介绍了一种多输入、多输出系统的故障诊断参数选择方法,该方法以可观参数集的信息熵为标准,进行启发性诊断参数集的划分,先以系统状态决定的启发性诊断多数子集作为驱动数据,实施正向推理,缩小目标集合;再以故障目标集合为对象,进行反向推理以确定最终故障集合;最后将故障集合的元素所对应的可测诊断参数作为系统的诊断参数进行测量。该方法构成了诊断型专家系统的一子部分

在深入研究APT-2神经网络结构的基础上,提出了一种基于神经网络的自适应故障模式分类方法,并应用在轴承故障诊断中,结果表明:该方法对轴承故障模式具有自学习、快速稳定的识别能力

介绍了武钢炼铁厂5#高炉罐式炉顶齿轮箱监测诊断系统.该系统通过安装振动传感器和共振解调装置,对电流、氮气和水的压力、流量、温度等参数进行综合监测,达到故障诊断和支持维修决策的目的

利用多项式回归的方法获得不同工况下发动机速度随时间变化的数学模型．基于测试工况定义时的模糊性，故在测试中采用模糊模式识别的方法，确定实际的测试工况，以用于测试参数的处理

在轴承疲劳试验机上对圆锥、圆柱轴承进行了真实故障试验,监测温度信号和振动信号,从信号处理方法、诊断参数选择、时域及频域分析等方面进行研究,得到了许多有价值的结论,找到了圆锥圆柱轴承故障诊断的有效方法

本文阐述了Green函数的原理。以轴承为例阐明了Green函数对设备故障的敏感性,并在以Green函数诊断轴承故障的定量标准方面进行了初步探索

本文研究了齿轮振动信号调制与解调的过程与机理。并根据希尔伯特变换理论,提出了一种早期诊断齿轮故障的新方法-瞬时频率波动(TFF-Transient Frequency Fluctuation)分析法,实现了频率调制信号的解调,较好地提取了齿轮的局部损伤信息。在大量试验与分析的基础上对该方法进行了验证

兰州石化职业技术学院：《微机组装与维护技术》单元14 电脑维护及故障诊断与处理

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类

短时Fourier变换(STFT)在分析非平稳信号的过程中,受调制系数的影响,时频分布图中的能量扩散至主导频率的周围,降低了时频分布的可读性.运用STFT分析瞬时频率缓变或恒定的信号时,调制系数的影响较小甚至可以忽略不计,而得到能量聚集程度很高的时频分布.根据这一特点,提出了迭代广义短时Fourier变换(IG-STFT),该方法有效改善了时频图的可读性.首先运用迭代广义解调分离出频率恒定的单分量成分,然后运用STFT分析信号的时频分布,最后依据STFT的分析结果和相位函数得到原信号的时频分布.通过行星齿轮箱仿真信号和实验信号分析,验证了该方法在分析非平稳信号中的有效性,准确诊断了齿轮故障