时频分析在旋转机械状态监测及故障诊断中的应用

本文简要介绍了时频分析方法的发展及其在旋转机械状态监测、故障诊断领域中的应用。并以一个实际监测系统为例，对其检测信号应用时频分析的方法进行了数据处理，对用传统傅立叶变换处理的结果与采用时频分析方法处理的结果进行了对比分析．     

故障树模块化在装甲车辆灭火系统故障诊断中的应用

为了实现装甲装备灭火系统故障的快速诊断,提出了一种故障树模块化分析方法;对灭火系统故障树进行深度优先最左遍历,并记录遍历过程,按照遍历顺序对故障树中的每个事件进行标定,并将灭火系统故障树划分为相互独立的模块,依据划分的模块可以通过故障现象对模块内的故障进行排查及修复;实验结果分析表明,该方法可以快速修复模块故障,恢复系统功能,简化了以往对灭火系统所有子事件遍历查错的繁琐过程。该方法同样可以计算故障模块的失效概率,并可以实现故障模块的整体更换,恢复系统性能;证明了故障树模块化方法在灭火系统故障诊断中具有较高的效率,简化了灭火系统诊断流程,在装甲车辆其他系统故障诊断中具有借鉴作用,符合现代作战对于装备保障的需求。     

比对分析与故障检测技术及其在航天工程中应用

比对分析是工程信号分析与故障诊断的重要手段之一。论文提出并构建了3组可以分别适用于不同情况的数值比对算法,并建立了基于比对残差的渐变型故障分离和突发性故障诊断的实用方法。通过实例说明了比对分析方法在航天外测故障诊断等领域的重要应用。     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。     

基于DBN的区域计算机联锁系统可靠性分析

区域计算机联锁设备是实现区域内行车安全、保证运输效率的核心设备,对其可靠性研究具有重要意义。结合目前存在的2种区域联锁制式,采用一种新的联锁方案,即在主控站和从控站(选择其中1站或多站)均设置联锁设备。综合考虑联锁系统的共因故障和可维修等因素,利用动态贝叶斯网络对其进行可靠性分析。首先,从系统故障■安全和危险输出的角度出发,建立区域两联锁单元和三联锁单元的动态故障树,并将其转换为相应的动态贝叶斯网络模型;然后利用动态贝叶斯网络的推理特性,对区域联锁系统进行可靠性分析;最后比较了该方法与基于静态贝叶斯网络和动态故障树分析法的结果。计算结果表明:主控站和其中之一的从控站均设置联锁设备是实现区域联锁的较佳方式;且基于动态贝叶斯网络的系统可靠性分析较上述两种方法在计算准确度和时间复杂度方面均有明显优势;并通过动态贝叶斯网络的诊断推理可知,共因故障是系统故障的主要原因,因此应重点防范以降低事故发生的概率。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

基于可控多扫描使能信号的片上系统TR-TC联合测试成本模型

基于片上系统的扫描链结构,针对全速测试研究了多扫描使能（SE）信号的可测性设计,并建立了新颖的测试资源 覆盖率（TR-TC）联合测试成本线性规划数学模型.研究结果表明,该模型不仅可以高效控制全速测试的测试资源消耗以及可测性设计复杂度,而且还可以确立SE信号数量的最优上限,进而避免了以盲目提升SE信号数量来提高转换故障覆盖率的纯理论方式,使面向片上系统全速测试的多SE信号可测性设计方法有一个可靠的目标控制值.     

动态油膜-转子系统的支座松动故障研究

采用张文等建立的短轴承非稳态非线性油膜力模型,利用数值模拟等方法,分析了带有一端支座松动故障的转子 轴承系统的复杂运动现象,讨论了转速比变化时此类系统中具有周期、拟周期、混沌等多种形式的运动·研究结果表明:当转子 轴承系统出现松动故障时,即便是在较高转速区也会出现周期3分频运动,而且,松动端轴颈的运动轨迹以及支座的相轨迹都呈现出特有的形状,这为有效识别转子 轴承系统的支座松动故障提供了理论参考·     

电视接收机引发的有线电视故障及原理分析

作为栖霞广播电影电视局的一名普通的有线电视传输一线的工作人员,根据我局的实际情况结合我的工作中实践,对电视接收机引发的有线电视故障及原理做一下浅析。