NEW DEMODULATION TECHNOLOGY OF OPTIMIZING ENERGY OPERATOR AND APPLICATION TO GEAR FAULT DIAGNOSIS

Although many methods have been applied to diagnose the gear thult currently, the sensitivity of them is not very good. In order to make the diagnosis methods have more excellent integrated ability in such aspects as precision, sensitivity, reliability and compact algorithm, and so on, and enlightened by the energy operator separation algorithm （EOSA）, a new demodulation method which is optimizing energy operator separation algorithm （OEOSA） is presented. In the algorithm, the non-linear differential operator is utilized to its differential equation： Choosing the unit impulse response length of filter and fixing the weighting coefficient for inportant points. The method has been applied in diagnosing tooth broden and fatiguing crack of gear faults successfully. It provides demodulation analysis of machine signal with a new approach.

某医药检测中心冰蓄冷空调系统智慧运维云平台技术应用

针对公共建筑集中空调系统运行能耗高、智慧运维水平低的问题,以某医药检测中心冰蓄冷空调系统为例,介绍了基于大数据分析的智慧运维云平台在冰蓄冷空调系统中的应用。部署于云平台的智慧运维技术包括故障诊断规则库、故障图谱诊断及时间表优化控制算法,并通过项目实际运行数据对故障诊断效果和节能控制效果进行了分析。结果表明,故障诊断规则库可以有效检测到冰蓄冷空调系统中暖通设备的运行故障和参数异常,故障图谱诊断可实现对具体故障的定位与溯源,帮助运维人员及时采取设备维修措施。冰蓄冷空调系统应用时间表优化算法后,典型月节能率为7.46%,节费率为11.08%。

齿轮箱起动过程故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和Teager能量算子分析技术相结合,提出了基于阶次跟踪和Teager能量算子分析的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均和带通滤波,以消除干扰噪声的影响,最后由Teager能量算子计算振动信号的瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值图,就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障试验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障。

基于线调频小波路径追踪阶比能量解调的齿轮轮齿裂纹故障诊断

针对变速下齿轮裂纹故障信号微弱,难以提取这一特点,提出了基于线调频小波路径追踪的阶比能量解调算法,并将其应用于变速下的齿轮裂纹故障诊断。该方法先采用线调频小波路径追踪算法提取齿轮的啮合频率分量,由此得到转速信号;然后利用转速信号对原始信号进行等角度采样得到角域平稳信号;接着对角域平稳信号进行带通滤波和角域平均运算以消除干扰噪声的影响;最后使用能量算子解调求取瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值进行故障诊断。应用实例表明,该方法能有效地提取变速下的齿轮裂纹故障。

AFDCNN方法及其在齿轮故障定量诊断中的应用

传统的浅层故障诊断方法需要根据先验知识人为选取故障特征和设计分类器,基于深度学习理论的深度卷积神经网络(deep convolutional neural network,DCNN)能够完成对故障特征的自适应提取与健康状况的智能诊断,但是作为一种大数据处理工具,DCNN无法适应于小样本数据的故障诊断。在Fisher准则深度卷积神经网络识别算法(fisher-based deep convolutional neural network,FDCNN)的基础上提出了一种自适应Fisher准则的深度卷积神经网络(adaptive fisher-based deep convolutional neural network,AFDCNN)方法。在DCNN的基础上引入类内和类间约束的能量函数模型并采用优化算法得到最优能量函数模型参数,能够直接从原始时域信号中自动提取故障特征,实现智能诊断。对齿轮故障实验信号的分析结果表明,所提出的方法可以有效地实现小样本下的齿轮故障智能定量诊断。

基于ASSD-MOMEDA-FWEO相结合的滚动轴承故障诊断

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采用合成峭度与斯皮尔曼等级相关系数(SRCC)作为联合判据,自适应确定奇异谱分量个数后,根据合成峭度最大原则筛选出最佳奇异谱分量。然后,利用MOMEDA算法对最佳奇异谱分量作进一步解卷积处理,实现故障特征强化放大。最后,通过FWEO算法获取解卷积信号的瞬时能量信号,并通过傅里叶变换(FFT)得到瞬时能量谱,从中拾取出故障特征信息。仿真和试验信号分析结果表明,所述方法可有效提取强噪声下微弱故障特征,实现轴承故障精确诊断。

VMD与TEO能量算子的滚动轴承故障诊断方法

滚动轴承作为现代机械设备的关键零部件,其故障特征信息通常受到强背景噪声的干扰。为了解决这一问题,提出了一种基于自适应变分模态分解(VMD)和Teager能量算子(TEO)混合的滚动轴承故障诊断方法。为了解决传统的VMD算法分解模数K和二次惩罚因子α人工经验选择的问题,采用粒子群(PSO)优化VMD系统参数;应用最优的VMD系统参数对测试信号进行分解,计算每个模数的相关系数和峭度,选择分解结果的最敏感模数;利用TEO能够跟踪信号瞬态能量的特点,对最敏感模数的TEO进行频谱分析。为了验证该方法的有效性,利用滚动轴承故障实验台进行试验验证,结果表明该方法能够有效地提取滚动轴承的故障特征信息,准确识别轴承的故障类型。

基于邻域粒子群混合算法的齿轮故障诊断

为了提高齿轮故障诊断的准确性,采用了一种邻域粒子群混合方法。即根据齿轮的故障特征量,利用邻域粒子群算法来优化BP神经网络的权值,并用优化好的BP网络进行故障诊断。实例仿真结果表明,该方法具有较高的故障诊断准确度,具有一定的实用性。

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。

基于改进的EMD方法和能量算子解调法的齿轮故障诊断

针对齿轮发生故障时其振动信号常常带有非平稳性和调制的特点,提出了基于改进的EMD分解和能量算子解调的故障诊断方法。首先对故障信号进行EMD分解,得到一族IMF分量;然后对各分量进行基于能量原理的虚假模态消除;最后对新得到的一族IMF进行能量算子解调,得到其频谱,实现了齿轮故障的识别与诊断。分析结果表明,EMD与能量算子解调相结合的分析方法在齿轮故障诊断中具有有效性。

基于优化Teager能量算子的齿轮箱故障特征频率提取方法

针对齿轮箱故障时冲击故障特征频率提取困难的问题,提出一种自适应Teager能量算子的故障特征频率提取方法。该方法对低信噪比的齿轮箱振动信号使用连续Teager能量算子处理,便于提升信号的信噪比,突出齿轮故障特征。仿真信号和实际风电机组齿轮故障信号的诊断效果表明:齿轮故障状态下,该方法能够增加约1倍的信号峭度值,突出信号中的故障冲击特征,且计算简单,适用于齿轮故障在线监测和诊断。

实现智能建筑节能功效的技术措施探讨

本文总结了智能建筑的能耗调查数据，分析了造成智能建筑能耗偏高的主要原因，并针对各种原因探讨了实现智能建筑节能功效的技术措旋，包括定期校正传感器、在线故障检测与诊断、使用节能控制策略，即充分利用自然冷源、避免冷热抵消、优化运行参数。

数据挖掘技术在建筑暖通空调领域的研究应用进展

本文立足于建筑暖通空调数据挖掘框架流程、数据来源与预处理、数据挖掘应用3个层次,全面阐述了数据挖掘技术应用于建筑暖通空调领域的研究应用进展。文章对数据挖掘应用于建筑暖通空调的主要研究方向:建筑能耗数据分析、故障检测与诊断、优化运行与控制等3个方面的现有研究与应用成果做了细致的归纳总结,对其中的数据挖掘关键技术做了全面分析,最后对未来的发展方向进行了展望。