发电机螺栓松动故障特征检测方法及试验研究

提出一种通过提取时域指标特征和运用主成分分析法(PCA)诊断螺栓松动故障的方法,将原始数据进行经验模式分解(EMD)后计算相应IMF的5个无量纲因子;利用主成分分析法(PCA)对数据向量进行降维和残基空间投影处理,计算数据样本的预测误差,在智能供水系统试验台架上开展螺栓松动故障诊断试验,试验结果表明,所建立PCA模型能...     

螺栓连接非线性振动特性研究

摘要：在不同的外界激励下,螺栓连接常常表现出一定的非线性。为研究螺栓连接的非线性特性,设计了一个螺栓连接系统,并对其进行不同基础激励下的正弦扫频实验。通过实验数据的分析得到了螺栓连接的共振频率和相对阻尼系数,发现其随着激励量级的不同呈现出较明显的非线性特性。在理论模型研究中,将系统简化为非线性弹簧、非线性阻尼器、质量块的单自由度模型,并利用实验数据对非线性方程中的系数进行了识别。利用此非线性模型,求出系统的主共振频率和相对阻尼系数,它们与实验结果相比差别较小,说明文中所给的非线性方程能较好描述螺栓连接的振动特性。     

基于电流信号的机器人关节螺栓松动故障检测

针对工业机器人关节连接处螺栓松动问题,根据机器人关节结构建立机电耦合模型,并引入了底座螺栓松动故障,建立了螺栓松动的系统动力学模型。分析该仿真模型电流信号,得出电流信号与螺栓松动故障之间规律。研究表明,松动情况下电机电流频率附近出现边频带,时域波形出现脉冲冲击,时频图上出现能量波动,冲击与波动出现的时刻对应螺栓松动时刻。所提出的模型分析结果与试验数据吻合较好,研究成果对工业机器人关节螺栓松动故障的建模及诊断研究具有重要的参考价值。     

基于耦合信号包络分析的引线键合点剪切强度识别方法研究

键合点剪切强度是衡量键合质量的重要指标之一,以引线键合系统超声波发生器电信号作为信息载体,研究了超声电信号的特征提取方法以及在键合强度识别方面的应用。针对超声电信号的瞬态特性,提出一种基于信号子频带包络分段的特征提取方法。该方法将超声电信号滤波后的子频带包络分成信号上升、稳定和衰减三个阶段,提取每个阶段的敏感波形特征来表征键合过程。为了消除特征中的冗余信息并实现特征降维,采用了主分量分析(PCA)技术进行特征选择。建立了人工神经网络系统(ANN)对提取的特征进行识别,通过实验数据分析,验证了本文方法的有效性。     

辨识振动环境中两点螺栓连接状态的REE声发射指标

为探索基于声发射技术的两点板条螺栓连接结构连接状态的辨识,以累计能量参数为基础,提出了声发射相对当量能量指标（REE）,以便更有效地进行螺栓连接状态的辨识。声发射REE参量可消除声发射测试参数受振动时间等环境因素的影响,综合考虑了能量和振铃计数等声发射参数,可以更准确地辨识螺栓连接结构的连接状态。     

基于概率密度演化理论的结构抗震可靠性分析

运用随机过程的正交展开方法,将地震动加速度过程表示为由10个左右的独立随机变量所调制的确定性函数的线性组合形式。结合概率密度演化方法和等价极值事件的基本思想,研究了非线性结构的抗震可靠度分析问题。以具有滞回特性的非线性结构为例,对某一多自由度的剪切型框架结构进行了抗震可靠性分析。结果表明：按照复杂失效准则计算的结构抗震可靠度较之结构各层抗震可靠度均低。这一研究为基于概率密度函数的、精细化的抗震可靠度计算提供了新的途径。     

基于振动测试的非线性参数识别方法

研究了利用特殊的正弦扫频技术识别非线性参数的方法。该方法利用目前线性系统成熟的模态分析技术,并结合等效线性化理论,通过振动测试识别结构的非线性参数,可以建立一个更加准确的模型来反映非线性结构的动力学特性,从而提高模型的预测精度。该方法包括两部分：（1）常位移测试识别非线性刚度;（2）常速度测试识别非线性阻尼。常位移测试是在一次正弦扫频过程中,通过调整各频率下的激励力幅值使得位移响应的幅值为常数,获得一组频响函数,通过模态分析获得等效刚度;改变位移响应的幅值进行多次测试,获得多组等效刚度;对获得的一系列恒定位移响应下的等效刚度进行曲线拟合,即可获得所有线性和非线性刚度参数。常速度测试与其类似。以三自由度非线性系统为例,进行了常位移测试和     

STFT-IP时频特征提取技术的螺栓松动识别方法

针对机械连接结构中常见的螺栓松动识别问题,利用短时傅里叶变换(STFT,Short-time Fourier transform)处理振动信号获得时频图,通过分析时频图发现不同预紧状态螺栓联接结构的振动响应时频特征,凝练STFT-IP(Image Pixel)特征指标,并提出基于STFT-IP时频特征的螺栓松动识别方法...     

