试建立基于检测振动加速度信号的设备故障部位诊断模型

论文

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

试建立基于检测振动加速度信号的设备故障部位诊断模型

刘红星¹, 左洪福¹, 姜澄宇¹, 屈梁生²

1. 南京航空航天大学民航学院, 南京, 210016;2. 西安交通大学, 西安, 710049

收稿日期:1998-05-20 修回日期:1998-09-20 出版日期:1999-04-25 发布日期:1999-04-25

TRYING TO ESTABLISH PATTERNS FOR LOCATING A MACHINE FAULT BASED ON MEASURING VIBRATIONAL ACCELERATIONS

Liu Hongxing¹, Zuo Hongfu¹, Jiang Chengyu¹, Qu Liangsheng²

1. Civil Aviation College, Nanjing University of Aeronautics and Astronautics, Nanjing, 210016;2. Xi'an Jiaotong University, Xi'an,710049

Received:1998-05-20 Revised:1998-09-20 Online:1999-04-25 Published:1999-04-25

摘要/Abstract

摘要：

往复式压缩机、内燃机等复杂设备，一旦出现故障，诊断的首要任务是要判断它们的故障部位。以检测振动加速度信号取代传统的耳听手摸的经验方法是这类设备诊断的一个趋势。尝试着提出了基于检测振动加速度信号的设备故障部位诊断模型——单特征模型和多特征集成模型。通过在往复式压缩机和内燃机上的实例验证表明，提出的单特征模型和多特征集成模型具有一定的可行性，其中多特征集成模型比单特征模型更有效。

关键词: 故障部位, 诊断, 加速度

Abstract:

Once a complicated machine such as a reciprocating compressor or a combustion engine malfunctions, it is most important to locate the fault in it.This paper introduces two patterns to judge the fault position, which are based on measuring vibrational accelerations.With the real examples on a reciprocating compressor and a combustion engine, the two patterns proposed were verified to be feasible to some extent, and the multiple feature based pattern was more effective than the one feature based pattern.

Key words: fault position, diagnosis, a ccelerat ion

中图分类号:

刘红星;左洪福;姜澄宇;屈梁生. 试建立基于检测振动加速度信号的设备故障部位诊断模型[J]. 航空学报, 1999, 20(2): 165-167.

Liu Hongxing;Zuo Hongfu;Jiang Chengyu;Qu Liangsheng. TRYING TO ESTABLISH PATTERNS FOR LOCATING A MACHINE FAULT BASED ON MEASURING VIBRATIONAL ACCELERATIONS[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 1999, 20(2): 165-167.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.
[2]	胡艳艳, 张莉, 夏辉, 张乃文, 鄢镕易. 不完全信息下基于微分对策的机动目标协同捕获[J]. 航空学报, 2022, 43(S1): 726905-726905.
[3]	张忠强, 张新, 王家序, 刘治汶. 基于重加权谱峭度方法的航空发动机故障诊断[J]. 航空学报, 2022, 43(9): 625445-625445.
[4]	韩淞宇, 邵海东, 姜洪开, 张笑阳. 基于提升卷积神经网络的航空发动机高速轴承智能故障诊断[J]. 航空学报, 2022, 43(9): 625479-625479.
[5]	张烁, 刘治汶. 航空发动机轴承故障结构化贝叶斯稀疏表示[J]. 航空学报, 2022, 43(9): 625056-625056.
[6]	曹明, 黄金泉, 周健, 陈雪峰, 鲁峰, 魏芳. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅰ: 气路、机械和FADEC系统故障诊断与预测[J]. 航空学报, 2022, 43(9): 625573-625573.
[7]	林京, 张博瑶, 张大义, 陈敏. 航空燃气涡轮发动机故障诊断研究现状与展望[J]. 航空学报, 2022, 43(8): 626565-626565.
[8]	邵怡韦, 陈嘉宇, 林翠颖, 万程, 葛红娟, 石智龙. 小训练样本下齿轮箱故障诊断:一种基于改进深度森林的方法[J]. 航空学报, 2022, 43(8): 625429-625429.
[9]	孙灿飞, 黄林然, 沈勇. 复杂工况下的直升机行星传动轮系故障诊断[J]. 航空学报, 2022, 43(8): 625480-625480.
[10]	田晶, 张羽薇, 张凤玲, 艾辛平, 高崇. 基于多尺度量子熵的中介轴承故障诊断方法[J]. 航空学报, 2022, 43(8): 625485-625485.
[11]	康玉祥, 陈果, 尉询楷, 周磊. 深度残差对冲网络及其在滚动轴承故障诊断中的应用[J]. 航空学报, 2022, 43(8): 625201-625201.
[12]	聂同攀, 曾继炎, 程玉杰, 马梁. 面向飞机电源系统故障诊断的知识图谱构建技术及应用[J]. 航空学报, 2022, 43(8): 625499-625499.
[13]	王维民, 陈子文, 张旭龙, 陈康. 基于叶端定时的转子碰摩故障诊断方法[J]. 航空学报, 2022, 43(8): 625031-625031.
[14]	张欣玥, 惠旭龙, 刘小川, 白春玉. 典型金属民机机身结构坠撞特性试验[J]. 航空学报, 2022, 43(6): 526234-526234.
[15]	唐杨, 祝小平, 周洲, 严飞. 一种基于攻击时间和角度控制的协同制导方法[J]. 航空学报, 2022, 43(1): 324844-324844.

试建立基于检测振动加速度信号的设备故障部位诊断模型

TRYING TO ESTABLISH PATTERNS FOR LOCATING A MACHINE FAULT BASED ON MEASURING VIBRATIONAL ACCELERATIONS

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价