基于ITD和模糊聚类的齿轮箱故障诊断方法

合集下载

齿轮箱故障诊断的粒子群优化模糊聚类技术

齿轮箱故障诊断的粒子群优化模糊聚类技术
黄周宽;成晓宁;迟全洲
【期刊名称】《新技术新工艺》
【年(卷),期】2012(000)010
【摘要】用粒子群算法取代传统的梯度下降法,优化模糊C—均值算法的各个参数,并依据聚类有效性指标确定最优聚类数及聚类中心,有效地利用了粒子群算法全局寻优的优点,克服了模糊C—均值算法极易陷入局部最优的缺点,将经过PSO优化的模糊C-均值算法应用于齿轮箱故障诊断.试验结果表明,粒子群算法是有效的模糊聚类分析优化算法,提高了齿轮箱故障诊断的准确率.
【总页数】4页(P101-104)
【作者】黄周宽;成晓宁;迟全洲
【作者单位】重庆望江工业有限公司重庆400071;重庆望江工业有限公司重庆400071;内蒙古北方重工业集团有限公司内蒙古包头014030
【正文语种】中文
【中图分类】TK267;TP277
【相关文献】
1.基于ITD和模糊聚类的齿轮箱故障诊断方法 [J], 段礼祥;张来斌;岳晶晶
2.基于粒子群优化KFCM的风电齿轮箱故障诊断 [J], 李状;柳亦兵;滕伟;林杨
3.基于粒子群优化决策树的齿轮箱故障诊断 [J], 程珩;黄超勇;张永刚
4.粒子群优化小波神经网络的齿轮箱故障诊断 [J], 杨柳;李志农
5.基于变分模态分解与模糊聚类的船用齿轮箱故障诊断 [J], 丁颖苗;鲍慧玲
因版权原因，仅展示原文概要，查看原文内容请购买。

基于ITD和模糊聚类的齿轮箱故障诊断方法

基于ITD和模糊聚类的齿轮箱故障诊断方法段礼祥;张来斌;岳晶晶【摘要】为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法.首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量.然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中.结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法.【期刊名称】《中国石油大学学报（自然科学版）》【年(卷),期】2013(037)004【总页数】7页(P133-139)【关键词】固有时间尺度分解;模糊C-均值聚类;齿轮箱;故障;诊断【作者】段礼祥;张来斌;岳晶晶【作者单位】中国石油大学机械与储运工程学院,北京102249;中国石油大学机械与储运工程学院,北京102249;中国石油大学机械与储运工程学院,北京102249【正文语种】中文【中图分类】TK407对齿轮箱进行故障诊断，能够减少齿轮箱故障带来的经济损失，提高齿轮箱运行的可靠性和安全性。

针对齿轮箱振动信号所具有的强烈的非平稳特性，信号处理方法主要有小波变换［1］、Wigner-Ville分布［2］、EMD 分解［3］。

然而，小波变换是对时频平面的一种机械格型分解，缺乏对所研究信号的自适应性［4］;Wigner-Ville分布作为时频分析方法，可同时从时域和频域对时间序列进行分析，但分析多分量信号时易产生交叉项［5］;EMD分解具有很强的自适应性，能够有效地分析非线性与非平稳信号，但存在端点效应、模态混叠，筛选过程和计算复杂度高，不利于实时计算［6］等缺陷。

而Mark G.F.和Osorio I.［7］提出的固有时间尺度分解(intrinsic time-scale decomposition，ITD)是一种新的非平稳信号时频分析方法。

