共查询到16条相似文献,搜索用时 46 毫秒
1.
2.
3.
多特征信息融合的贝叶斯网络故障诊断方法研究 总被引:5,自引:0,他引:5
针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。 相似文献
4.
随着检测技术、信号处理技术、智能技术的进步,故障诊断技术得到了很大的发展,但是目前对电机的故障诊断技术仍因为各种原因存在着很大的不确定性。其诊断系统依然是基于单个参数(如电流、振动、温度、润滑油成分)所能携带的故障特征来进行诊断,由于模型或者环境的不确定性导致这些诊断结果模糊不清甚至错误。分析了传统绝缘故障诊断方法中存在的不确定性弊端,介绍了利用多传感器信息融合进行故障诊断、建立融合故障诊断系统的优越性。 相似文献
5.
6.
齿轮泵具有压力高、经济耐用、纳污能力强等特点。目前在叉车、装载机、推土机、挖掘机、自卸汽车等工程机械中广泛使用齿轮油泵作为液压动力源。齿轮泵比较常见的失效方式主要有如下几种 :(1)齿轮泵不来油 ;(2 )油封被冲出 ;(3)建立不起压力或压力不够 ;(4)输出排量达不到标准 ;(5 )齿轮泵炸裂 ;(6 )异常发热。下面分别阐述可能引起失效的原因 :1 齿轮泵不来油如果在主机调试中发现齿轮泵不来油 ,应首先检查驱动装置与齿轮泵的旋转方向是否一致。齿轮泵最大的特点是有左右旋之分 ,如果方向用反 ,齿轮泵内部齿轮啮合产生容积差形成的压力油… 相似文献
7.
8.
模糊信息融合在电路故障诊断中的应用研究 总被引:1,自引:0,他引:1
多传感器信息融合技术已成为一个十分活跃的研究领域,它应用的范围越来越广。该文给出了模糊信息融合实现电路故障诊断的方法,通过检测电路工作时电子元件的温度和关键点电压两方面的数据信息,结合模糊信息处理技术,对这两方面的数据信息进行融合,从而确定故障元件,并说明多传感器信息融合方法在电路故障诊断中的优越性。 相似文献
9.
多传感信息融合在液压故障诊断中的应用 总被引:1,自引:0,他引:1
针对恶劣工作环境下多传感信息融合识别效果差和D-S证据理论中证据难获取的问题,在组建有效的传感器网络的基础上,结合改进的JDL模型并根据数据融合分级处理思想,数据层采用自适应加权最小平方估计法对数据进行清洗和特征提取,特征层通过多并行PSO-Hopfield网络的联想记忆功能进行局部诊断,决策层根据修正的D-S证据理论进行时空域融合,并且每级和最终诊断之间都有直接数据通信和反馈,使得知识库信息能为数据挖掘进行知识发现作必要的数据储备。通过仿真结果可知:该数据融合系统容错性强、能综合利用传感器信息并准确定位故障。 相似文献
10.
11.
简介了液压泵的工作原理和失效判据,结合运用几种先进的诊断理论和方法,通过对齿轮泵故障现象诊断分析,给出了齿轮泵常见故障的对策与排除措施,提出的诊断思路和维护方法对生产实际具有指导意义。 相似文献
12.
提出基于ELMD熵特征融合与PSO-SVM的齿轮故障诊断方法。该方法首先对原始信号进行总体局部均值分解(Ensemble local mean decomposition,ELMD),得到若干乘积函数(PF);其次,对ELMD分解得到的前5个PF分量进行求取能量熵和近似熵,并利用KPCA对其进行特征融合;然后,选取部分融合特征作为训练样本,其余作为测试样本;最后,利用PSO优化的支持向量机对融合特征样本进行训练与测试。实验中,将单特征和融合特征分别进行SVM和PSO-SVM识别精度的对比。实验结果证明,所提方法可有效地应用在齿轮故障诊断中。 相似文献
13.
14.
15.
齿轮振动信号分解及其在故障诊断中的应用 总被引:2,自引:0,他引:2
对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。 相似文献
16.
《机械传动》2017,(3):160-165
针对实际中工况复杂难以提取齿轮故障特征频率的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)与多特征融合的齿轮故障诊断方法。首先,对机械振动信号进行VMD分解并得到一系列的模态,其次,计算高频段的前4个模态的排列熵(Permutation Entropy,PE)和能量,最后,将排列熵和能量构成的高维特征向量作为最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的输入,对齿轮故障类型进行模式识别。试验结果表明:VMD可以较好地将复杂多分量信号各成分分开;排列熵和能量特征可以从不同尺度揭示齿轮故障信息;基于VMD与多特征融合的智能故障诊断方法识别精度高,可以为齿轮故障预警和严重程度提供参考。 相似文献