单片机在电力机车轴承故障诊断中的应用

分析了电力机车牵引电机滚动轴承故障诊断系统中单片机应用的特点，介绍了单片机完成诊断系统中采样，工况分析，人机对话和数据存档等功能的方法，并讨论了单片机系统软、硬件设计中的关键问题。     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明：笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S_SNR=-4～6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。     

小波分析在装裁机变速箱滚动轴承故障诊断中的应用探讨

主要讨论了小波分析在装裁机变速箱滚动轴承故障诊断中的应用,以求为未来装裁机变速箱滚动轴承故障诊断提供新的方法。     

基于支持向量机的船舶柴油机层次故障诊断的研究

文章介绍了支持向量机的原理和算法,分析了层次分析法及其在故障诊断中的应用,并在上述理论下,建立了柴油机的故障模型。仿真结果表明,SVM能够在小样本的情况下解决柴油机故障诊断的分类问题,在实际的机械故障诊断的分类中具有广泛的应用前景．     

拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

基于SVM-AdaBoost算法的轨道交通列车滚动轴承故障诊断

轨道交通列车走行部滚动轴承是关键且故障多发的部件之一,其工作状态直接影响列车的安全。故研究走行部滚动轴承故障诊断技术对保障列车安全可靠运营有着现实意义。通过设计轴承运行实验,尽可能逼近现场实际工况,采集信号,提取合理故障信号特征;提出一种轴承智能故障辨识算法,实现高精度的故障诊断。结果表明,此两种方法均具有较好的应用价值,能满足轴承故障诊断的技术需求。     

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于智能优化算法的动态路径诱导方法研究进展

采用综述的方法对当前动态路径诱导方法中一些有代表性的智能优化算法进行了深刻的探讨与总结,为未来进行深入而广泛的智能交通系统研究及应用奠定基础.主要从算法特性、改进效果、性能评价等方面详细讨论了智能优化算法在动态路径诱导系统中的常见改进机制及其效果,给出了这些优化算法的基本思想、优缺点及其应用局限性;并对智能优化算法性能评价方法的研究现状进行了详细的分析与总结,为建模人员和研究人员对智能交通系统中动态路径诱导方法的选择和研究提供支持;最后结合算法应用分析成果,展望了智能优化算法在动态路径诱导系统中的应用发展前景和智能交通系统中进一步研究未来动态路径诱导算法的重要研究方向.     

噪声背景下提取调制信息的改进奇异值分解技术

在介绍现有奇异值分离技术基本原理及其在故障诊断中的应用的基础上，研究了利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号特征的关系，引入自相关函数定量计算重构矩阵的延时步长，改进了现有算法，使得吸引子轨迹矩阵的重构更加合理。研究表明该方法能在强噪声背景下提取出所需的调制信号，并成功用于齿轮箱调制故障信号的提取。     

一种基于UEE-EMD的滚动轴承故障诊断方法

滚动轴承是很多大型旋转机械的核心部件,其故障诊断的研究对保障旋转机械运行稳定性具有重要的意义。经验模态分解方法对分析非线性不稳定的滚动轴承故障信号具有独到的优势。然而,经验模态分解固有的端点效应问题往往会导致较大的故障特征提取误差,影响故障诊断的准确性。针对上述问题,本文提出基于无失真端点极值化的经验模态分解(UEE-EMD)的滚动轴承故障诊断方法,UEE-EMD通过交叉取样策略和端点极值化策略从源头上抑制端点效应的产生,利用本征模函数截头去尾从结果上屏蔽端点效应,保证了滚动轴承故障特征提取的准确性。故障诊断仿真实验表明,基于UEE-EMD的滚动轴承故障诊断取得了更好的诊断效果。     

基于BP算法的模糊Petri网鱼雷故障诊断方法

模糊Petri网是故障诊断系统建模与分析的一种重要工具,但存在自学习困难的特点.该文将具有强大自学习能力和容错能力的神经网络与模糊Petri网相结合,并根据实际工程应用情况,提出最大路径法对模糊Petri网分层,避免了虚变迁和虚库所加入带来的模糊Petri网故障诊断模型复杂化问题,然后运用神经网络中的BP算法对模型参数进行学习,使模型具有了自学习和泛化能力.将其应用到某型鱼雷电子系统的故障诊断系统中,结果表明,该方法能够有效地提高模型故障诊断能力.     

基于人工智能专家系统的船舶电力系统故障诊断研究

为了提高船舶电力系统在发生故障后锁定故障点的效率,为船员抢修争取到宝贵时间,提高船舶在航行过程中的安全系数.本论文在阐述了船舶电力系统故障特点后,根据故障发生部位的优先级,将诊断模块分为输电线路和其它设备级两个模块,利用matlab程序设计语言设计改进遗传禁忌混合算法预处理数据,并分别使用正向推理和混合推理机制分析数据,同时引入模糊规则,对分析专家系统故障诊断机理在船舶电力系统故障诊断中的改进方案进行了研究,以便于工作人员及时排除故障,对于加强船舶电力系统的稳定性具有重要意义.     

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

人工蚁群算法理论及其在经典 TSP 问题中的实现

人工蚁群算法是一种新型的模拟进化算法也是一种随机型智能搜索寻优算法.较系 统地总结了这一算法的基本理论.分析了其基本摸型和算法在TSP问题中的实现方式给出了 改进算法及其在多点通信路由问题中的应用.并对人工蚁群算法的优化性能进行了分析讨论.     

混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合，而LS—EM算法则可解决这一模型的参数估计问题．描述了混合高斯自回归模型及其参数估计问题之后，导出了具体的LS-EM算法，并给出了一组仿真实例．这是一种参数耦合估计算法，首先基于传统的最小二乘技术得到功率谱密度参数粗估计，进行预白，然后应用EM迭代得到白激励的概率密度估计，并基于此构建一加权函数，以此权函数改进最小二乘算法，进而得到模型参数的精估计．     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件,设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对,利用CompactDAQ和NI9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理,振动信号包含滚动轴承故障信息。因此,运用小波变换函数,对振动信号进行时频域分析处理,获取有用的故障特征信息,进而确定故障类型。从实验结果可以看出,该方法能准确地找到故障频率,对于机车滚动轴承故障诊断有很好的指导意义。     

基于EMD分解和共振解调的滚动轴承故障诊断研究

在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。     

质子交换膜燃料电池水淹和膜干故障诊断研究综述

质子交换膜燃料电池水淹和膜干是其在运行过程中最常见的故障. 首先，阐述了质子交换膜燃料电池中水的产生和传输机理，概括了水淹和膜干故障的影响因素，列举并分析了基于电压、压力降和阻抗的水淹和膜干诊断指标及各自的优缺点，并从内部结构和电荷传输方面介绍了水淹和膜干对质子交换膜燃料电池的危害；其次，讨论了水淹和膜干故障基于模型、基于实验和基于数据驱动的3种诊断方法及其适用范围，另外分析了缓解水淹和膜干故障的常用措施；最后，对水淹和膜干故障进行了总结和展望，并指出基于数据驱动的在线诊断方法、适于故障诊断的模型建立、大尺度电堆及多堆间水淹和膜干故障的诊断及高效精准的故障诊断指标的探索有待深入研究.