12基于信息融合的支撑座早期松动故障诊断

基于信息融合的支撑座早期松动故障诊断

孙卫祥 陈进 伍星 董广明

（上海交通大学振动、冲击、噪声国家重点实验室，上海 200240）

宁佐贵，王东升，王雄祥

（中国工程物理研究院结构力学研究所，四川绵阳，621900）

摘 要：采用基于信号分析的无模型检测方案和信息融合技术，对支撑座早期松动故障进行检测诊断。针对支撑座松动的小波包变换特征和功率谱特征进行特征融合与决策融合，同时采用基于熵度量的无监督特征约简方法对功率谱特征进行约简，有效地减少了特征数目，加快了融合和诊断速度。特征融合与决策融合采用分层神经网络实现，该网络综合了局部融合和全局融合的优点，具有很高的故障确诊率和很好的抗噪性能，无噪声样本综合确诊率达94.3%，有噪声样本综合确诊率达88.6%。

关键字：信息融合，特征约简，故障诊断，分层神经网络

1. 引言

工程中常用的局部无损检测技术(non-destructive evaluation (NDE))已经成功地应用于检查

结构部件的裂纹，松动等损伤[1]，但要进行结构实时损伤检测，局部NDE 技术还存在一些不足之处

[2]，因此，有必要发展简便经济的、不影响结构正常工作状态的结构损伤全局检测技术。结构损伤全局检测技术一般分为两种：基于动力学模型的损伤检测方案和基于信号分析的无模型损伤检测方

案[3]。目前，基于动力学模型的结构整体损伤监测技术离实际工程应用尚有较大的差距，因此，采用无模型的信号分析方法，对结构损伤信号进行分析和处理成为结构损伤全局检测的一个重要途

径。近几年，利用时间序列分析[4]，小波变换[5]，高阶统计分析[6]等现代信号处理技术的结构损伤

诊断方法得到了相当的研究。但是这些方法都仅仅考虑某一特征作用，没有充分利用多特征的互补作用，检测精度与鲁棒性在一定程度上受到限制。于是，本文拟将信息融合技术引入支撑座松动的全局监测中，针对小波包变换特征和功率谱特征利用分层神经网络进行特征融合和决策融合，从而提高支撑座松动故障确诊率。

2. 特征提取与特征约简

2.1. 基于小波包分析的特征向量构造

小波包分析（Wavelet Package Analysis ）将信号频带进行多层次划分，对分辨率没有细分的高频部分进一步分解，同时能根据被分析信号的特征，自适应地选择相应频段与信号频谱相匹配。在满足Heisenberg 测不准原理下，小波包分析能将信号按任意的时频分辨率分解到不同的频段，并将信号的时频成分相应地投影到所有代表不同频段的正交小波包空间上，小波包空间的完整性和正交性使得信号经过小波包变换之后，信息量完整无缺，所有成分均得到保留。下面说明小波包变换后的特征向量(简称小波包特征向量)的构造过程。

首先，对原始时间序列{}(1,2,,)i x i k = 进行五层小波包分解。在第五层可以获得从低频到

高频的32个分解系数4n d ，0,1,,32n = 。

其次，对小波包分解系数进行重构，提取各频带范围的信号，系数5n d 对应的重构信号记作

{}5n i x ，则{}i x 可表示为

{}{}{}{}0131555i i i i x x x x =+++

(1) 第三，计算各频带信号的能量。设{}5n i x 对应的能量为5(0,1,,31)n E n = ，则有 1基金项目：国家自然科学基金(50335030和10176014)资助项目。

作者简介：孙卫祥(1977-)，男，江苏泰州人，博士研究生，主要从事机械设备状态监测与故障诊断方面的研究。

E-mail: wxsun@https://www.wendangku.net/doc/6b2409527.html,

25

1k n

n i i E x ==∑ (2)

最终，用5n

E 构造出一个基于小包波变换的特征向量：0131555[,,,]WP E E E = A 。

2.2. 基于功率谱密度分析的特征向量构造

故障诊断的一个重要途径是通过振动信号的频谱分析揭示振动过程的频率结构，特别是随着快速傅里叶变换（FFT ）算法的出现和近代谱分析仪的推出，频域分析现已被广泛采用。大量的文献表明，频谱分析在诸如对汽车发动机[7]、直升机电动舵机[8]、钻加工过程[9]以及其他旋转机械的故障诊断[10-11]中都获得了广泛的应用。根据文献[12]，一般异常振动（包括不平衡、不对中、弯曲、螺栓松动）的频带属于低频段[0,5]n f ；齿轮故障的频带属于中频段[5,1000Hz]n f ；轴承故障的频带属于高频段[1000Hz,~]，其中n f 为工频。本文利用功率谱密度估计进行特征提取，分析带宽设

定在1000Hz 以下。

功率谱密度估计公式如式(3)所示,

21?()()G f X f N

= (3) 式中()X f 可通过FFT 变换求得的。为了减少功率谱密度估计的随机误差，需对功率谱估计密度进行平滑处理，为此，将有限长采集数据分为N 段，每相邻两段数据重叠50％，每5个数据段的谱估计平均一次得到()G f 。

由于FFT 变换的数据点通常成百上千，这样获得的功率谱特征就有成百上千个，如此大量的特征给故障分类计算带来较大的困难，而且这些特征中存在许多对故障分析无用的信息，所以应对特征进行约简。实际中，领域专家经过长期研究、调查和实验，甚至经过很多失误之后，对特定设备的最佳诊断特征选择已经给出了一些经典总结[13]，这是数据特征约简最简单的方法。但是由于基座早期松动的特征频率很不明显，无法人为指定某些特征频率或特征区间，实际上，也没有这类研究的报道，因此，本文采用基于熵度量的无监督特征约简方法，该方法通过可分离性判据和优化的数学方法获得约简知识并指导约简，实现精特征的自动识别，使得特征约简更容易、更方便，同时又有根据。

基于熵度量的特征约简

当特征值为数值型时，两个n 维样本i u 和j u 之间的相似性度量S 可定义为：

ij αD ij S e -= (4)

其中ij D 是样本i u 和j u 间的距离，参数α的数学表达式为：

(ln 05)α./D =- (5) D 是数据集样本间ij D 的均值。采用标准化的欧氏距离度量计算ij D 为：

ij D =(6)

式中max k 和min k 是用于第k 维标准化的最大和最小值。

当特征值为名义型时，两个样本i u 和j u 之间的相似性可用Hamming 距离度量：

1n ij ik jk k S u u n =??=- ???

