摘要：针对实际设备运行中轴承故障样本往往比较匮乏,传统的人工智能算法越来越难以满足实际情况故障诊断需要的问题,提出了一种改进的生成对抗神经网络模型,并结合迁移学习提出了一种智能故障诊断方法。该方法将机械故障时所采集的原始数据与大量源域数据通过生成对抗网络中得到大量与原始数据相似的新样本数据,然后从新样本数据中学习特征优化神经网络的参数,并通过样本的分布相应的调节神经网络的结构,最后,将部分原始故障数据输入已训练好的神经网络,得到诊断结果。实验结果表明,所提方法较传统的深度学习和迁移学习在诊断准确率上分别提高了28.10%和24.42%,能够为实际制造中轴承故障诊断任务提供可行的解决方案。

摘要：针对现有设备管理系统投入和维护成本过高,无法满足中小企业需求的现状,本文利用云计算技术经济性和共享性等优点,提出了基于云计算技术开发设备管理系统的方法,并运用GAE云计算平台和对象数据库技术设计了一个基于云计算技术的中小企业设备管理系统。为设备管理系统的专业化和网络化提供了一个新思路。

摘要：针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。

摘要：针对现有设备管理系统对设备状态信息掌握不足、维修方式落后、大多数设备管理系统对设备状态的统计分析和故障趋势的预测功能不足等现状,结合状态监测诊断技术,运用状态维修的思想,建立了状态维修的实施模型,并采用计算机和数据库技术,开发了一个融合状态监测诊断技术的设备管理系统,对于如何预防故障,杜绝事故,延长设备运行周期,缩短维修时间,为企业设备管理现代化提供了一个新思路。实践证明该方法能够有效改善设备维修方式,最大限度地发挥设备的生产潜力,提高经济效益和社会效益,提高企业设备管理水平,从而大大提高了企业生产环境的安全性。

摘要：针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。

摘要：在分析风力发电机组各功能结构关系基础上,将机组进行结构功能划分,以此构建其评价设备状态体系。然后将AHP-模糊综合评判方法相结合,对风力发电设备运行状态的各个影响因素使用"从下而上"的方式,分级进行评价,最后得到风力发电设备各系统的健康评价值,从而完成了风力发电设备的整体状态评价。实例结果表明,模糊综合评判应用在风力发电设备状态评价中是可行的,同时评判结果为我们掌握机组运行状态及对设备性能进一步改进,提供了一定的依据。

摘要：针对滚动轴承信号的非平稳调制特性以及单通道分析易造成信息遗漏的缺点,提出了一种基于快速谱峭度算法(Fast Kurtogram)和全矢谱技术的故障特征提取方法。首先利用快速谱峭度算法自适应地确定带通滤波器的最佳中心频率与带宽等参数,根据所选参数构建带通滤波器对双通道故障信号进行滤波,以提高其信噪比;然后对滤波后的信号进行全矢信息融合以保证故障信息的全面性;最后对信息融合后的信号进行包络解调分析以获取振动信号的故障特征信息。实验分析结果表明,该方法能有效地提取滚动轴承的故障特征频率,并提高故障诊断的准确性。

摘要：以圆柱齿轮为对象,提出了基于双谱图像的机械故障嵌入式诊断方法。首先,通过小波包阈值去噪、小波包重构、双谱分析生成故障信号的双谱图,并通第一类灰度矩来表征双谱图特征。这些特征统计量,作为BP神经网络模式识别算法的输入特征向量,从而对这些特征集合进行分类,识别出相应的齿轮故障类型。实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性。以OpenCV库编写的代码移植到嵌入式系统简单易行,开发效率高,程序运行可靠。

摘要：针对滚动轴承故障信号具有的非线性和非平稳性,其故障特征难以提取的问题,提出一种奇异值分解(SVD)和局部均值分解(LMD)相结合的滚动轴承故障特征提取和诊断方法。首先,将轴承故障信号进行LMD分解得到若干PF分量;然后选取和原始信号相关度较大的PF分量,利用奇异值序列来构造其故障特征向量;最后,将得到的故障特征向量作为学习样本输入到支持向量机(SVM)中,对故障类型进行分类和识别。实验结果表明,LMD和SVD结合的故障特征提取方法,能有效提取滚动轴承不同状态下的故障特征,对不同故障状态做出准确分类。

摘要：为了提高分形维数提取碰摩故障特征的区分度和稳定性,提出了一种基于改进谐波小波和分形的算法。采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数计算分形维数。在Bently转子实验台上分别采集正常工况、单点碰摩、不平衡激励的碰摩三种数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性相比原始信号以及谐波小波处理信号高29.17%、14.81%以上。结果表明,改进谐波小波和分形能够更准确稳定得诊断碰摩故障信息,优于传统的关联维数算法。