基于FRS和SVM的化工过程故障诊断

数据驱动PCA、ICA和KICA故障检测仿真研究

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。

电机故障数据集，振动数据和电流数据，故障类别：转子断条，气隙偏心，轴承磨损，轴承座损坏，匝道短路，轴承外圈，内圈，滚动体故障。 0,正常,健康正常 1,SC2T,2匝短路 2,SC4T,2匝短路 3,SC8T,2匝短路 4,AE,气隙偏心 5,RBB,转子断条 6,BCB,轴承座坏了 7,BAF,轴承磨损 轴承故障诊断数据10000*1025_1hp.csv 轴承故障诊断数据10000*1025_2hp.csv 轴承故障诊断数据10000*1025_3hp.csv 电机故障诊断振动数据8000*1025.csv 论文名称放在这里 有需要的自己去找 笼型异步电动机多故障智能诊断及分离方法的研究_王跃龙

基于统计学方法,对故障诊断及故障处理过程中可能遇到的典型故障现象,提出一系列稳定可靠的故障数据模拟新算法,由此可灵活组配各种需要的模拟数据方案。建立了模拟故障数据构造的层次组合模型,总结出不同实际情况需求的模拟故障数据算法步骤。结合配电网中2个实例,通过等价类划分进行实验。结果表明所建议的方法在故障数据模拟过程中简单实用。该算法尽可能抽象故障数据中最本质的内容,对数据挖据及故障模拟方案的设计及实施有一定的实际意义。

时变环境因素对某电力设备故障率的影响，张俊卿，周一帆，绿色能源（如风能和太阳能）的推广扩大了电力设备的地域分布，因此设备的工作环境也变得更加复杂和恶劣。其中，随时间变化的环境

对突变信号进行有效识别，达到故障诊断的目的

齿轮箱升降速过程中的振动信号包含有重要的参考信息，研究该过程中的振动信号，有助于识别齿轮箱的故障。将常规的倒谱分析技术与阶次分析相结合，提出了阶次倒谱的齿轮箱故障诊断方法。首先利用重采样技术，将时域非平稳信号转化为角域平稳信号，最后对角域重采样信号进行倒阶次谱分析，就可提取齿轮的故障特征。实验分析结果表明该方法能有效地识别齿轮的故障类型。图8，表1，参8。

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、角域平均和连续小波变换相结合，提出了基于角域平均和连续小波变换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，以消除干扰噪声的影响，最后对角域平均信号进行连续小波变换，根据小波幅值图和相位图，就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障实验信号的分析，表明该方法能有效地诊断齿轮的故障状态。

本文采用振动诊断法，在对汽车发动机进行结构及其典型故障分析，以及对振动信号的时域、频域及小波包进行深入分析的基础上，针对现场实测的EQ6102汽油型发动机机体表面振动信号与气缸盖固紧螺栓振动信号，提出了该型发动机的故障诊断流程，即对所测振动信号进行相关分析，根据发动机机体振动信号的频率特性，确定出故障气缸;然后对该故障气缸进行时域分析，得出峭度参量是汽油发动机故障的敏感时域参数;接着对该故障信号进行频域分析，由随转速增加的频率图及柴油发动机的典型故障定性分析确定出该发动机的故障类型;最后对该故障信号进行小波包分析，确定该种故障的特征频带。通过上述分析确定的发动机故障敏感参量，可以为神经网络等模式识别提供较为准确的特征参量。 关键词:汽车故障诊断；神经网络；系统仿真