∑ (7)

式中，若ik jk u u =，则1ik jk u u -=，否则为0。

若存在一个数据集{}i u (1,2,,)i N = ，则熵为：

111lg (1)lg(1)N N

ij ij ij ij i j i E S S S -S -==+??=-?+-???∑∑(8)

根据式，当样本完全不同或完全相同时，熵最小（类间距离最大、类内距离最小）；样本无法区分时熵最大。因此，如果去除一个属性使熵减小，说明原样本更容易区分了。

3. 基于神经网络的信息融合框架

近年来，随着应用系统的复杂度越来越高，相应的，系统信息源也越来越多，仅靠某单一信息源往往不能作出正确的决策，所以需要一种技术来充分利用这些独立信息，提高决策正确率。信息融合技术就是这样应运而生的。它利用计算机技术对获得的多源信息在一定准则下进行自动分析、综合从而完成所需决策和任务估计的信息处理。信息融合一般包括数据融合、特征融合和决策融合三层，本文主要进行特征融合和决策融合研究。

特征融合与决策融合融合的一般过程模型如图1所示：首先对原始数据进行多类特征提取(如FFT 变换，小波变换等)，得到各类粗特征；当特征维数很多时必须进行特征约简，降低维数，从而得到各类精特征；然后在精特征之间进行特征融合，给出各自的诊断结果；最后对所有结果进行决策融合。特征融合属于局部融合，决策融合属于全局融合。

图1 特征融合与决策融合融合的一般过程模型

Fig. 1 A general process model of feature fusion and decision fusion

本文使用两个神经网络分别实现小波包特征与功率谱特征的局部决策(Local

Decision)，使用一个神经网络实现两种特征的融合，并给出一个局部决策(Local Decision)，再通过一个神经网络将三个局部决策相融合得到一个全局决策(Global Decision)。因此，需要四个神经网络实现特征融合与决策融合，具体实现流程如图2所示。

图2 基于神经网络的特征融合和决策融合流程

Fig. 2 The flow of feature fusion and decision fusion based on neural networks

4. 支撑座松动试验及融合诊断分析

4.1. 支撑座的宽带随机振动试验

支撑座的横截面几何模型如图3所示，其结构为一长方形的槽形支撑5被左右各六个螺钉(3,4)

固定在底座2上，同时在槽形支撑上方通过左右各六个螺钉(6, 7, 8)与圆柱状包带9连接，而包带则通过压力把内部的上下两个半钢管10固定住。支撑座的总体尺寸为：高(Z)258.5mm，宽(X)280mm，长(Y)350mm；槽形支撑的壁厚为3mm，包带的厚度4mm，半钢管的厚度为3mm。出于工程需要，底座上的螺钉(3,4)始终处于紧固的状态，本次实验目的是在支撑座包带与其槽形支撑的12个连接螺钉(6, 7, 8)紧固和松动的不同情况下，研究支撑座在垂向宽带随机激励下的动态响应的差别，并进行诊断分析。

带与其槽形支撑连接的12个螺钉进行不同程度的早期松紧试验，试验工况共有七种：①所有12个螺栓全拧紧；②紧靠测点3(测点3位置如图4所示)的两个螺栓松动；③跟测点3斜对角的、另一侧的两个螺栓松动；④四个角上的螺栓松动；⑤跟④工况中相邻的四个螺栓松动；⑥只留四个角上螺栓，中间8个螺栓松动；⑦所有12个螺栓松动。这七种工况对应着七种故障状态,分别以故障1、故障2、故障3、故障4、故障5、故障6、故障7表示，本文就是要利用信息融合技术来诊断这七种故障。

4.2.特征提取与约简

按照上面的试验方案进行试验并采集试验数据，然后进行特征提取。本文特征提取分为两种小波包分析和功率谱分析。小波包采用db1，首先对时间序列进行5层分解，然后根据公式(1)、（2）进行信号重构、能量计算后得到一个32维的特征向量。另外，对时间序列进行FFT变换，根据公式(3)可求得信号的功率谱，由于FFT变换的数据点数很多，所以得到的功率谱特征维数也很大，经过基于熵度量的特征约简后可以得到32维的功率谱特征向量。分别对七种故障状态进行多次试验与采样，特征提取(包括特征约简)后，最终得到30组特征样本数据，其中20组用于神经网络学习，10组用于诊断测试。

4.3.特征融合及结果分析

本文采用信息融合神经网络进行诊断测试，同时将诊断结果与单一特征神经网络进行比较。单一特征(包括小波包特征和功率谱特征)神经网络的网络结构为输入层32节点-隐层48节点-输出层

7；信息融合神经网络由三部分组成：单一特征神经网络、特征融合神经网络、决策融合神经网络。单一特征神经网络结构为32-48-7；信息融合神经网络结构为64-100-7；决策融合神经网络结构为21-30-7。所有神经网络均采用BP网络，传递函数为Sigmoid函数，训练参数为：允许误差1e-3；循环周期2000；学习率0.05。采用前述20组特征样本进行学习训练，10组特征样本进行诊断测试，同时为了分析三种网络的鲁棒性及抗噪性能，对10组测试样本又进行了加噪声处理，最小信噪比约为6dB，三种网络所有诊断结果比较如表1所示。

表1 三种神经网络诊断结果比较

从表1可以看出，在不加噪声的情况下，信息融合神经网络对七个特征的综合确诊率达94.3%，高于小波包特征网络的47.2%与功率谱特征网络的90%，加噪声后，信息融合网络综合确诊率也达88.6%，虽然确诊率有所减小，但相对功率谱特征，其减小幅度还是少一些。所以，信息融合后的故障确诊率要高于任何单一特征的故障确诊率；信息融合神经网络的鲁棒性要高于单一特征神经网络。对于这一结果可以作如下解释：单一特征对不同故障的诊断能力不同，某一种特征很容易诊断的故障对于另一种特征来说就可能比较困难，如小波包特征擅于诊断故障5、故障7，对其他故障诊断能力较弱，而功率谱特征则较擅于诊断故障1、故障4、故障6、故障7，两种特征经过信息融合后优势得到互补、劣势得以削减，因此信息融合网络的诊断能力要强于单一特征神经网络。

5.结论

本文针对局部无损监测的不足之处，采用基于信息融合的全局监测技术对支撑座松动故障进行检测诊断；文中针对支撑座松动故障的小波包变换特征和功率谱特征进行特征融合与决策融合，其中特征融合是一种局部融合，决策融合则是全局融合；本文采用基于熵度量的无监督特征约简方法对功率谱特征进行约简，有效地减少了特征数目，加快了融合和诊断的速度；特征融合与决策融合采用分层神经网络实现，该方法综合了局部融合和全局融合的优点，具有很高的故障确诊率与很好的抗噪性能。

6.参考文献

[1]陈长征,罗跃纲,白秉三等, 结构损伤检测与智能诊断, 北京:科学出版社,2001

[2]张德文,魏阜旋, 模型修正与破损诊断, 北京: 科学出版社, 2000

[3]S.W. Doebling, C.R. Farrar, M.B. Prime. A summary review of vibration-based damage identification

methods. The Shock and Vibration Digest. 1998, 30(2):91-105

[4]H. Sohn, C.R. Farrar. Damage diagnosis using time series analysis of vibration signals, Smart

Materials and Structures, 2001(10):1-6

[5] A.N. Robertson, C.R. Farrar, H. Sohn. Singularity detection for structural health monitoring using

holder exponents, Mechanical Systems and Signal Processing, 2003, 17(6):1163-1184

[6]Jin Chen, et.al. A bispectrum feature extraction enhanced structure damage detection approach, JSME

International Journal, Series C, 2002, 45(1):121-126

[7]张海军,屈梁生, 汽车发动机诊断的统计模拟方法, 汽车工程(Automotive Engineering) 2003,25(1):

96-100

[8]张华君, 递推批量最小二乘在直升机电动舵机故障诊断中的应用, 西安交通大学学

报 ,2004,38(2):158-161

[9]Shuxin Gu, Stationary and non-stationary process condition monitoring and fault diagnosis and its

application to drilling processes, PhD Thesis, Mechanical Engineering, University of Michigan, 1997 [10]马笑潇, 柴毅, 基于SVM 的二叉树多类分类算法及其在故障诊断中的应用, 控制与决策(Control

and Decision), 2003, 18(3):272-284

[11]D.S. Nalinaksh S. Vyas, Artificial neural network design for fault identification in a rotor-bearing

system, Mechanism and Machine Theory, 2001,36

[12]S.L. Kwanghee Nam, Diagnosis of rotating machines by utilizing a backpropagation neural net, IEEE

0-7803-0582-5/92 1992

[13]白木万博等, 故障诊断、异常诊断及其对策－振动监测法, 机械振动讲演文集, 机械工业部郑州

机械研究所, 1984

故障诊断基本原则、故障排查方法.

