基于RBF神经网络的多转子故障类型诊断

对多转子系统中转子故障诊断进行了研究,以转子正常、偏心、不平衡和弯曲四种工作状态为例,采用径向基函数(RBF)神经网络对故障进行诊断。通过快速傅里叶变换和能量谱对转子振动信号进行特征提取,并将提取的特征向量作为神经网络的输入,实现多转子故障类型的识别。结果表明,利用能量谱和RBF神经网络能够有效地识别转子故障类型。

机电工程设备故障诊断与养护管理探讨

机电工程设备内部结构复杂、科学技术应用先进,虽然在近些年来设备发展取得了巨大进步,设备种类类型愈发丰富,但是所面临的工程建设环境也愈发复杂,生产劳动强度有所增大,例如在长期生产运行后容易发生机电工程设备零件磨损、变形甚至断裂等病害情况,甚至导致机电设备无法正常运行。在本文中对于机电工程设备的故障问题进行剖析,探讨其表现类型、发生原因以及故障诊断方法与处理、养护管理方法,最后加以例证。

基于MDP-SVM的过程多类型故障诊断

针对工业过程多类型故障诊断率低的问题,提出一种边界判别投影(MDP)与支持向量机(SVM)相融合(MDP-SVM)的方法。边界判别投影常用于人脸识别领域,其可以将多类数据降维,获得不同类别清晰的边界。与主成分分析(PCA)和局部线性嵌入(LLE)算法相比,考虑了样本的局部结构和全局结构,避免了小样本问题。降维的数据通过SVM分类器进行类别判断,利用粒子群(PSO)算法得到最佳SVM分类器,实现故障诊断。仿真结果表明,相对于传统方法,所提方法故障识别准确率达到95.379%,而且可同时识别出多类故障。

基于核熵成分分析的工业过程多类型故障诊断

核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息,没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息,因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简;然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中,利用天牛须优化算法(BAS)得到最佳性能的SVM分类器,从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验,结果表明:当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时,相比KECA和LDA算法,KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。

矿山机电设备故障诊断技术分析

矿山机电设备使用过程中,受到环境因素、人员因素等的影响经常会出现各种故障,矿山企业在实际的管理工作中必须要重视机电设备的故障检修问题,文章就现阶段常见的几种矿山机电设备故障诊断技术进行简单的归纳总结。