针对电潜螺杆泵故障预测中发生故障难以及时发现、发现难以准确判别故障类型等问题,提出一种基于深度学习长短期记忆网络(LSTM)结合概率神经网络(PNN)的电潜螺杆泵故障预测方法。以LSTM网络为回归模型,使用时间序列法预测故障信号的未来趋势,利用小波包分解螺杆泵的故障信号,提取其中的故障特征,再结合油压、产量等多个工作参数,构建电潜螺杆泵的故障特征向量,并凭借PNN网络判别预测信号故障类型。收集新疆油田120组故障数据作为数据集对预测模型进行训练,从中取出90组数据作为故障数据库对模型进行训练,取出30组数据作为测试组测试模型准确率,使用LSTM-PNN神经网络预测模型分别对两组数据进行电潜螺杆泵故障预测。结果表明预测前提取故障信号特征可有效提高电潜螺杆泵的故障预测精度,较常规电潜螺杆泵故障预测方法,LSTM-PNN网络预测具有...

经长期服役后的塔式起重机,其安全状况会整体下降,若出现的损伤不能被及时监测处理,可能造成严重的事故,因此,塔机起重臂的局部损伤识别研究对于其及时检修有重要意义。文章利用塔机起重臂损伤前后的加速度响应信号,得到用于表征起重臂损伤信息的小波包能量变化率特征集,为神经网络损伤识别输入参数的选择提供依据。结果显示,采用神经网络与小波包构造的能量变化率指标相结合的损伤识别方法,可以对塔机起重臂损伤杆件发生的具体位置以及损伤的程度进行准确的识别,同时,数值仿真证明方法的有效性。

针对基于单一分类器的柴油发动机常见故障识别效果不够理想,泛化性较差等问题,结合实验数据探索了一种随机森林(Random Forest,RF)分类器,提出小波包分解和随机森林相结合的柴油发动机故障诊断方法。首先,对缸盖振动信号进行小波包分解,并利用分解所得的小波包重构系数计算各频带能量特征;然后,对小波包频带能量特征进行归一化处理,得到特征向量;最后,特征向量作为输入参数输入到随机森林算法中,训练得到分类模型,对柴油机常见故障进行识别。实验结果表明,随机森林方法相比于单一分类器可以更准确的识别出柴油机的运行状态,该方法在柴油发动机在线监测与故障诊断领域中具有良好的应用前景。

界面粘接强度的降低是目前广泛应用于建筑领域的隐框支玻璃幕墙破坏的主要原因。针对隐框支玻璃幕墙,提出了一种非线性超声兰姆波检测方法。通过理论和实验研究,验证了该方法的可行性。首先,利用压电陶瓷换能器产生汉宁窗调制的激励信号。采用人工热老化的方法加速界面结合强度的退化,得到不同老化周期的反射信号。然后,分别采用离散傅立叶变换(DFT)和小波包分解两种方法进行特征提取,并采用归一化和回归分析对两种方法进行比较。实验结果表明,采用二阶相对非线性系数的振幅积分法能灵敏地反映界面结合强度,而三阶相对非线性系数的变化曲线不明显。小波包能量法的计算结果与振幅积分法接近,与实际情况相符。二阶相对非线性系数先在小范围内波动,然后下降,最后随着热老化时间的延长而增大。但小波能量法的均方误差较小。小波包...

文中就框支撑玻璃幕墙中隐框式玻璃幕墙出现的老化问题等展开分析,并设计了一种非线性超声兰姆波检测方法,通过相应的研究分析,证实了此方法的可靠性。

为了实现电机轴承故障的准确诊断，必须提取更加准确有效的故障特征。针对上述问题，提出基于小波包分解（WPD）和希尔伯特黄变换（HHT）的故障特征提取方法，并用神经网络进行诊断验证。小波包分解对信号突变检测优于HHT，HHT在低频检测部分比小波包分解更加有优势。结合两种算法的优点，采用小波包分解提取高频段能量特征。并利用HHT对小波包重构的低频信号进一步分析得到低频段能量特征。仿真结果表明，上述算法能够准确诊断出故障类型，提高了轴承故障诊断的准确率。通过与常见的倒频谱分析、WVD方法对比，验证了所提算法的有效性和优越性。

电厂发电机组齿轮箱通常工作在高速高负载和润滑不良的恶劣环境中,研究对其工作过程的有效监测和故障诊断具有重要意义。针对齿轮箱故障信号的非平稳特征,提出了基于小波包分解和神经网络的故障诊断方法。以故障信号小波包分解后的能量信息作为输入向量,以BP神经网络作为分类器对其进行识别和诊断。通过对齿轮箱的正常工况、齿面磨损、缺齿和复合故障等4种类型的分析表明,提出的小波神经网络故障诊断方法可以识别齿轮箱的故障类型。

针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点，提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法，将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析，明确故障振动信号反映出的能量集中频带带宽；根据确定的带宽和原始信号分析频率设定小波包分解的层数，采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构；利用小波脊线法对重构后的频带信号进行解调处理，通过信号的包络解调谱提取故障的特征频率，利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证，该方法能有效地对液压泵的故障信号进行解调，并能找出反映故障的敏感特征频率。

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题，结合决策树与支持向量机提出一种基于小波包分解与DAG-SVM的柱塞泵故障诊断方法。该方法预先对所用C-SVM和RBF核函数的参数进行优化，而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量，将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置，通过模拟不同故障，利用已知故障样本完成支持向量机的训练过程，进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符，验证了该方法的准确性。

针对齿轮泵故障成因复杂、模糊性强的特点,结合小波包分解与K-L变换,提出一种适用于支持向量机故障诊断的特征提取方法。通过小波包对样本故障振动信号进行分解得到特征向量,而后利用K-L变换处理得到新的特征向量集,达到降维去噪的目的。将处理后的特征向量集用于支持向量机的模型训练,分析结果表明：该方法能够有效提高故障模式识别准确率和识别效率。