数信息的特征值分布;再采用BIC信息准则,判断源信号的数目.仿真和试验结果表明,该方法可以在观测数小于振动源数的情况下正确获取信号源数,为机械振动故障诊断中的振动源分析及其源信号的正确分离提供了方法保障.