结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

低温及大温差区输电铁塔螺栓扭矩及横向振动试验研究

螺栓松动是强风和舞动区输电铁塔横担损坏的主要原因,输电线路运行环境温度及其变化会对螺栓应力和防松性能产生影响。通过开展低温及大温差环境下输电铁塔螺栓扭矩试验和横向振动试验,获得了施工扭矩下-50℃～30℃的螺栓预紧力及材料强度利用系数,确定了输电线路运行环境温度及温差变化对螺栓预紧力及防松性能的影响规律,评估了输电铁塔单螺母和双螺母螺栓在低温及大温差环境下的防松效果。按照现行规范的输电铁塔螺栓施工扭矩,-50℃低温及80℃温差环境下施工不会对输电铁塔螺栓强度安全产生影响。输电铁塔螺栓按照相同扭矩在室温环境施拧后,随横向振动环境温度(30℃～-50℃)的降低,输电铁塔螺栓振后残余预紧力百分比逐渐增大,即在低温运行环境下螺栓的防松性能有所提高。其中,单螺母螺栓-50℃环境下的防松性能比室温20℃环境下提高了41.0%。     

主成分分析的入侵检测方法研究

直接将入侵检测算法应用在粗糙数据上,其入侵检测分析的效率非常低.为解决该问题,提出了一种基于主成分分析的入侵检测方法.该方法通过提取网络连接中的相关信息,对它进行解码,并将解码的网络连接记录与已知的网络连接记录数据进行比较,发现记录中的变化和连接记录分布的主成分,最后将机器学习方法和主成分分析方法结合实现入侵检测.实验结果表明该方法应用到各种不同KDD99入侵检测数据集中可以有效减少学习时间、降低各种数据集的表示空间,提高入侵检测效率.     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

声信号的主分量分析应用于滚动轴承故障诊断

利用声信号来进行故障诊断具有"采集比较容易,非接触式测取,设备简单,速度快,无须事先粘贴传感器,不影响设备正常工作,易于实现早期预报和在线监测,疳可在不易测量振动信号的场合得到广泛应用"等优点.由于外界噪声的影响,有效信息的提取较为困难.采用主分量分析对传声器测取的声信号进行了预处理;在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取故障特征向量,并以滚动轴承为例进行实验.结果表明,这是诊断滚动轴承早期故障的一种可选方法.     

基于电容测量和PCA法的两相流相浓度检测方法

介绍利用电容层析成像系统阵列传感器结构和采样特点,引入主成分分析法(PCA)求取两相流相浓度的新方法.对大量测量值样本进行统计分析后,求出用测量值第一主成分求取相浓度的经验公式,仿真及静态实验表明:两者之间有着良好的对应关系,其测量结果不受两相流流型的影响,是一种有较好应用前景的测量方法.     

基于互信息的主成分分析用于声场景分类

主成分分析是声场景分类中常用的特征选择方法。针对主成分分析的局限性,提出一种基于互信息的主成分分析方法。这一方法引入类别信息,用不同声场景条件下特征之间的互信息矩阵之和替代传统主成分分析中的协方差矩阵,计算其特征向量与特征值,特征向量表示由原始特征空间向新的主成分空间的转换系数,特征值则用于计算主成分的累计贡献率并判断主成分维数。声场景分类实验结果表明,该方法较之传统主成分分析方法降维效果更好,辅以神经网络分类器,计算得到的分类正确率更高。     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于主成分分析与BP网络的锚杆支护方案优选

巷道特征与锚杆支护之间可以看作是一种非线性映射关系,用一般的数学方法难以表达巷道支护方案与其影响因素之间的非线性映射关系.神经网络已广泛应用于锚杆支护方案优选,并取得较好的效果.基于单一神经网络预测锚杆支护方案存在一些不足,构建了主成分分析与BP网络相结合的巷道锚杆支护方案优选模型.利用主成分分析对神经网络的输入数据进行预处理,使输入数据减少且不相关,加快网络的收敛速度,并且预测精度均在90%以上.研究结果表明:将主成分分析与BP神经网络结合优选巷道的锚杆支护方案,具有很高的预测精度;与单一BP神经网络相比,提高了预测精度．     

Kernel principal component analysis and support vector machines for stock price prediction

Technical indicators are used with two heuristic models, kernel principal component analysis and factor analysis in order to identify the most influential inputs for a forecasting model. Multilayer perceptron (MLP) networks and support vector regression (SVR) are used with different inputs. We assume that the future value of a stock price/return depends on the financial indicators although there is no parametric model to explain this relationship, which comes from the technical analysis. Comparison studies show that SVR and MLP networks require different inputs. Furthermore, proposed heuristic models produce better results than the studied data mining methods. In addition to this, we can say that there is no difference between MLP networks and SVR techniques when we compare their mean square error values.     

A dynamic quality control approach by improving dominant factors based on improved principal component analysis

Process variables in manufacturing process are critical to the final quality of product, especially in continuous process. Their abnormal fluctuations may cause many quality problems and lead to poor product quality. Against this background, this paper proposes a dynamic quality control approach by improving dominant factors (DFs) based on improved principal component analysis (iPCA). Firstly, the generation of iPCA is illustrated to identify the DFs which lead to quality problems. Then, a quality prediction model for improving DFs is proposed based on modified support vector machine (SVM). An incremental weight is introduced in SVM to improve its sparsity and increase the accuracy of quality prediction. Thus, the product quality can be guaranteed by controlling the DFs dynamically. Finally, a case study is provided to verify the feasibility and applicability of proposed method. The research is expected to provide some guidance for continuous process.