一种基于模糊聚类的故障诊断方法

一种基于模糊聚类的故障诊断方法李鹏;陈忠一【摘要】电子设备的多个传感器实时反映了设备运行状态,对一种基于模糊聚类的电子设备故障诊断方法进行讨论,针对电子装备多个传感器状态信息采用模糊聚类的方法进行融合,进而提出了对于观测数据运用模糊聚类方法进行故障诊断,推理故障模式的方法.实例证明该模糊聚类方法成功地完成了某电子装备故障诊断的自动推理.该方法可以不依赖于被诊断系统的数学模型进行自适应诊断,实现故障诊断的智能化、自动化.【期刊名称】《现代电子技术》【年(卷),期】2010(033)023【总页数】3页(P119-121)【关键词】信息融合;故障诊断;模糊聚类;自组织特征映射【作者】李鹏;陈忠一【作者单位】91550部队92分队,辽宁,大连,116023;大连海事大学,轮机学院,辽宁,大连,116023【正文语种】中文【中图分类】TN919-340 引言电子装备的状态信息来自于对数据的处理，数据采自于传感器，大型设备往往装备多个传感器以进行监测。

为了采集多种多组数据，选用的传感器种类和数量繁多，数据的格式和物理含义各异，且存在错误数据和虚假信息的问题。

从信息的获取、变换、传输、处理、识别的整个过程来看，尚缺少“融合”这个环节。

所获取的信息源越多，发生信息矛盾及信息熵增的可能性越大，必须施行融合。

融合可以是对所获取的传感器信息群的融合，也可以是对初步识别后的信息群的融合[1]。

信息融合的模型和算法有多种，当传感器信息群之间可以用某一显式函数关系相联系时，便可直接进行简单融合。

而对于已经获得足够完整的先验认识的被诊断对象，可以采用权系数法与模糊贴近度法。

基于样本特征构造框架和信任函数组合的D-S证据推理扩展了传统的Bayes推理。

以上方法都需要构建标准信息群组。

此外，人工智能方法也在信息融合中得到应用，有基于知识推理的方法、专家系统方法和神经网络方法等。

模糊聚类方法可以不需要标准信息群，也不需要知道样本群变化过程中的具体内容，只要有样本群最初的状况作基准，便可根据融合分类结果得到被监测样本变化的大趋势。

《基于深度学习的混合轮系齿轮箱故障诊断方法研究》范文

《基于深度学习的混合轮系齿轮箱故障诊断方法研究》篇一一、引言在现代工业生产中，混合轮系齿轮箱作为关键设备之一，其运行状态直接关系到整个生产线的效率和安全性。

然而，由于齿轮箱内部结构复杂，其故障诊断一直是一个难题。

传统的故障诊断方法往往依赖于人工经验和专业知识，难以实现快速、准确的诊断。

近年来，随着深度学习技术的发展，基于深度学习的混合轮系齿轮箱故障诊断方法成为了一个研究热点。

本文旨在研究基于深度学习的混合轮系齿轮箱故障诊断方法，以提高诊断的准确性和效率。

二、深度学习在故障诊断中的应用深度学习是一种模拟人脑神经网络的学习算法，具有强大的特征提取和分类能力。

在故障诊断中，深度学习可以通过对设备运行数据的分析，提取出有用的特征信息，进而实现故障的自动识别和诊断。

与传统的故障诊断方法相比，深度学习具有以下优势：1. 无需人工提取特征：深度学习可以自动从原始数据中提取有用的特征信息，避免了人工提取特征的繁琐和不确定性。

2. 泛化能力强：深度学习可以通过学习大量的数据，建立设备运行状态与故障之间的非线性关系模型，提高诊断的准确性和泛化能力。

3. 适应性强：深度学习可以处理各种类型的数据，包括音频、振动信号等，适应性强。

三、混合轮系齿轮箱故障类型及特点混合轮系齿轮箱的故障类型多种多样，主要包括齿轮磨损、断齿、点蚀等。

这些故障不仅会导致齿轮箱的噪音和振动增大，还会影响设备的正常运行和寿命。

不同故障类型的特点和表现形式各不相同，给诊断带来了一定的难度。

四、基于深度学习的混合轮系齿轮箱故障诊断方法针对混合轮系齿轮箱的故障诊断问题，本文提出了一种基于深度学习的诊断方法。