故障诊断基本原则、故障排查方法、电路排查的方法及数据流读取分析 2015-02-01刘金深圳三羚汽车电脑诊断仪 目录导读： 一、故障诊断基本原则 二、故障排查方法 三、电路排查的方法 四、数据流读取分析 一、故障诊断基本原则 造成电喷发动机故障的原因可能是电子控制系统故障，可能是低压油路、进排气气路故障，也可能是燃喷高压零部件或者发动机各机械部件故障。为准确而迅速地找出故障所在， 在故障诊断过程中我们应该遵循一定的原则，基本原则可概括为以下几点： 1、先读代码 电喷发动机都有故障自诊断功能，当系统出现某种故障时，电控单元就会即刻监测到故障并通过故障灯向驾驶员报警，与此同时以代码的方式储存该故障的信息。通常我们有两种方式获取故障码： 1）按下检查开关，发动机故障指示灯会按顺序闪出闪码； 2）使用诊断仪读取故障码。 从而我们可根据读得的故障码排查故障。 2、由外而内 在发动机出现故障时，先对电子控制系统以外的可能故障部位予以检查。这样可避免本来是一个与电子控制系统无关的故障，却对系统的传感器、电脑、执行器及线路等进行复杂且又费时费力的检查。 当发动机发生故障时，首先观察系统的故障指示灯，如果指示灯没亮，则基本可以作为机械故障来进行处理。如果指示灯亮，必须先读取故障码，进而进行相应处理。 3、先简后繁 很多情况下，发动机的故障都是比较简单的故障，电气系统的故障也是如此。我们可以首先对电气系统进行初步的检查，比如检查电控系统线束的连接状况： 1）传感器或执行器的电连接器是否良好？ 2）线束间的连接器是否松动或断开？ 3）电线是否有磨破或线间短路现象？ 4）电连接器的插头和插座有无腐蚀现象？ 5）各传感器和执行器有无明显损伤？ 如果以上简单检查找不出故障，则需要借助于仪器仪表或其他专用工具来进行检查时， 也应对较容易检查的先予以检查。能检查的项目先进行检查。

机械故障诊断技术课后复习资料

机械故障诊断技术 （第二版张建）课后答案 第一章 1、故障诊断的基础是建立在能量耗散的原理上的。 2、机械故障诊断的基本方法课按不同观点来分类，目前流行的分类方法有两种：一是按机械故障诊断方法的难易程度分类，可分为简易诊断法和精密诊断法；二是按机械故障诊断的测试手段来分类，主要分为直接观察法、振动噪声测定法、无损检测法、磨损残余物测定法、机器性能参数测定法。 3、设备运行过程中的盆浴曲线是指什么？ 答：指设备维修工程中根据统计得出一般机械设备劣化进程的规律曲线（曲线的形状类似浴盆的剖面线） 4、机械故障诊断包括哪几个方面内容？ 答：（1）运行状态的检测根据机械设备在运行时产生的信息判断设备是否运行正常，其目的是为了早期发现设备故障的苗头。 （2）设备运行状态的趋势预报在状态检测的基础上进一步对设备 运行状态的发展趋势进行预测，其目的是为了预知设备劣化的速度，以便生 产安排和维修计划提前做好准备。 （3）故障类型、程度、部位、原因的确定最重要的是设备类型的确定，它是在状态检测的基础上，确定当机器已经处于异常状态时所需进一步解决的问题，其目的是为了最后诊断决策提供依据。 5、请叙述机械设备的故障诊断技术的意义？ 答：设备诊断技术是一种了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。机械设备的故障诊断可以保证整个企业的生产系统设备的运行，减少经济损失，还可以减少某些关键机床设备因故障存在而导致加工质量降低，保证整个机器产品质量。 6、劣化曲线沿横、纵轴分别分成的三个区间分别是什么，代表什么意义？ 答：横轴包括1、磨合期 2、正常使用期 3、耗损期纵轴包括1、绿区（故障率最低，表示机器处于良好状态）2、黄区（故障率有抬高的趋势，表示机器

智能交通系统中的信息采集技术

ITS中的信息采集 简介 中的信息采集简介 姓名：何晓轩 学号：121604020016 专业：交通运输工程 年6月 2013 2013年

ITS ITS的概念 的概念ITS（Intelligient Transportation Systems) 利用最先进的信息、通讯技术实现交通的高度信息化，充分合理利用道路资源，实现车辆和行人在道路上的最佳流动，从而缓解道路的超负荷使用。出行者能有效调节自己的出行计划，分散拥挤路段的交通量，达到大幅度提高运输效率、安全性、舒适性并促进环境保护的目的。 实时、准确的交通信息采集是实现交通控制与管理、以及交通流诱导等应用的前提和关键。

交通信息的基础地位 ： 静态交通信息 静态交通信息： 相对固定不变的交通信 息。如：路网信息、交通基 础设施信息等。 ： 实时交通信息： 实时交通信息 随时间变化的交通流信 息。如交通流信息、交通事 故信息、加普通管制信息等。 交通信息采集主要关注 的是实时交通信息中的交通 流信息。如车流量、平均车 速、车辆定位、行程时间等。

当前主要采集技术 根据采集车辆是否与采集系统进行交互，交通信息采集技术分为两大类：独立式采集技术和协作式采集技术。 独立式： 感应线圈检测、地磁检测、微波检测、红外检测、视频检测。 协作式： 基于GPS定位的采集技术、基于RFID的采集技术、基于蜂窝网 络的采集技术。

感应线圈检测 感应线圈检测器是一种基于电磁感应原理的车辆检测器，它的感应器是埋在地面下通有一定工作电流的环形线圈，通过检测线圈电感量的变化达到检测车辆存在的目的。 可实现车流量、平均 车速、车道占有率、平均 车长、平均车间距等交通 信息检测。

集成电路故障诊断

本文的主要工作是基于集成电路的电流信息和模式识别理论对电路进行静态 电流检测、动态电流检测、以及故障定位等方面的基础性研究。具体包括静态电 流的检测方法及仿真实验，动态电流的检测方法及仿真实验，基于近邻法和连接 的模式识别法的故障定位法，基于神经网络的故障诊断方法四个方面： 在静态电流检测方面：通过查阅和学习大量的国内外文献和资料，分析了静 态电流检测的基本原理，分析了COMS 电路的特点，并用PSPICE 对CMOS 或非 门和与门电路做了故障注入的仿真实验，给出了仿真试验结果，由于采用静态电 流测试产生了测试逃逸，故引入了动态电流测试方法增加故障覆盖率。 在动态电流检测方面：通过分析IDDT 的波形，用动态电流尖锋值的方法对 CMOS 电路作了故障注入和故障诊断。通过对CMOS 电路的桥接故障、参数改变、 短路故障等的检测，说明了采用动态电流对故障检测的可行性。 在故障定位方面：由于静态电流检测方法对CMOS 电路的桥接故障不能准确 定位，我们利用小波分析对故障电路的IDDT 电流信息进行特征提取，然后分别采 用基于近邻法和连接的模式识别法对电路进行了故障定位实验，实验结果证实了 两种算法在故障定位应用上的可行性。最后通过比较两种算法的仿真结果，说明 了用连接的模式识别方法的定位更加可靠。 在神经网络的故障诊断方面：通过采用小波变换，对电路正常模式和故障模式 的IDDT 采样信号进行故障特征提取，建立样本集；然后利用神经网络对各种状态 下的特征向量进行分类决策，实现电路的故障诊断。 论文的具体安排如下： 第一章介绍本课题的研究意义以及集成电路故障诊断的发展概述。 第二章集成电路故障诊断的基础理论介绍 第三章利用静态电流方法对CMOS 电路的故障进行仿真实验 第四章利用动态电流方法对CMOS 电路的故障进行仿真实验 第五章分别利用基于近邻法和连接的模式识别法进行故障定位仿真实验及 利用基于神经网络的故障诊断算法进行仿真实验 第六章给出全文工作的总结和今后的展望 本章主要介绍了集成电路故障诊断的基础理论和方法。首先我们介绍了传统 电路的检测方法，然后详细介绍了软故障及硬故障模型，并讨论了本文将用到的 近邻法，小波分解，神经网络等模式识别相关理论知识，最后针对后续故障诊断 实验中将使用的PSPICE 和MA TLAB 仿真工具进行了相关介绍。 静态电流(IDDQ)检测与电压检测不一样， 本章首先对IDDQ 的基本原理和检测方法进行了简单介绍，然后为了验证 IDDQ 检测方法的可行性，我们在已有研究成果的基础上，针对集成电路常见的桥 接故障、漏电流故障模型，进行了仿真实验。实验结果表明本文方法能充分利用静态电流中的故障信息对故障进行检测。但该方法的有效性受测试向量诊断能力 的影响，今后研究的重点应是如何为这种故障诊断算法提供有效的测试生成向量。 并且从本实验可以看出，IDDQ 的测试覆盖率有限，所以在故障检测中，需要采用 的动态电流检测法(IDDT)对IDDQ 法进行补充。

