基于IHT的共振解调技术的滚动轴承故障诊断方法

针对传统解调方法在滚动轴承振动信号故障特征提取中的局限性,在迭代Hilbert变换和共振解调技术基础上,提出了一种新的基于迭代希尔伯特变换(iterated Hilbert transform,简称IHT)的共振解调技术的滚动轴承故障诊断方法.采用IHT将原始振动信号分解为若干个含有故障特征信息的包络幅值分量,然后用共振解调法去除残余的高频干扰噪声并求得各个包络分量的倍频谱,利用轴承理论故障频率与共振解调得到的各倍频进行对比分析,诊断出滚动轴承相应的故障类型.轴承故障实例诊断分析结果表明该方法能有效地提取轴承故障特征.      

基于传递函数识别的导弹电动舵机故障诊断

分析了现有导弹舵机故障诊断的现状和不足,建立了电动舵机系统各组成部分及整个舵机系统的传递函数模型,利用LAV算法确定系统的传递函数及各系数。通过比较传递函数的正常值与估计值,从而得出系统是参数超调性故障或损坏性故障。利用传递函数中各系数与元部件之间的对应关系确定出故障的范围。仿真实验验证了方法的可行性,表明该方法可以快速确定故障的部位,具有较高的效率。     

基于信度规则库的惯性平台健康状态参数在线估计

 实时准确的健康状态预测是规划惯性平台系统及时、经济的维修策略的关键技术。由于平台系统的健康状态是不能够直接观测的,假设平台系统的特征参数监测数据是可以获取到的,而且平台系统的健康状态与特征量是相关的。基于信度规则库(BRB),以平台系统的状态监测特征参数作为BRB系统的输入,以平台的健康状态作为输出结果,组建了惯性平台健康状态预测系统。为了克服现有BRB参数优化方法的不足,实现实时状态预测,基于期望最大化(EM)算法,研究了健康状态预测系统的参数在线估计算法。该算法在获取系统新的输入输出信息后,就对参数进行更新。利用本文提出的方法对惯性平台系统的健康状态实时预测问题进行了实验分析,实验结果表明：该方法可以有效地实现惯性平台系统健康状态预测模型参数实时估计;与参数离线优化方法相比,该方法不仅在预测精度上,而且在运行时间上都具有明显的优势;在工程实际中有良好的应用潜力。     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机（SVM）的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

某液体火箭发动机现场故障诊断技术分析

针对某液体火箭发动机热试车时发生的故障,详细的分析了振动数据、压力数据及转速数据,研究了该发动机产生故障的原因,并在试验后的发动机分解后得到有效的验证。     

基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.      

总线互连故障的一种快速诊断算法

数字总线的互连测试与故障诊断对于电子产品的生产和维护具有重要的意义.针对现有算法存在冗余测试以及测试时间长等问题,通过对总线互连故障的特征分析,提出了一种自适应快速诊断算法.该算法将测试过程分成两个阶段:第1阶段,诊断各个超网络上的短路和呆滞故障,按照短路关系将超网络分成若干集合;第2阶段,根据第1阶段的分组结果,对各集合中的超网络加载"并行走步1"向量,以诊断其开路故障.仿真结果表明,该算法可在保证故障诊断最大化的前提下,减少冗余测试,有效压缩测试向量长度,实现故障的快速诊断.      

基于自适应观测器的非线性系统故障诊断

研究一类非线性系统执行器故障诊断问题。对于故障系统,建立一种自适应观测器,通过在线调整,故障后执行器的未知参数被在线逼近。所提出的自适应调整律能够保证观测器稳定及故障估计误差收敛。最后引入卫星反作用飞轮模型,对单飞轮发生故障的情况进行了仿真,结果表明提出的方法有效、可行。     

旋转机械振动故障诊断的灰度-梯度共生矩阵方法

研究了基于灰度-梯度共生矩阵的旋转机械故障诊断方法,利用灰度-梯度共生矩阵直接提取旋转机械振动参数图形中的特征信息,应用人工免疫系统实现旋转机械故障诊断.实验验证该方法可以获得较高的诊断精度,证明了该方法的可行性.      

旋转机械故障诊断的灰度-基元共生矩阵方法研究

研究了基于灰度-基元共生矩阵的故障诊断方法,该方法利用图形的灰度空间分布情况和描述纹理的纹理基元法结合起来提取和挖掘旋转机械振动状态参数图形特征,可以有效地提取图形中纹理特征信息,直接利用BP人工神经网络实现旋转机械故障诊断。在600MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及轴承松动故障的试验,诊断结果表明可以获得较高的诊断精度.