该方法主要包括以下步骤：1. 数据采集与预处理：通过传感器对混合轮系齿轮箱的运行数据进行采集，包括振动信号、声音信号等。

然后对数据进行预处理，包括去噪、归一化等操作，以便于后续的特征提取和分类。

2. 特征提取：利用深度学习算法对预处理后的数据进行特征提取。

基于模糊神经算法的风电机组齿轮箱故障在线诊断

2017年35期科技斯与裘用Technology Innovation and Application创新目ll沿基于模糊神经算法的风电机组齿轮箱故障在线诊断孟祥萍\田凯乔\王磊2(1.长春工业大学电气与电子工程学院，吉林长春130012;2.沧州职业技术学院机械工程系，河北沧州061000)摘要：文章提出了一种以模糊神经网络(FNN)为核心算法的风电机组齿轮箱故障在线诊断系统。

该系统分为数据采集、特征提取和波形识别三部分，通过识别齿轮磨损、齿轮点浊和齿轮断齿三种重要齿轮故障的波形，不仅可以在线检测风电机组齿轮箱运行状态，而且可以对潜在故障进行预警。

FNN是对模糊逻辑和神经网络优缺点进行深入分析，再将两者优点相结合的一种算法。

通过对振动信号进行分析和处理，用以上三种故障波形对FNN进行训练，同时采取多振动传感器的方式，确保了振动信号的准确性。

关键词：模糊神经网络;故障预警;在线监测；故障波形识别中图分类号:TH132.41 文献标志码：A文章编号：2095-2945 (2017) 35-0031-02引言对于任何大型发电设施，例如核电厂的发电机或火力发电机，在线状态监测系统对于故障检测和事故预警是非常重要的。

在机器损坏之前及时进行停机检修，可以避免设备损坏带来的不必要的经济损失和人身伤亡叱机械振动是工程中普遍存在的现象，风电机组齿轮箱的振动信号，无疑是直接反应其健康状况的重要数据。

当齿轮或轴承出现故障时，会有特殊频率的振动，我们可以通过分析这种特征频率的振动来检测齿轮及轴承是否完好。

但是，在齿轮箱内部会产生多种振动信号，为了避免系统误报警，需要对采集的振动信号进行深度分析[2]。

研究者通常运用模糊逻辑与人工神经网络相结合的模糊神经网络(FNN)来识别和分析以上三种振动信号™。

模糊逻辑强项是逻辑推理，一种用数学模型模拟人脑进行结果分析，但是并不具有对历史数据总结的能力和对已分析结果的储存神经网络恰恰相反，它具备对历史数据反复学习和挖掘的功能，并且有一定的容错能力。

基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

基于变分模态分解与模糊聚类的船用齿轮箱故障诊断◎ 丁颖苗上海市嘉定区航务管理所鲍慧玲上海开放大学嘉定分校摘要：针对船用齿轮箱故障类型诊断精度不高的问题，提出一种结合变分模态分解（Variational Mode Decomposition, VMD）与核模糊聚类（Kernel Fuzzy C-Means, KFCM）的故障诊断方法。

先对齿轮箱振动信号展开VMD分析，获得含有大量故障特征信息的固有特征模函数（Intrinsic Mode Function, IMF），然后计算出各IMF分量的奇异值并构建故障特征向量矩阵，最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练，并对模型性能测试与评估。

结果表明，所提方法具有较高的故障识别准确率。

关键词：齿轮箱故障诊断变分模态分解模糊聚类船用齿轮箱作为船舶动力装置中的核心组件之一，其运行可靠性和稳定性显得十分重要。

然而，齿轮箱的工作环境相当恶劣，容易出现不同程度的损伤和故障。

因此，对于船用齿轮箱采取有效、准确的故障诊断是非常有必要的。

故障诊断的核心内容大致由特征提取和模式识别两个部分构成。

其中，特征提取是从杂乱无章的原始信号中提取出若干特征参数量，来表征和反映设备当前的运行状态；模式识别则是通过一些智能算法将具有相同或相似特征的样本归到一起，从而对设备故障类型做出识别。

