一种坦克发动机电起动系统故障诊断新方法

基于起动电流信号中非平稳特征能有效反映坦克电起动系统的故障状态,提出一种坦克电起动系统故障诊断的新方法。应用小波奇异性检测技术,对起动电流信号中的奇异点进行定位和诊断。针对某型坦克的实际应用表明,基于小波奇异性分析的电起动系统故障诊断方法能有效提取起动电流信号中的关键特征信息,实现电起动系统常见显性和隐性故障的准确诊断及定位。     

基于虚拟仪器的小波分析在发动机故障诊断中的应用

介绍了小波信号分析、虚拟仪器及其软件开发平台LabVIEW基本原理,阐述了在虚拟仪器平台的基础上将小波分析应用于发动机故障诊断,提出了应用MATLABScript节点对信号进行小波处理的方法,并分析了其中的关键技术,实现小波分析方法在发动机故障诊断中的应用,达到了对发动机运行状态进行实时监测和故障诊断的目的。     

基于尾气分析和免疫原理的内燃机故障诊断法

论述了人工免疫系统(AIS)的原理及特点,并将其引入基于尾气分析(EA)的内燃机故障诊断中.分别将内燃机正常状态和异常状态下测得的排放数据经预处理后作为AIS的自体集和非自体集,对抗体集进行刺激,从而得到有针对性的成熟抗体,利用成熟抗体集对试验样机进行故障诊断.结果表明,将AIS与尾气分析法结合起来用于内燃机的故障诊断...     

基于振动信号的发动机故障诊断方法分析

介绍了小波分析和小波包分析故障振动信号特征提取方法,对基于神经网络、专家系统、故障树、模糊理论的振动信号智能故障诊断方法进行了阐述,并阐明了多种智能诊断方法相结合是今后发动机故障诊断研究的主要方向。     

基于危险理论-云决策的发动机状态检测技术研究

针对发动机故障诊断中的诊断精度差和诊断算法自适应性差的问题,提出了一种基于危险理论-云决策的发动机状态检测算法。根据免疫系统的危险理论建立了危险识别模型,给出了危险信号和安全信号的定义。基于云模型构建了云决策模型。通过融合危险识别模型和云决策模型,构建了适用于复杂机械系统的状态诊断策略。在汽车发动机状态检测试验台上,对发动机状态检测算法进行了试验验证,结果表明该算法的诊断准确率达到97.5%以上。     

神经网络多重模型在内燃发电机组配电系统故障诊断中的应用

将神经网络理论应用一发电机组故障诊断，以ＢＰ算法为基础，建立了故障诊断系统，对同发电机组配电系统的常见故障进行了数值模拟，诊断结果精确，表明该方法能够用来解决非线性系统的故障诊断问题。     

基于区间的小波包振动信号特征提取方法研究

基于小波分析与神经网络的振动信号故障诊断方法,提出采用基于区间小波包分解方法来提取振动信号的特征向量来取代传统的小波包分解方法,并以295柴油机进排气系统故障诊断为例验证采用该方法的有效性,结果表明,基于区间的小波包特征提取方法较传统方法能大大提高进排气系统的故障识别率。     

小波分析在变速器齿轮故障诊断中的应用

从小波变换的理论背景出发，介绍了利用小波变换对信号进行分解的原理。针对变速器齿轮振动信号的非平稳性特点，通过对变速器齿轮振动信号用db4小波进行了多分辨分析，说明这种方法可以有效地对变速器齿轮故障进行诊断。     

一种适用于发动机振动信号的时频分析方法

本文中对一种新的时频分析方法——同步压缩小波变换进行研究。首先,为检验其对发动机信号的适用性,建立了多分量、调幅-调频仿真信号,采用同步压缩小波变换对其进行分析。接着将其与其它时频分析方法在时频分辨率、信号分解和重构能力方面进行比较;最后以某一发动机为例,分析其瞬变工况下的振动信号,揭示连杆轴承磨损信号变化规律并提取故障特征。结果表明:同步压缩小波变换是一种适用于发动机状态监测与故障诊断的时频分析方法。     

柴油机故障微机诊断系统

在分析柴油机主要故障类型的基础上，提出从气缸盖和气缸体振动信号中提取振动频率特征信号，用微机系统进行频谱分析，用专家系统软件进行故障诊断，从而达到对柴油机故障进行诊断的目的。实践证明，系统是可行的，在柴油机故障诊断中，将得到广泛应用。     

小波包和SVM在发动机故障诊断中的应用

针对发动机的故障特点,提出了一种基于小波包和支持向量机(SVM)的发动机故障诊断方法。利用信号能量在小波包空间的分布特性,采用基于能量的自适应去噪方法,提取反映故障的特征向量,并基于SVM理论构建了针对发动机的多故障分类器。试验结果表明,该方法具有故障分类与识别能力。     

汽车传动系统机械故障诊断方法的研究

本文针对汽车传动系统主要零部件的特点，研究了基于振动信号的故障诊断方法，包括特征提取、模式分类和诊断决策全过程。     

小波包能量特征法在汽车变速器轴承故障诊断中的应用

归纳和总结了小波神经网络轴承故障诊断法的实施步骤,阐述了小波包的原理,并以变速器轴承故障诊断为例,提取了小波包节点能量作为反映变速器轴承故障类型的振动信号特征参数,并用这些特征参数训练BP神经网络进行故障模式识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明了利用小波包能量法和BP神经网络进行变速器轴承故障诊断是可行而且有效的。     

基于时序-神经网络的车辆变速器齿轮故障诊断

采用时序分析和BP神经网络，建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过对车辆变速器齿轮运行状念特征信号进行时序分析和特征向量提取，并以此作为BP神经网络的输入向量进行网络训练，从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中，能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有效、可行。     

基于EMD和AR模型的汽车变速器齿轮故障诊断方法

提出了基于EMD和AR模型的汽车变速器齿轮故障诊断方法。该方法采用EMD将齿轮振动信号分解成若干个平稳的IMF分量,对每一个IMF分量建立AR模型,以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis。距离判别函数,进而识别齿轮的工作状态。实验分析表明,该方法能有效地应用于变速器齿轮的故障诊断。     

基于粗糙集的特征值优化及柴油机故障诊断

为提高故障诊断的效率,给出了一种基于粗糙集理论的柴油机故障诊断系统。以某大功率柴油机为例,采用时域频域分析和小波包能量谱分析两种方法提取特征值,通过对比优选,将敏感性和稳定性较好的小波包能量谱特征值应用粗糙集理论进行优化,最后通过神经网络进行故障模式分类。试验表明,小波包能量谱分析方法可以提取敏感性和稳定性较好的特征值,粗糙集理论的特征属性约简能有效地减少神经网络的输入节点数,提高故障分类的准确率。