基于多监测信息的油浆泵轴承故障诊断

采用振动监测技术与铁谱分析技术,通过多监测信息的综合分析,诊断出石化装置油浆泵轴承的磨损故障,避免了该装置重大安全事故发生。监测结果表明,综合运用多监测信息在监测设备轴承故障时可极大地提高故障诊断的准确度,大幅降低设备维修费用,确保石化生产装置的安全平稳运行,提高企业的经济效益。     

混合信号振声源分离与多机组故障诊断

针对机房设备混合信号难以提取有用信息,提出了多参数的振声诊断方法。应用最小互信息梯度下降的盲分离算法,通过展开边缘熵和修正四阶累积量估计值的方法改善算法性能,在故障源数量未知且可能大于传感器数量的情况下,根据信息源之间的独立性测度关系依次提取最显著的特征值。仿真结果证明,改进算法估计误差减小且算法可靠。在诊断实例中,首先,分离机房内的混合噪声信号以确定主要故障来源;然后,采集故障源的振动信号进行非线性盲分离,提取热泵机组压缩机不对中、齿轮啮合不良和碰磨的故障特征;最后,根据分离的振源信号特征识别故障类型,建立基于盲源分离算法的大空间设备群的振声诊断方法。     

基于改进BP算法的水泵机组故障诊断的网络模型

针对水泵机组故障诊断复杂,提取的征兆和故障之间关系较为模糊,并且传统的BP算法存在易于陷入局部极小点、收敛速度慢、兼容性不好等问题,采用了一种动量因子与自适应学习率相结合的改进BP算法来建立神经网络模型,并通过有限的样本进行训练,最后通过几种故障特征向量进行验证。实际验证表明,此网络能够满足水泵机组故障诊断的技术要求。     

离心泵机组齿轮箱振动分析和故障诊断

利用状态监测与故障诊断技术对离心泵机组齿轮箱轴向振动进行分析和诊断,在测试、分析的基础上,结合轴向振动机理,找出了齿轮箱轴向振动超标的原因,提出了相应的改造措施,机组改造后振动有较大幅度地降低,符合国家标准.     

基于最大信噪比的潜艇振动信号盲分离算法

为解决复杂多信号源的振动信号处理难题,提出了一种基于最大信噪比的盲分离算法,对振动源信号进行分离提纯,然后对分离的各个信号进行后续处理的盲源分离技术.在介绍盲分离技术的基础上,采用基于最大信噪比的盲分离算法对分离效果进行了仿真.仿真结果表明,采用该方法在无需任何先验知识的情况下,可以很好地分离出各振动源信号,为后续的信号处理(如分析识别、减振降噪等)奠定了基础.     

轴承和齿轮箱的故障诊断

从齿轮振动产生的原因、频谱识别、应用事例等方面阐述了如何诊断设备故障,为设备安全运行提供可靠检修依据。     

冷轧机组的在线故障诊断

本文介绍在线监测系统在冷轧机组设备管理上的应用。利用在线系统收集到的振动数据,过滤出异常设备的报警值,并结合工艺参数、设备参数等条件,通过计算、分析,确定发生异常的部位,采取有效措施确保设备的状态和寿命,为现代设备管理提供了一个强大的工具。     

基于人工神经网络的制冷机组泄漏故障诊断

研究了冷库制冷机组制冷剂泄漏的特征 ,分析了泄漏引发的流量和压力参数变化情况 ,并提取了反映泄漏故障的特征指标 ,建立了能对制冷机组运行状态进行分类的神经网络模型 ,以诊断和预报泄漏故障的发生     

基于改进HVD和包络谱的轴承故障诊断方法

轴承是机械设备的重要零部件之一。希尔伯特振动分解与经验模态分解同样存在着端点效应,针对于端点效应提出了镜像延拓的改进方法,该方法通过在信号左右两端分别延拓一定的数据长度,信号分解后再截去左右延拓的数据。较之传统的希尔伯特振动分解方法,该方法能有效的抑制分离出的分量两端发生发散的现象,将改进的HVD与包络谱结合能够有效的应用于轴承故障诊断,能够有效地提取出轴承故障特征频率。     

催化机组的故障诊断

武汉石油化工厂的设备状态监测工作已发展为离线、在线相结合的监测诊断。本文从频谱图、趋势图和全息谱图三方面,分析诊断催化烟机油膜涡动、催化气压机摩擦和催化3#主风机组振动大的故障,证明状态监测技术对保证设备安全、可靠和高效、经济运行具有重要作用。     

