基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于小波分析的透平机械振动故障特征定量识别研究

通过对透平机械振动信号的连续小波变换，利用小波滤波器良好的时频特性,研究了振动故障信号的统计特征．在信号的特征提取中引入“灰度矩”，并把一阶矩作为定量指标．对8种典型振动故障信号的初步研究表明，这种方法能够简单有效地提取信号的特征，区分振动故障．     

基于SOFM网络的机械设备多类型信息融合与状态识别

从信息源的角度来说 ,机械监测与诊断系统是一个多源信息处理系统。提出了利用信息压缩进行多类型特征信息融合的思想 ,研究了自组织特征映射 (SOFM)网络处理这种多类型信息融合的可视化状态识别方法。网络输出层激活结点的轨迹 ,可以正确直观地反映出多源信息所表示状态的潜在变化特征 ,从而便于识别早期故障的发生与变化趋势。通过对试验及现场数据的融合处理 ,说明了所提出方法的有效性。     

基于信息熵距的旋转机械振动故障诊断方法

介绍了信息融合的基本概念和目前在旋转机械振动故障诊断当中用得比较多的一些融合诊断方法.从信息融合的思想出发,利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和小波空间特征谱熵,通过特征级的信息融合,提出了一种基于信息熵距的旋转机械振动故障监测和诊断的方法.数学推导表明,信息熵距符合模糊理论中最大隶属度原则,将它作为判别指标是可行的.实例计算表明,信息熵距能够较好的区分故障类别,在此基础上,通过多转速下的熵距曲线图可以提高转子故障诊断的准确性.     

振动故障信号奇异性指数的统计特征研究

基于信号奇异性检测的小波变换理论，利用时间分辨率优化的Gabor小波变换工具，对几种典型故障的波形和轨迹信号的奇异性特征进行了研究。研究表明，不同类型的故障信号，不仅奇异性指数的数值大小有明显的不同。而且奇异点在时间上的分布特征也有显著差异，这种差异对轴心轨迹信号尤为明显。因此．利用奇异性指数的统计量特征可以有效地区分不同类型的故障。     

自组织前向神经网络与非线性动态系统模化

将自组织学习过程引入到前向网络的训练中,提出了一种新的三层前向神经网络的训练方法,训练过程首先利用自组织分族算法确定隐含层结点的数目以及权值,然后通过求解线性最小二乘问题估计输出层权值,自组织过程产生的激活权值对输入数据具有一种特征变换的功能,利用该方法训练的网络可以称之为自组织前向网络（ＳＯＦＮ）。文中通过实际非线性动态系统建模的例子,说明了ＳＯＦＮ网络具有良好性能。     

成功实施发电设备状态检修的要素

针对目前我国发电设备状态检修工作中遇到的困难，从规划管理的角度提出成功实施的几个关键要素，即理解状态检修的现实含义；注重观念传播和培训；分阶段实施规划；取得管理部门的全程支持；部署专门的状态检修机构和人员；配备必要的硬件设备和软件支持系统等。     

集成的汽轮发电机组状态管理系统

介绍了一种与电厂DEH/DCS控制系统集成的汽轮发电机组状态管理系统(XTCM)。XTCM提供了对机组过程状态和设备健康状态进行监视、记录、分析、诊断和决策的统一平台。通过信息的共享和集成,XTCM为用户及时、准确地做出运行和维修决策提供了有力的保障。     

基于图形组态的汽轮机振动与故障设置仿真建模

针对汽轮机振动的全工况仿真，讨论了一种基于图形组态的汽轮机振动与故障设置的数学模型，提出了一种可扩充的故障设置方法，并就油膜振荡故障和大轴弯曲故障的设置给出了适用于培训用汽轮机振动仿真建模的数学模型。     

汽轮机组监测诊断系统中虚拟传感器的数学模型

采用硬件的冗余配置是提高可靠性的传统方法，虚拟传感器可实现对汽轮发电机组监测诊断系统中参数测点的软件冗余。该文对利用基神经网络建立虚拟传感器数学模型的几个问题进行了讨论，其中包括基神经网络的选择，采用遗传算法对输入参数的组合进行优选。通过归一化、加入白噪声等方法优选出训练样本，以及对虚拟传感器扩展性和可移植性等进行研究，为虚拟传感器的工程应用提供可借鉴的数值经验。