机械故障诊断考试题目

机械故障诊断考试--题库 （部分内容可变为填空题） 第一章： 1、试分析一般机械设备的劣化进程。 答：1）早期故障期 阶段特点：开始故障率高，随着运转时间的增加，故障率很快减小，且恒定。 早期故障率高的原因在于：设计疏忽，制造、安装的缺陷，操作使用差错。 2）偶发故障期 阶段特点：故障率恒定且最低，为产品的最佳工作期。 故障原因：主要是使用不当、操作失误或其它意外原因。 3）耗损故障期 阶段特点：故障率再度快速上升。 故障原因：零件的正常磨损、化学腐蚀、物理性质变化以及材料的疲劳等老化过程。 2、根据机械故障诊断测试手段的不同，机械故障诊断的方法有哪些？ 答：1′直接观察法－传统的直接观察法如“听、摸、看、闻”是最早的诊断方法，并一直沿用到现在，在一些情况下仍然十分有效。 2′振动噪声测定法－机械设备在动态下(包括正常和异常状态)都会产生振动和噪声。进一步的研究还表明，振动和噪声的强弱及其包含的主要频率成分和故障的类型、程度、部位和原因等有着密切的联系。 3′无损检验－无损检验是一种从材料和产品的无损检验技术中发展起来的方法 4′磨损残余物测定法（污染诊断法 5′机器性能参数测定法－机器的性能参数主要包括显示机器主要功能的一些数据 3、设备维修制度有哪几种？试对各种制度进行简要说明。 答：1o事后维修 特点是“不坏不修，坏了才修”，现仍用于大批量的非重要设备。 2o预防维修（定期维修） 在规定时间基础上执行的周期性维修 3o预知维修 在状态监测的基础上，根据设备运行实际劣化的程度决定维修时间和规 模。预知维修既避免了“过剩维修”，又防止了“维修不足”；既减少了 材料消耗和维修工作量，又避免了因修理不当而引起的人为故障，从而 保证了设备的可靠性和使用有效性。 第二章： 1、什么是故障机理？ 答：机械故障的内因，即导致故障的物理、化学或机械过程，称为故障机理。 2、什么是机械的可靠性？机械可靠性的数量指标有哪两个？他们之间互为什么关系？

交通信息采集技术综述

交通信息采集技术综述 摘要：我们都知道，准确的交通信息采集是智能交通系统的基石。如何获得准确、实时的交通信息对ITS的应用效果起着至关重要的作用。而交通信息的采集又分为静态交通信息采集与动态交通信息采集。因此本文将分类介绍这两种交通信息所对应的采集技术，其中着重介绍动态交通信息技术采集，分析它们的优缺点与适用场所，并对交通信息采集技术的未来发展做出合理展望。 关键词：交通信息；采集技术；智能交通系统；动态；静态； Abstract:As we all know, the accurate traffic information collection is the foundation of Intelligent Transport System. How to obtain accurate and real-time traffic information plays an important role in ITS application. The traffic information collection is divided into two parts: static traffic information acquisition and dynamic traffic information collection. So this article will introduce classification of these two kinds of traffic information collection technology, which mainly focuses on dynamic traffic information collection, analysis the advantages and disadvantages of them and scope of application. Also, make reasonable forecast of the future development of traffic information collection technology. Key Words: traffic information; technology of collection; Intelligent Transport System; static; dynamic; 引言 20 世纪90 年代以来，智能交通系统（Intelligent Transportation System，ITS）得到了飞速发展，并日益成为提高运输效率、改善行车安全、减少空气污染的重要途径。实时、准确的交通信息采集是实现交通控制与管理，以及交通流诱导等应用的前提和关键。我们通常根据信息的变化程度，将交通信息分为2 种：静态交通信息和动态交通信息。其中，静态交通信息指短期内不会发生太大变化的交通信息，如路网信息、交通基础设施信息等；动态交通信息是指随时间变化的交通信息，如交通流信息、交通事故信息、环境状况信息等。而智能交通的信息采集主要关注的是动态交通信息中的交通流信息，如车流量、平均车速、车辆类型、车辆定位、行程时间等。对于上述不同类型的交通信息，采集技术种类很多，动态交通信息采集可分为非自动采集和自动采集两大类。非自动采集需要人工干预才能完成交通信息的采集，需要大量的人力和物力，不适用于长时间的观测，而且人工采集获得的动态交通信息很难满足ITS对交通信息的实时性要求。自动采集技术完全依靠采集设备自动感知道路上车辆的存在和通过，实现对交通流信息全方位、实时的采集。本文通过对各种动态交通信息自动采集技术进行比较研究，分析了各自所能采集的交通流参数及优缺点，并对自动采集技术的优化选用进行了分析，最后根据交通工程和信息技术的发展状况，对未来动态交通信息采集技术的发展方向进行了展望。 1.静态交通信息采集技术 金泰交通信息主要包括与道路交通规划、管理相关的一些比较固定的、在短

故障诊断技术发展历史(最新版)

