(2)在故障分析和预报方法的研究上，考虑到传统的布尔逻辑识别、FTA方法（故障树分析 法），因为识别能力差、判据不足，不能满足要求。采用了灰色系统理论、时间系列、神经 网络、遗传算法、小波分析等新技术。
(3)从特征信号中提取有关机组状态的信息；选择的机械设备状态敏感因子（特征参数）具 有较高灵敏度、较高识别能力，采取合适的敏感因子提取装置、提取方式及提取方法。
(4)提出了大型机械设备状态正常与否的准则，选择了安全评定的标准，确定了对机械设备 整体状态及主要零部件状态分别评价的判据；提供能对异常情况做出判断的方法。
(5)研究了时域、频域综合信号处理方法，使信号处理后的特征突出、明显，便于自动比较 、判别；围绕信号处理的实时性、实用性、稳定性进行了相应的设计和改进，探讨了新的谱 估计方法以及小波分析方法。
(6)研究了机械设备状态在线分析及自动判别的技术，能根据历史档案、专家经验、客观依 据，实现机械设备状态决策判断自动化；研究的机械设备状态自动判别智能专家系统，可克 服转速波动影响；开发了振动频谱在线时域、频域报警新技术。
(7)研究了旋转机械设备常见故障特征，建立了机组故障原因集以及故障推理机制。
(8)为对机械设备实行现代预知维护提供科学依据和手段，研究了趋势预测的方法。除对机 械设备整体进行趋势预测外，探讨了对机械设备零部件进行趋势预测的方法。
(9)研究了神经网络ANN在旋转机械设备状态预测上的应用技术，针对现有神经网络对新信 息强调不足的问题，研究出适于预测用途的新型神经网络模型。探索了遗传算法GA在趋势预 测应用的途径。
(10)在趋势预测模型中考虑时间序列模型预测、灰色模型预测、组合模型预测，围绕提高预测精度提出了新型改进模型及有关方法。
(11)为进行旋转机械状态在线监测及预测技术的实验研究，研制完成具有典型机械结构和现代测试分析功能的新型实验系统，该实验系统应能模拟典型旋转机械的运行状态，能再现故障发展过程和预测发展趋势。
(12) 以大型旋转机械设备为对象进行了工业现场的实践验证，并对验证结果进行了分析。
4 结束语
研究大型旋转机组状态在线监测及预测技术，对保证安全生产以及对设备实行预知维护都具 有十分重要的意义。为此，本项课题采用科学分析与实验验证相结合的方法，从信息提取和 信号处理、故障分析、在线预测、人工智能预测方法、实验研究、实践验证以及系统研制几 个方面对智能化自动在线监测及预测技术进行了系统的研究。探索了新的途径，得出了新的 结论，获得了有价值的成果，解决了重要生产实际问题，取得了预期效果。
1.部分资源来自网络,经ET电子归类整理,旨在服务电子爱好者并无商业目的,不保证正确性与完整性.
2.如果您觉得本站资源对您有用,请告知您的好友,用搜索引擎搜"ET电子"即可.