以系统复杂、耦合程度高、振动信号干涉多的纯电动汽车集中式电驱系统为研究对象,建立监测电驱动系统振动信号的采集系统,通过经验模态分解出各组件振动信号中潜在故障的内禀函数分量,再将各分量作为神经网络的输入参数,获得训练后的神经网络,再将原始信号作为神经网络的输入,输出可能的故障点与故障信息,从而建立故障预测模型。结果表明,在经验模态结合神经网络算法的基础上,利用采集的振动信号进行智能诊断,输出的预测结果准确率高。

同一监测点的多源通道信号可以为精准故障诊断提供更全面的特征信息,然而多源特征的有效融合仍然具有挑战性。为解决此问题,耦合隐马尔科夫(CHMM)被用来有效融合双通道信息的循环平稳特征,即用快速谱相关(FSC)提取特征,从而为提高滚动轴承智能诊断正确率提供有效多源融合特征向量支撑。FSC分析方法用于滚动轴承同源双通道振动信号的特征提取;参数优化选取后的CHMM对双通道同源特征进行融合,实现滚动轴承的智能诊断。通过滚动轴承常规故障实验和全寿命加速疲劳实验,验证了所述方法不仅能用于滚动轴承故障的智能分类,而且还能用于滚动轴承的有效性能退化评估。此外,通过对比研究验证了所述方法的优越性。

为了解决信息化条件下数控机床故障监测效率低、维修成本高、时延高等问题,同时满足网络技术、边缘计算、故障预测与健康管理技术相结合的智能诊断需求,提出基于信息物理系统的智能诊断系统。系统设计为4层:智能感知层、数据决策层、网络层、应用层。与传统的故障诊断与健康管理相比,该系统引入边缘计算技术与人工智能相关技术,解决系统的实时性、网络可靠性、数据安全性等问题,进一步实现智能化的故障预测与健康管理。以数控机床滚珠丝杠副为例,通过分析其故障现象并设计PHM流程,应用网络技术远程部署和配置PHM算法从而实现对机床的在线监测,同时能够识别丝杠的早期、中期和晚期故障。结果表明:该系统对进一步提高数控机床故障诊断可靠性以及实现设备智能运维和健康管理具有重要的意义。

电厂锅炉燃烧的基本要求是在炉膛内建立稳定、高效、清洁的燃烧火焰.文中介绍基于火焰图像处理的电厂锅炉燃烧诊断和运行指导系统的原理、组成、功能及在300MW电厂锅炉上的运用.系统可全面实现锅炉燃烧的智能诊断和控制.根据实际运行效果提出系统改进和发展的方向.

电液压伺服阀作为飞机液压控制系统中的重要构件,正常工作可以保障飞机的安全飞行。为解决电液压伺服阀存在密封圈破损、阀内过滤器污染以及喷嘴堵塞或电气元件损坏等故障问题,对某个机型襟翼的电液压伺服阀控制系统中存在的故障问题展开分析。首先阐述电液压伺服阀的工作原理和结构特点,其次探究襟翼的故障现象并进行故障复现,以确定导致电液压伺服阀故障的原因,最后针对故障原因提出相应的对策,以期为电液压伺服阀的优化设计提供参考。

工程机械液压系统发生冲击故障时,液压冲击引起的振动信号包含了大量的故障信息。该文针对液压冲击产生的振动信号,通过EEMD方法计算有效IMF分量的能量分布作为振动信号的特征向量,研究了基于SVM分类预测的典型冲击振动信号的高维大样本的分类识别,比较了不同SVM分类器的分类识别效果。结果表明:基于EEMD和SVM相结合的方法可有效进行高维大样本条件下液压系统冲击振动信号分类识别,能实现液压系统冲击振动信号的智能诊断。

齿轮智能故障诊断模型的训练数据通常来自特定转速下进行的振动实验,当齿轮传动系统实际运行转速与振动实验不一致时,诊断模型有可能失效。由齿轮传动系统振动机理分析可知:齿轮传动系统振动响应信号中包含了随转速变化幅度大且不能反映真实故障情况的干扰成分;振动响应信号幅值谱中具有对转速变化不敏感的故障特征。根据齿轮传动系统的结构、运行参数以及振动特性等先验知识,去除振动响应信号中的干扰成分,并以剩余信号的幅值谱作为诊断模型的输入样本,能够减小不同转速下同类别样本之间的特征差异,有效提高模型的泛化能力,使其能够适应一定程度上的转速变化。

将液压系统故障诊断方法按其发展情况分为三类进行了讨论重点分析了基于信号处理与建模处理的现代诊断技术及其特点指出了多种技术融合的智能诊断是液压系统故障诊断方法发展的方向.

在智能诊断系统中,液压故障诊断的基本逻辑推理方法是化整为零、层层深入,聚零为整、综合评判,由此及彼、触类旁通,抓住关键、顺藤摸瓜等.分析与综合相结合,定性分析与定量分析相结合,机理分析与逻辑分析相结合,假设与验证相结合等是故障诊断的基本原则.

对液压系统故障智能诊断的主要理论和方法进行了归纳和分类对各种方法的概念、特点、原理、主要改进及典型应用进行了介绍指出将多种诊断方法及其他现代技术相互融合是液压系统故障智能诊断技术未来发展的重要趋势。