故障诊断技术发展历史 故障诊断(FD)始于(机械)设备故障诊断，其全名是状态监测与故障诊断(CMFD)。它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和设备维修发展起来的。欧洲各国在欧洲维修团体联盟(FENMS)推动下，主要以英国倡导的设备综合工程学为指导；美国以后勤学(Logistics)为指导；日本吸收二者特点，提出了全员生产维修(TPM)的观点。美国自1961年开始执行阿波罗计划后，出现一系列因设备故障造成的事故，导致1967年在美国宇航局(NASA)倡导下，由美国海军研究室(ONR)主持成立了美国机械故障预防小组(MFPG)，并积极从事技术诊断的开发。 美国诊断技术在航空、航天、军事、核能等尖端部门仍处于世界领先地位。英国在60～70年代，以Collacott为首的英国机器保健和状态监测协会(MHMG & CMA)最先开始研究故障诊断技术。英国在摩擦磨损、汽车和飞机发电机监测和诊断方面具领先地位。日本的新日铁自1971年开发诊断技术，1976年达到实用化。日本诊断技术在钢铁、化工和铁路等部门处领先地位。我国在故障诊断技术方面起步较晚，1979年才初步接触设备诊断技术。目前我国诊断技术在化工、冶金、电力等行业应用较好。故障诊断技术经过30多年的研究与发展，已应用于飞机自动驾驶、人造卫星、航天飞机、核反应堆、汽轮发电机组、大型电网系统、石油化工过程和设备、飞机和船舶发动机、汽车、冶金设备、矿山设备和机床等领域。 故障诊断的主要理论和方法 故障诊断技术已有30多年的发展历史，但作为一门综合性新学科——故障诊断学——还是近些年发展起来的。从不同的角度出发有多种故障诊断分类方法，这些方法各有特点。从学科整体可归纳以下理论和方法。 (1)基于机理研究的诊断理论和方法从动力学角度出发研究故障原因及其状态效应。针对不同机械设备进行的故障敏感参数及特征提取是重点。 (2)基于信号处理及特征提取的故障诊断方法主要有时域特征参数及波形特征诊断法、时差域特征法、幅值域特征法、信息特征法、频谱分析及频谱特征再分析法、时间序列特征提取法、滤波及自适应除噪法等。今后应注重实时性、自动化性、故障凝聚性、相位信息和引入人工智能方法，并相互结合。 (3)模糊诊断理论和方法模糊诊断是根据模糊集合论征兆空间与故障状态空间的某种映射关系，由征兆来诊断故障。由于模糊集合论尚未成熟，诸如模糊集合论中元素隶属度的确定和两模糊集合之间的映射关系规律的确定都还没有统一的方法可循，通常只能凭经验和大量试验来确定。另外因系统本身不确定的和模糊的信息(如相关性大且复杂)，以及要对每一个征兆和特征参数确定其上下限和合适的隶属度函数，而使其应用有局限性。但随着模糊集合论的完善，相信该方法有较光明的前景。 (4)振动信号诊断方法该方法研究较早，理论和方法较多且比较完善。它是依据设备运行或激振时的振动信息，通过某种信息处理和特征提取方法来进行故障诊断。在这方面应注重引入非线性理论、新的信息处理理论和方法。

机械故障诊断技术的现状及发展趋势

机械故障诊断技术的现状及发展趋势 摘要：随着机械行业的不断发展，机械故障诊断的研究也不断提出新的要求，进20年来，国内外的故障诊断技术得到了突飞猛进的发展，对机械故障诊断的发展现状进行了详细的论述，并对其发展趋势进行了展望。 关键词：故障诊断；现状；发展趋势 引言 机械故障诊断技术作为一门新兴的科学，自二十世纪六七十年代以来已经取得了突飞猛进的发展，尤其是计算机技术的应用，使其达到了智能化阶段，现在，机械故障诊断技术在工业生产中起着越来越重要的作用，生产实践已经证明开展故障诊断与状态预测技术研究其重要的现实意义。 我国的故障诊断技术在理论研究方面，紧跟国外发展的脚步，在实践应用上还是基本锣鼓后语国外的发展。在我国，故障诊断的研究与生产实际联系不是很紧密，研究人员往往缺乏现场故障诊断的经验，研究的系统与实际情况相差甚远，往往是从高等院校或者科研部门开始，在进行到个别企业，而国外的发展则是从现场发现问题进而反应到高等院校或者科研单位，是的研究有的放矢。 记过近二十年的努力，我国自己开发的故障诊断系统已趋于成熟，在工业生产中得到了广泛应用。但一些新的方法和原理的出现，使得故障诊断技术的研究不断向前发展，正逐步走向准确、方便、及时的轨道上来。 1.故障诊断的含义及其现状 故障诊断技术是一门了解和掌握设备运行过程中的状态，进而确定其整体或者局部是否正常，以便早期发现故障、查明原因，并掌握故障发展趋势的技术。其目的是避免故障的发生，最大限度的提高机械地使用效率。 1.1设备诊断技术的研究内容主要包括以下三个环节： （1）特征信号的采集：这一过程属于准备阶段，主要用一些仪器测取被测仪器的有关特征值，如速度、湿度、噪音、压力、流量等。 现在信号的采集主要用传感器，在这一阶段的主要研究基于各种原理的传感技术，目标是能在各种环境中得到高可靠、高稳定的传感测试信号。国内传感器类型：电涡流传感器、速度传感器、加速度传感器和湿度传感器等；最近开发的传感技术有光导纤维、激光、声发射等。（2）信号的提取与处理：从采集到的信号中提取与设备故障有关的特征信息，与正常信息只进行对比，这一步就可以称之为状态检测。目前，小波分析在这方面得到广泛应用，尤其是在旋转机械的轴承故障诊断中。基于相空间重构的GMD数据处理方法也刚刚开始研究，此方法对处理一些复杂机械的非线性振动，从而进一步预测故障的发展趋势非常有效。（3）判断故障种类：从上一步的结果中运用各种经验和知识，对设备的状态进行识别，进而做出维修决策。这一步关键是研究系统参数识别和诊断中相关的实用技术，探讨多传感器优化配置问题，发展信息融合技术、模糊诊断、神经网络、小波变换、专家系统等在设备故障诊断中的应用。 1.2故障诊断及时的发展历程· 故障诊断技术的大致三个阶段： （1）事后维修阶段；（2）预防维修阶段；（3）预知维修阶段。现在基本处于预知维修阶段，预知维修的关键在于对设备运行状态进行连续监测或周期检测，提取特征信号，通过对历史数据的分析来预测设备的发展趋势。 1.3故障诊断的发展现状 目前，国内检测技术的研究主要集中在以下几个方面：

交通信息主要采集技术综述

交通信息采集技术综述 摘要：智能交通系统的发展离不开交通采集信息的支持，交通信息采集技术的不断成熟与革新为交通信息处理和服务提供了丰富的交通数据资源。总结目前动态交通采集信息流行的采集技术及方法；并分析多种采集技术的优缺点，为面向交通信息利用的交通信息采集、预处理技术方法提供参考。 关键词：交通信息；采集技术；智能交通；检测技术；综述 Traffic Information Acquisition Technology Overview Abstract:The development of the intelligent transportation system cannot leave the support of gathering information,traffic information collection technology matures and innovation for traffic information processing and service provides a rich data resources.Summary of the current dynamic traffic popular gathering information acquisition technology and method;And analyzes the advantages and disadvantages of various acquisition technology,for traffic information using the method of traffic information collection,pretreatment technology to provide the reference. Key words:Traffic Information; Acquisition Technology; Intelligent Transportation; Detection Technology; Overview 0引言 交通信息是ITS顺利实施的重要前提，及时、准确地感知多源的交通信息对于ITS来说是至关重要的。目前，世界上很多大中城市都已经具备了实时采集、处理、分析和发布大规范道路网络的交通信息的能力。交通信息采集的必要性主要体现在以下三个方面：1.智能交通系统建设的需要，2.提供交通信息服务的需要，3.交通规划的需要。由此可见，交通信息的采集已成为交通管理监控活动的重要组成部分。 1交通信息主要采集技术 1.1微波雷达交通信息采集技术 1.1.1技术原理 微波雷达检测器可安装在路中央的半空，也可安装在路边。当车辆穿过雷达波覆盖区域时，车辆会将雷达波束反射至雷达天线，接收器通过雷达天线接收车辆的信息，包括车速、车流量、车长等数据。 1.1.2 技术介绍 常用的微波雷达检测技术包括微波检测、红外检测、超声波检测和激光检测。 微波检测器是一种工作在微波频段的雷达探测器，行驶的车辆反射由它发射的调频微波，反射波的频率由于多普勒效应会发生偏移，根据这种频率的偏移可以检测车流信息。 微波检测器采集系统由微波检测器、串口数据传输线、系统软件和固定支架构成。安装在支架上的检测器利用串口数据传输线与通信设备相连。微波检测器可以与控制中心的主控机进行通信，检测器将采集的交通数据发送至主控机，主控机可以对检测器进行参数的设定和故障检测。 微波检测器在恶劣的气候下性能出色，能够全天候工作；安装维护方便；使用寿命长。但是在车辆拥堵以及车辆分布不均的情况下，可能会漏记车辆的通过数据，测量精度会降低。 红外检测器是基于光学原理的车辆检测器，包括有主动和被动两种类型。 主动红外检测器可以发射有一定能量的红外线，如果有车辆经过，该红外线会被车辆反射回检测器。检测器通过对反射回来的红外线的能量分析，可以获得交通量、车速、排队长度等交通数据。 主动型红外检测器包括一个红外发光管和一个接收管。检测器的红外发射管向道路上辐射由调制脉冲发生器产生的调制脉冲。红外接收管接收由车辆反射回来的红外线脉冲，红外线脉冲被接收后，经红外调解器调解，经过选通，放大，整流和滤波后触发驱动器输出一个检测信号。 被动红外检测器利用的是车辆本身辐射的能量，它利用一个能量接收传感器检测在一定区域内经过的车辆的能量。根据接收能量的变化，被动红外检测器可以获得交通量，排队长度等交通数据。 红外检测器安装和维护较方便，具有快速准确的检测能力。缺点是受周围环境和气象的影响较大，工作现场的灰尘、冰雾会影响系统的正常工作，检测精度会降低，误检率较高。 超声波检测器利用车辆形状对超声波的影响，对车流量、车速以及道路占有率等交通信息进行采集，