基于改进最大相关峭度解卷积的滚动轴承复合故障诊断

强背景噪声环境下,多故障特征的准确分离是滚动轴承复合故障诊断的关键与难点。针对此问题,提出了一种改进最大相关峭度解卷积的滚动轴承复合故障诊断方法。该方法基于故障信号的特点,利用最大相关峭度解卷积实现信号中的多故障特征分离,借助改进的粒子群算法对参数进行优化选取;利用互相关谱进一步突出信号中的故障特征,提高信噪比。仿真信号和实测滚动轴承内、外圈复合故障信号的分析表明,所提方法能够准确提取出滚动轴承复合故障特征,借助互相关谱的噪声抑制能力,能实现比单一MCKD方法更为有效的故障特征提取。     

量子遗传算法优化的SVM滚动轴承故障诊断

针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。     

改进阴性选择算法的风机振动故障诊断方法

为了正确、快速地判断风电机组振动故障类型,减小其对发电效率及人身财产安全的影响,提出了一种改进型阴性选择算法。在传统的阴性选择算法中引入马氏距离进行振动数据的初步筛选,并将算法应用于风电机组振动故障的预测。研究结果表明,改进的阴性选择算法可以更为快速、准确地判断风电机组振动的故障类型,诊断正确率达到97.5%,从而提高了风电机组运行的可靠性和发电效率。     

基于改进蚁群神经网络的牵引逆变器故障诊断

牵引逆变器是各类地铁列车牵引传动系统的关键部件之一,在实际运行中其功率管极易发生各类故障。针对传统故障诊断方法无法准确识别相应的故障类型和故障部位的问题,基于改进蚁群神经网络对牵引逆变器功率管故障诊断方法进行了研究。通过提取牵引逆变器输出三相电压的频域故障特征作为神经网络的输入,以功率管的开路故障类型作为输出,采用改进蚁群算法训练神经网络的权值和阈值,对牵引逆变器的功率管开路故障进行了有效诊断。仿真和测试结果表明,改进蚁群算法神经网络具有较高的故障诊断准确性,收敛性好,可以快速有效地实现故障定位。     

基于最大相关峭度反褶积的轴承故障诊断方法

针对滚动轴承的故障信号是周期性冲击信号这一特性,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,简称MCKD)与谱峭度(spectral kurtosis,简称SK)结合的滚动轴承早期故障诊断方法,即MCKD-SK法。利用MCKD方法可以有效提取滚动轴承早期故障信号中被噪声淹没的周期冲击成分,抑制信号中的噪声,实现信号降噪,提升原信号的峭度。利用SK方法可以选择合理频带,将信号中的低频信息从高频信息中解调出来。通过仿真与实际监测数据的分析和验证,证明MCKD-SK方法可以准确有效地诊断滚动轴承的早期故障,可用于滚动轴承早期故障的在线监测。     

混沌差分优化数据聚类及在故障诊断中的应用

以某往复式天然气压缩机三类典型故障下的振动数据为例,进行数据聚类性能仿真和故障诊断应用实验,仿真实验结果表明改进的FCM数据聚类算法聚类性能效果有较大提高,故障类别分类诊断中能提高故障判断准确率15％以上,在工程实践中具有很好应用前景.     

基于Maksimov算法的航天器姿控推力器故障诊断

针对已有航天器姿控推力器故障诊断系统功能有限且尚未涉及低泄漏故障诊断的问题,基于非线性姿态动力学和改进的Maksimov非线性系统输入估计算法,提出了航天器姿控推力器在线故障诊断方案。它基于Maksi-mov输入估计,计算了推力有效性因子,实现了推力损失检测,并基于绝对式光电编码器,提出了飞轮反作用力矩估计方法,实现了推进剂泄漏特别是低泄漏故障检测。仿真推力损失和推进剂泄漏故障并应用所提方案进行了故障诊断,表明了该方案的有效性和实用性。     

改进的网格搜索算法在SVM故障诊断中的应用

针对网格搜索法在支持向量机参数寻优时存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法,并将其应用于田纳西-伊士曼过程。实验表明,与改进前的算法相比,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

基于增强最小熵解卷积的航空发动机故障诊断

为有效提取轴承的微弱故障特征,提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中,通过抑制滤波信号中的非周期成分,实现对周期性故障冲击的增强检测,完成轴承故障的准确辨识。仿真信号分析结果表明,所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。     

基于等距特征映射和支持矢量机的转子故障诊断方法

针对振动信号的非线性特征,提出一种基于等距特征映射(Isometric feature mapping,ISOMAP)和支持矢量机(Support vector machine,SVM)的转子故障诊断方法。利用ISOMAP把数据从高维空间投影到低维空间而不改变数据内在属性的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用一种新核函数支持矢量机作为分类器进行故障诊断。将该方法应用于转子故障诊断,结果表明,ISOMAP-SVM方法不仅具有较高的故障诊断率,而且取得振动信号在低维空间的可视化表示。与其他核函数相比新核函数支持矢量机具有较好的诊断效果。