基于全信息模式的旋转机械信息融合方法研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 208-210.

基于全信息模式的旋转机械信息融合方法研究

董辛旻^1,2,韩捷¹,石来德²

1.郑州大学振动工程研究所，郑州 450002
2.同济大学机械工程学院，上海 200092

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 董辛旻

Study on fusion method of rotary machinery based on full information mode

DONG Xin-min^1,2,HAN Jie¹,SHI Lai-de²

1.Vibration Engineering Research Institute，Zhengzhou University，Zhengzhou 450002，China
2.Mechanical Engineering School，Tongji University，Shanghai 200092，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: DONG Xin-min

摘要/Abstract

摘要： 旋转机械转子运动状态的截面信息包括静态信息和动态信息，仅从静态信息或动态信息分析对转子故障进行诊断可能发生误诊。提出的基于全信息模式的旋转机械信息融合方法，融合了转子的动态信息和静态信息，能真实全面地反映转子运动状态。工程应用实践表明，基于全信息模式的旋转机械信息融合对于旋转机械故障诊断是一种新的、较为实用的信息融合方法。

关键词: 全信息融合, 旋转机械, 故障诊断

Abstract: The information about the movement state of the rotary machinery include the static information and the dynamic information，so the diagnostic result about the machinery will be wrong with only the static information or the dynamic information.The information fusion method of the rotary machinery based on the full information is proposed，and the static information and the dynamic information are fused fully，and the fused information can reflect the true movement state of the machinery.Engineering practice indicates that the fusion method is a new and usable method for rotary machinery fault diagnosis.

Key words: full information fusion, rotary machinery, fault diagnosis

董辛旻^1,2,韩捷¹,石来德². 基于全信息模式的旋转机械信息融合方法研究[J]. 计算机工程与应用, 2008, 44(2): 208-210.

DONG Xin-min^1,2,HAN Jie¹,SHI Lai-de². Study on fusion method of rotary machinery based on full information mode[J]. Computer Engineering and Applications, 2008, 44(2): 208-210.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[9]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.