故障诊断理论方法综述

故障诊断理论方法综述 故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复一、基于解析模型的方法 基于解析模型的故障诊断方法主要是通过构造观测器估计系统输出，然后将它与输出的测量值作比较从中取得故障信息。它还可进一步分为基于状态估计的方法和基于参数估计的方法，前者从真实系统的输出与状态观测器或者卡尔曼滤波器的输出比较形成残差，然后从残差中提取故障特征进而实行故障诊断；后者由机理分析确定系统的模型参数和物理元器件之间的关系方程，由实时辨识求得系统的实际模型参数，然后求解实际的物理元器件参数，与标称值比较而确定系统是否发生故障及故障的程度。基于解析模型的故障诊断方法都要求建立系统精确的数学模型，但随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。 二、基于信号处理的方法 当可以得到被控测对象的输入输出信号，但很难建立被控对象的解析数学模型时，可采用基于信号处理的方法。基于信号处理的方法是一种传统的故障诊断技术，通常利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，识别和评价机械设备所处的状态。基于信号处理的方法又分为基于可测值或其变化趋势值检查的方法和基于可测信号处理的故障诊断方法等。基于可测值或其变化趋势值检查的方法根据系统的直接可测的输入输出信号及其变化趋势来进行故障诊断，当系统的输入输出信号或者变化超出允许的范围时，即认为系统发生了故障，根据异常的信号来判定故障的性质和发生的部位。基于可测信号处理的故障诊断方法利用系统的输出信号状态与一定故障源之间的相关性来判定和定位故障，具体有频谱分析方法等。 三、基于知识的方法 在解决实际的故障诊断问题时，经验丰富的专家进行故障诊断并不都是采用严格的数学算法从一串串计算结果中来查找问题。对于一个结构复杂的系统，当其运行过程发生故障时，人们容易获得的往往是一些涉及故障征兆的描述性知识以及各故障源与故障征兆之间关联性的知识。尽管这些知识大多是定性的而非定量的，但对准确分析故障能起到重要的作用。经验丰富的专家就是使用长期积累起来的这类经验知识，快速直接实现对系统故障的诊断。利用知识，通过符号推理的方法进行故障诊断，这是故障诊断技术的又一个分支——基于知识的故障诊断。基于知识的故障诊断是目前研究和应用的热点，国内外学者提出了很多方法。由于领域专家在基于知识的故障诊断中扮演重要角色，因此基于知识的故障诊断系统又称为故障诊断专家系统。如图1.1

交通信息采集系统与信息发布(DOC)

八、交通流信息采集系统设计 1.交通信息采集系统背景简介 交通信息是城市交通规划和交通管理的重要基础信息，通过获取全面的、丰富的、实时的交通信息不但可以把握城市道路的发展现状，而且可以对未来发展进行预测，为城市交通规划和交通管理部门的正确决策提供科学依据。交通信息服务也是智能交通系统功能的一个重要方面，未来智能交通系统先进的交通管理系统（ATMS）和先进的交通信息系统（ATIS）等都离不开交通信息，动态交通诱导功能是智能交通系统的核心之一，这一功能的实现也是以城市交通系统中实时交通信息为基础。因此，交通信息采集与处理技术无论对城市的交通规划、路网建设、交通管理，还是对未来智能交通系统功能的实现都是非常重要的，是城市交通发展规划和道路交通科学管理的重要建设内容。 现代化智能交通管理系统的建设过程中，实现交通状况的实时检测和判别是关键的一步，道路车辆数据采集器是交通信息数据重要的采集终端，主要功能是对于过往车辆进行计数、测速、车型分类，然后分析计算占道信息、单位时间内车流量、车流平均速度等，以此判断道路拥挤状况，然后通过通信接口，把采集到的数据按预定的时间处理周期发送到管理监控中心，为交通调度和交通事件告警提供决策服务。车流检测器伴随着智能交通系统技术的渐趋成熟而快速发展起来，独立的车检器在国外已经有80多年的历史。我国从上世纪90年代初开始逐步引入以线圈检测技术为代表的车辆检测器，经过十几年的发展，技术上基本走向成熟，性能价格比也很高，但在稳定性、抗干扰、检测灵敏度等方面还有所欠缺，因此国产车检器市场尚处于培育阶段。目前国内应用的车检器多数还是采用国外的进口设备，如英国PEEK公司的MTS4E，南非NORTECH的TD634ES，南非PROCON公司的LD系列车检器，英国的MoniSense系列、德国SIEMENS公司的产品等。 目前国际上对交通流量数据采集有很多种方式，微波雷达、视频、红外和地感线圈等，归纳起来主要有三大类：磁频、波频和视频。环形地感线圈采集方式属于磁频采集技术，当有机动车通过检测区域时，在电磁感应的作用下交通检测器内的电流会跳跃式上升。当该电流超过指定阀值时会触发记录仪，实现对车辆计数和通过时间的检测。通过设置双线圈可以实现车辆通过时速度的检测。 蓝盾LD-100地感线圈交通信息采集系统是一种采用磁频技术开发的交通流量检测器，它使用环形地感线圈作为车辆通过时的电磁感应传感器。可以对路段的交通流量进行检测，系统由前置路口设备和后台中心数据处理两部分组成。该系统是安徽蓝盾光电子股份有限公

