【摘 要】
：
针对传统隐Markov模型在机械故障诊断中存在的不足,提出了基于无限隐马尔可夫模型(iHMM)的机械故障诊断方法.在提出的方法中,以谱峭度为特征提取,iHMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型.实验结果表明,提出的方法明显优于传统的HMM故障识别方法,具有非常满意的识别效果.提出的方法能通过数据整合的方式有效避免了HMM在建模初期遗留下的不足.
【机 构】
：
南昌航空大学无损检测技术教育部重点实验室,南昌330063
【出 处】
：
第十一届全国随机振动理论与应用学术会议
论文部分内容阅读
针对传统隐Markov模型在机械故障诊断中存在的不足,提出了基于无限隐马尔可夫模型(iHMM)的机械故障诊断方法.在提出的方法中,以谱峭度为特征提取,iHMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型.实验结果表明,提出的方法明显优于传统的HMM故障识别方法,具有非常满意的识别效果.提出的方法能通过数据整合的方式有效避免了HMM在建模初期遗留下的不足.
其他文献
针对机组振动信号的非线性和非平稳性,采用EMD和Teager能量算子相结合的方法对信号进行特征提取.先将信号采用EMD的方法分解出来若干个IMF分量之和,然后对每个IMF分量进行Teager能量算子变换,可以得到瞬时幅值以及瞬时频率,进一步得到Teager能量谱,该方法可以根据信号特征进行时频分解,从而克服了人为因素以及传统方法中谐波分量表示不平稳信号以及非线性信号所带来的缺陷,对非平稳信号以及非
对振动信号进行处理与分析作为监测机械设备运行状态的方法一直受到广泛关注，同时也是机械故障诊断技术的一个重要方向.为了更好的处理非平稳、非线性振动信号,依据HHT(Hilbert-Huang变换)边际谱的思想,提出一种基于S变换的时域边际谱,并给出了利用这种时域边际谱进行频谱分析的具体方法.对仿真信号的处理说明该方法对振动信号中的冲击能量比较敏感,能够很好的提取冲击的特征频率,同时具有抑制信号高频成
针对轴承性能退化难以及时准确评估的情况,本文提出了一种基于非线性流形学习的两类模型轴承性能退化评估方法.在一种基于健康数据的两类模型上,结合流形学习方法提取敏感特征,依据轴承退化的数据同轴承健康的类可分性测度,采用两类模型的类间判别因子,有效地度量了监控数据相比于健康数据的分布情况,反映出轴承性能退化状况.通过对全寿命轴承数据的实例对比分析,试验结果显示了该方法相比传统监控指标的优越性,表明基于流
提出基于全矢HHT时域边际谱的滚动轴承故障诊断新方法.采集滚动轴承双通道振动信号,分别对双通道信号进行EMD分解和Hilbert变换,得到Hilbert谱,再对Hilbert谱进行积分,得到体现信号时域特性的时域边际谱,最后利用全矢谱技术对其进行同源信息融合,得到滚动轴承的全矢HHT时域边际谱.在滚动轴承外圈缺陷的故障诊断实验中,证实该方法比传统的Hilbert边际谱更能有效提取滚动轴承故障特征.
旋转机械工作环境的特殊性决定了其振动信号中噪声和外界干扰的客观存在,因此故障诊断的稳健性是当前转子系统不平衡量识别面临的重要问题.针对转子系统不平衡量响应中外界干扰和异常值相对于测量数据具有稀疏性的特点,本文提出一种基于模型残差稀疏性控制的转子系统不平衡量稳健识别方法.该方法首先将转子系统残余振动分为两部分:第一部分代表数据采集中的观测噪声,第二部分表征振动数据中存在的异常值等干扰;根据振动数据中
针对变速变载、闪电雷击、雨雪冰雹等恶劣工作环境干扰下风电机组微弱特征的提取困难问题,论文提出了一种基于交叉遗传优化MHW的微弱特征提取方法.该方法通过变形参数调整对MHW小波形状进行拟合匹配,并通过交叉遗传优化算法对该变形参数进行优化,进而通过连续小波变换提取匹配波形优化的微弱特征.通过风电场风电机组齿轮箱振动数据分析,验证了该方法可以较好地抑制强背景噪声干扰,提取风电机组微弱故障特征.
针对管道超声导波检测中缺陷回波幅值小和波包畸变的问题,论文从理论和试验上研究了时间反转在超声导波管道检测中的应用.首先,推导了时间反转导波声场在缺陷位置的表达式,从理论上证明了时间反转的频散聚焦和多模式聚焦效应;其次,搭建了超声导波检测试验系统,开展了超声导波在管道中的时间反转试验,结果表明,时间反转可实现导波能量在缺陷位置的自适应聚焦,提高小缺陷的检测能力;最后,针对超声导波检测中激励频率和激发
模糊熵是衡量振动信号复杂性的非线性动力学方法,针对振动信号的多尺度特性,提出了一种基于经验小波变换-模糊熵的滚动轴承故障特征提取方法.经验小波变换是在经验模态分解和小波变换的基础上提出的一种非平稳信号处理方法.通过采用经验小波变换将滚动轴承振动信号自适应地分解为若干个不同尺度的具有紧支集频谱的单分量信号之和,再提取每个单分量信号的模糊熵,最后,将提取的多尺度特征向量输入到基于支持向量机的多故障分类
现代企业在结构调整、转型升级过程中面临新技术引进,地域分散等问题,对安全生产、设备可靠性等提出了更高的要求,而与之对应的安全、设备管理手段还相对滞后,高技术人才相对缺乏.本文针对以上问题,提出了建立基于物联网的远程诊断中心,它可以集中发挥高端专业技术人才的优势,通过物联网技术,实时掌握各分厂机组的运行状况,并根据机组的状态信息,结合专家自身丰富的经验,对企业设备性能进行评估,对企业设备故障进行诊断
由于列车运动,故障轴承的声学信号会产生频移和扩展的多普勒现象,给轴承的故障识别、诊断带来了难度.本文提出了一种基于数据驱动的多普勒校正方法,并将其运用到列车轴承上.该方法通过时频域中轴承故障数据的能量变化的特点直接建立重采样时间序列,无需其他参数即可实现信号的多普勒校正.在计算量,实用性方面,相比于传统的方法具有明显的优势.本文通过仿真信号和实际信号验证了该方法的有效性.