汽车诊断故障方法及步骤

一: 汽车故障诊断的四项基本原则: （一）先简后繁、先易后难的原则 （二）、先思后行、先熟后生的原则 （三）、先上后下、先外后里的原则 （四）、先备后用、代码优先的原则 二:汽车故障诊断的基本方法: 1、询问用户：故障产生的时间、现象、当时的情况，发生故障时的原因以及是否经过检修、拆卸等。 2、初步确定出故障范围及部位。 3、调出故障码，并查出故障的内容。 4、按故障码显示的故障范围，进行检修，尤其注意接头是否松动、脱落，导线联接是否正确。 5、检修完毕，应验证故障是否确已排除。 6、如调不出故障码，或者调出后查不出故障内容，则根据故障现象，大致判断出故障范围，采用逐个检查元件工作性能的方法加以排除。 二、常见故障的诊断 1、发动机不能启动或启动困难 （1）起动机不转动或转动缓慢 a）检查蓄电池电压。 b）检查蓄电池极柱、导线联接等是否松动。 c）检查启动系，包括点火开关、启动开关、空档启动开关及起动机情况，各部线路是否连接松动。 （2）起动机转动正常，但发动机不能启动 a）调出故障码。 b）检查燃油泵工作情况。 c）检查怠速系统是否工作正常（若怠速系统工作不正常，踏下加速踏板时发动机能启动）。 d）检查点火系统，包括高压火花、点火正时情况、火花塞等。 e）检查进气系统有无漏气。 f）检查空气流量计或空气压力传感器是否工作不良。 g）检查喷油器、低温启动喷油器是否工作正常。 h）检查EFI系统电路，包括ECU连接器有关端子。

i）检查机械部分有无故障。 2、发动机怠速不良 1）调出故障码，分析故障原因。 2）检查进气系统有无漏气情况。 3）检查曲轴箱通风管的PCV阀的工作情况（怠速时，PCV阀应该关闭）。 4）检查节气门上的怠速调整螺钉是否调整正确，若调整螺钉调整不正确，会导致怠速时混合气过稀，导致发动机怠速不稳。 5）检查点火正时情况。 6）检查喷油器喷射情况。 7）检查EFI系统电路及元件工作情况。 8）检查机械系统的状况。 3、怠速过高 1）检查节气门是否发卡而不能关闭。 2）检查冷启动喷油器是否在继续喷油。 3）检查节气门位置传感器是否输出电压不正确。 4）检查燃油喷射压力是否过高。 5）检查调压器真空传感器软管是否脱落或断裂。 6）检查怠速控制系统和VSV阀是否工作正常。 7）检查喷油器喷油情况及是否滴漏。 8）调出故障码，判断故障原因。 9）对EFI系统电路及元件工作情况。 10）检查点火正时是否不正确。 4、发动机转速不稳 1）调出故障码，分析故障原因。 2）检查进气系统有无漏气情况。 3）检查燃油泵供油情况，燃油管路的压力是否正常。 4）检查燃油压力调节器是否工作不正常。 5）检查喷油器喷射情况，是否个别喷油器不工作或喷油量不准确。 6）检查点火系统，如点火正时情况、高压火花情况、火花塞积炭等。 7）检查空气滤清器滤芯是否堵塞。 8）检查汽油滤清器滤芯是否堵塞。 9）对EFI系统电路及元件工作情况。 10）检查机械部分，如汽缸压力、气门间隙等。

智能交通信息采集技术研究与软件实现

智能交通信息采集技术研究与软件实现 发表时间：2019-11-14T11:04:32.650Z 来源：《科学与技术》2019年第12期作者：朱旭 [导读] 我国解决交通拥堵的一个出路是建成智能交通信息采集系统，通过对各类数据的获取和计算，合理调整不同道路中的车流量以及交通指示灯的运行情况。 摘要：我国解决交通拥堵的一个出路是建成智能交通信息采集系统，通过对各类数据的获取和计算，合理调整不同道路中的车流量以及交通指示灯的运行情况。基于对智能交通信息采集系统整体性实现方法的了解和明确，本文重点分析了软件系统的实现方式，从而让该系统能够发挥其本身具有的作用，实现对于交通拥堵问题的全面解决。 关键词：智能交通系统；数据采集系统；分析软件 引言：智能交通信息采集技术一方面要实现对所有数据的收集和整理，为后续的工作过程奠定基础，尤其是要了解交通系统是否处于最优质的运行状态。另一方面要分析该系统是否能够处于安全稳定的运行状况下，尤其是通过对软件系统的使用，主动或被动消除运行过程中存在的干扰，提高系统运行稳定性。 一、智能交通信息采集技术的实现 （一）道路信息获取 道路信息获取包括多种信息，首先是整个道路系统中的车流量以及人行流量，实现今后一段时间内交通拥堵程度的准确预测。其次明确道路在单位时间内的车辆类型，大型车辆对于交通系统的堵塞危害更为严重，小型车辆在达到一定的量级后也会出现大面积的堵塞问题，通过对这类信息的描述，可以预测交通高峰期的到来时间，为具体的设施运行参数控制过程奠定基础。最后则是需要记录其余的信息，包括道路的整修信息、人流量的信息以及交通事故的发生信息等，这些信息都需要具备极高的权重，分析该道路交通系统是否会出现严重的堵塞问题。 （二）获取信息分析 获取信息的分析要经过对于信息的全面整合，并提高信息的精度，采用方法是通过滤波的形式去除干扰，依靠对于采集到图像的像素分析，了解整个道路系统中是否存在严重的交通堵塞隐患，以此为标准了解今后是否能够获取相关的信息。了解该参数后需要对信息进行整理和核算，整理的方法是把信息输入到已经建成的数学模型中，由模型明确和分析该系统今后存在的问题以及安全隐患，尤其需要预测在单位时间整个系统是否会出现严重的交通堵塞问题。 （三）必要算法选用 由于数据采集系统并不能够属于理想运行环境，所以会受到各类干扰，这就要求选用的算法能够实现滤波工作，通常情况下，运行中能够通过对于各类干扰波的核算和检测，向整个系统中发送与之相反的信号波，以实现对于干扰信号的主动清除[1]。此外选用的软件算法系统也要确保占据更小的空间，以防止对于硬件系统造成严重的影响，并且从最终取得的实际效果上来看，该系统要能够自主清除产生的缓存碎片以及数据碎片，防止整个数据系统的存储空间逐渐下降。 （四）通信系统建成 通信系统建设过程首先要完成对于各类数据的精确传递，可通过建成无线通信系统实现这一功能，将获取的数据传递给接受设备中，将无线信号转换为电信号，通过光缆将其传递到信息化处理服务器中。 该服务器经过对信号的处理完成滤波工作，并完成像素计数工作，在此基础上了解不同区域的实际交通情况，之后则需要发出相关的指令。指令的发送过程则属于通信系统的逆运行过程，通过不同的线缆以及具体前置信号字节的使用，让不同区域的控制指令信号接收设备能够获取对这一区域被控对象的具体控制指令，并将这一指令发送给被控对象，在此基础上调节各类设施的实际运行状况。另外从实际的作用效果上来看，该系统要能够建成信号的发出和接收设备，并且借助对于各类信号作用效果的了解和描述，为这一系统的运行过程奠定基础，尤其是在相关信号的接受过程，更是需要保持所有的信号都能够被正确的设施响应，所以对通信系统的运行稳定性、安全性以及数据的处理能力都提出了极高要求。今后可通过建成的5G通信技术，实现对于各类信号的即时性传递，此外5G基站建设后可在一定程度上去除光纤通信技术，以达到削减智能交通系统建设成本的目的。 二、智能交通信息采集系统的软件实现 （一）网络功能确定 网络功能确定中，通过对当前整个交通系统需要满足项目的了解，可以确定首先要能够实现对于数据的采集和预处理、数据的储蓄等。 采集系统可由摄像头等装置记录，并通过对于像素的核算与处理，实现对于该区域单位时间内车流量、人流量等信息的全面有效分析。其次要实现对于今后一段时间交通系统运行情况的预测工作，要把已经获取的参数代入到专用的数据模型中，该模型可以通过对所有数据的核算，预测今后一段时间内是否会出现严重的交通拥堵问题。 最后则是相应的控制指令发出，通过对当前已经开发出算法和软件开发方法的研究，本文认为要在该系统中设置相应的定位体系，可借助GPS系统以及北斗卫星导航系统实现对于不同测量区域的定位工作，并且该信息要能够整合到后续的计算过程，另外通信系统可采用目前已开发出了4G通信技术或5G通信技术实现对于各类数据的及时性传输工作，从而让整个系统的运行稳定度能够获得大幅度的提高，同时对相关端口进行接入和调整，可考虑采用数据处理和采集过程中的A/D卡实现，这一技术当前已经经过了多年的发展和检验，发现能够满足智能交通系统的数据获取要求和检测要求。 （二）系统平台选择 系统平台中最基础的工作时硬件平台选择，对于智能交通系统来说，由于要全面保障其运行的稳定性，所以要在考虑整个平台性能的基础上，再完成成本、安装需求和日常检测要求的全面分析工作，其中系统的性能是需要考虑的重点。 对于软件平台，首先要考虑开发环境，可以采用Linux系统，原因是该系统与各类硬件平台之间都具有更好的兼容性，并且运行过程中，该系统具有核心稳定、功能强大等特征，可以实现数据的全面监测和管理。对于开发语言的选择，本文认为可采用C++，该语言能够实现对于所有关键功能的实现以及数据获取，并且该语言已经成为当前世界范围内最为常用的语言，可以进一步提高软件运行的稳定性和

旋转机械设备关键部件故障诊断与预测

旋转机械设备关键部件故障诊断与预测 摘要在很多工业生产加工过程中，都会使用旋转机械设备。旋转设备对于提高工业生产效率，降低人工劳动量发挥着非常重要的作用。但是在实际生产运行环节，出现故障，或者一些关键部件存在故障隐患，如果不能及时准确的预测诊断，会给设备造成严重的损毁，也会加大企业的设备维护成本。因此，提高其故障的诊断预测水平，做好旋转机械设备关键部件的维护，显得十分必要。本文在研究过程中，对旋转机械设备关键部件故障诊断技术进行了详细阐述，希望可以对实际应用过程中的故障诊断和预测，提供必要的理论支持。 关键词故障诊断；故障征兆；诊断系统；旋转机械设备；关键部件 引言 随着现代机械设备维修技术的进步，在故障维修领域越来越重视预防和诊断技术。旋转机械设备，作为常用的工业机械，其使用强度较大，出现一些故障问题后，需要及时进行检修。因此，需要技术人员掌握一定的故障诊断和预测方法，提高关键部件故障的诊断正确率，并能够在平时设备的维护保养阶段，做好问题故障的预测，及时处理潜在故障隐患。这样，才能保障旋转机械设备的长期稳定运行，降低企业的设备维护运行成本。 1 基本原理和功能 旋转机械设备的基本原理和功能知识模块是建立在系统基本机构的分级前提之下的，根据故障诊断系统以及下分各部件的构成关系，形成一个更为深层次的结构，从而适应故障诊断与预测的基本需求。通过对一些经典故障案例、设备正常运行参数、故障征兆等信息进行对比分析，能够确定设备的故障问题，并及时进行解决。需要注意的是，各种知识模块之间的相互印证，更能够进一步提高旋转机械设备关键部件故障诊断的准确度。在实际检测时，技术工人要学会利用不同模块之间的相互印证功能。 2 故障诊断与预测系统的必要性 为了达到预测性维修的目的，快速故障诊断和高效故障预测系统就成为主要的需求。利用设备传感器产生的不同粒度的状态数据，通过数据采集、数据治理，数据存储、数据挖掘和数据分析等过程就能洞察整个产品生命周期中各个时刻的状态和性能，从而根据不同的业务特征即可制定相应的动态维修计划，在故障出现之前就能够做出故障诊断或预测故障的发生可能性，进而适时地采取维修措施，避免故障实际发生，最终能够保证设备的安全运行，全面提升产品竞争力。 3 故障诊断与预测系统需要解决的问题 实现旋转机械设备故障的快速诊断和高效预测，其主要的挑战在于“提前”，

常用简易的设备故障诊断方法

常用简易的设备故障诊 断方法 Document number：PBGCG-0857-BTDO-0089-PTT1998

常用简易的设备故障诊断方法 常用的简易状态监测方法主要有听诊法、触测法和观察法等。 1、听诊法 设备正常运转时，伴随发生的声响总是具有一定的音律和节奏。只要熟悉和掌握这些正常的音律和节奏，通过人的听觉功能就能对比出设备是否出现了重、杂、怪、乱的异常噪声，判断设备内部出现的松动、撞击、不平衡等隐患。用手锤敲打零件，听其是否发生破裂杂声，可判断有无裂纹产生，用听诊法对滚动轴承工作状态进行监测的常用工具是木柄螺丝刀，也可以使用外径为φ20mm左右的硬塑料管。 （1）滚动轴承正常工作状态的声响特点 滚动轴承处于正常工作状态时，运转平稳、轻快、无停滞现象，发出的声响和谐而无杂音，可听到均匀而连续的“哗哗”声，或者较低的“轰轰”声。噪声的强度不大。异常声响所反映的轴承故障锥入度大一点的新润滑脂。 （2）轴承在连续的“哗哗”声中发出均匀的周期性的“嗬罗”声。这种声音是由于滚动体和内外圈滚道出现伤痕、沟槽、锈蚀斑而引起的。声响的周期与轴承的转速成正比。应对轴承进行更换。 （3）轴承发出不连续的“梗梗”声。这种声音是由于保持架或者内外圈破裂而引起的。必须立即停机更换轴承。 （4）轴承发出不规律、不均匀“嚓嚓”声。这种声音是由于轴承内落入铁屑、砂粒等杂质而引起的。声响强度较小，与转速没有联系。应对轴承进行清洗，重新加脂或换油。

（5）轴承发出连续而不规则的“沙沙”声。这种声音一般与轴承的内圈与轴配合过松或者外圈与轴承孔配合过松有关系，声响强度较大。应对轴承的配合关系进行检查，发现问题及时修理。 （6）轴承发出连续刺耳啸叫声。这种声音是由于轴承润滑不良，缺油造成了干摩擦，或者滚动体局部接触过紧，如内外圈滚道偏斜，轴承内外圈配合过紧等情况而引起的。应及时对轴承进行检查找出问题，对症处理。 电子听诊器是一种振动加速度传感器。它将设备振动状况转换成电信号并进行放大，工人用耳机监听运行设备的振动声响，以实现对声音的定性测量。通过测量同一测点、不同时期、相同转速、相同工况下的信号，并进行对比，来判断设备是否存在故障。当耳机出现清脆尖细的噪声时，说明振动频率较高，一般是尺寸相对较小的、强度相对较高的零件发生局部缺陷或微小裂纹。当耳机传出混浊低沉的噪声时，说明振动频率较低，一般是尺寸相对较大的、强度相对较低的零件发生较大的裂纹或缺陷。当耳机传出的噪声比平时增强时，说明故障正在发展，声音越大，故障越严重。当耳机传出的噪声是杂乱无规律地间歇出现时，说明有零件或部件发生了松动。 2、触测法 用人手的触觉可以监测设备的温度、振动及间隙的变化情况。人手上的神经纤维对温度比较敏感，可以比较准确地分辨出80℃以内的温度。当机件温度在0℃左右时，手感冰凉，若触摸时间较长会产生刺骨痛感。10℃左右时，手感较凉，但一般能忍受。20℃左右时，手感稍凉，随着接触时间延长，手感渐温。30℃左右时，手感微温，有舒适感。40℃左右时，手感较热，有微烫感觉。50℃左右时，手感较烫，若用掌心按的时间较长，会有汗感。60℃左右