齿轮箱振动信号具有非线性、非平稳特性，一般的信号分析方法应用效果不佳，甚至在信号分解时可能出现模态混叠、端点效应等问题，因而有必要加强特征提取的效果。

变分模态分解方法实质上是一组自适应的维纳滤波器，具有扎实理论基础，能够较好地避免上述问题。

根据已有研究发现，利用其滤波组特性，将此分解方法应用在提取时变振动信号等方面具有不错的效果。

而若将VMD与多特征融合技术进行结合并应用于齿轮故障诊断中，则可为齿轮故障的及时预警提供相关参考。

模糊聚类作为原型聚类中经典的一种算法，对于样本分类问题具有不错的效果，在故障诊断领域中也是较为主流的模式识别方法。

齿轮箱故障的原因和诊断方法

优点：
能够完整的提取信号的故障信息，提高诊断准确率。（通过对实例的三种不同齿轮裂纹尺寸的故障模式进行识别和分类可以看出。）
齿轮箱故障诊断试验
图（一）
根据综合因数考虑选择齿轮（三）来模拟故障模式。
齿轮箱故障诊断试验

一：齿轮的三种故障模式
表（一）
齿轮裂纹全深度为a=2.4mm，裂纹全宽度为 b=25mm，所选齿轮箱转速为800r/min，载荷为 51.77N*m。
齿轮箱故障诊断试验

二：时域特征提取
当齿轮出现故障时，齿轮箱时域信号会生变化，它的幅值和分布都与正常齿轮的时域信号有差异。每个时域特征参数或者特征量都反映了振动信号的某种特性，通过这些特性可以对不同信号进行区分。对于一组离散的测试信号，本文取 N=1024 ，几个特征参数的计算公式如下：
状态识别
将待检模式与样式模式（故障档案）对比和状态分类，判断齿轮箱是否工作正常或者说有无故障。
诊断决策
根据判断结果采取相应对策，对齿轮箱及其工作进行必要的预测和干预，减少故障所造成的损失。
基于混合特征提取和小波神经网络的齿轮箱故障诊断

这种诊断方法是将振动法里面的时域法，小波包分解，小波分解相结合的方法进行故障诊断。
齿轮箱故障的原因
故障原因所占比例
一
二三四五六
齿轮失效
轴承失效轴的失效箱体失效紧固件失效油封失效
约为60%
约为19% 约为10% 约为7% 约为3% 约为1%
齿轮箱故障诊断方法

温度法
通过监测箱体轴承座处的温度来判断齿轮箱工作是否正常。

油样分析法
从齿轮箱所使用的润滑油中取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断齿轮箱状态。

基于 EEMD 的多尺度模糊熵的齿轮故障诊断

基于 EEMD 的多尺度模糊熵的齿轮故障诊断杨望灿;张培林;王怀光;陈彦龙;孙也尊【摘要】为准确利用振动信号进行故障诊断，提出基于 EEMD 多尺度模糊熵的齿轮故障诊断方法。

利用集合经验模态分解（EEMD）对振动信号进行自适应分解，获得原始信号的不同尺度分量；据模糊熵能有效区分不同信号的复杂度，计算EEMD 分解所得本征模态函数（IMF）分量模糊熵，获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数；将该特征参数输入最小二乘支持向量机（LS －SVM）分类器判断齿轮故障。

齿轮箱齿轮故障实验结果表明，该方法能提高齿轮故障诊断精度。

%In order to diagnose fault accurately by using vibration signal,a method of gear fault diagnosis based on multiscale fuzzy entropy of ensemble empirical mode decomposition (EEMD)was proposed.The vibration signal was decomposed adaptively with EEMD to obtain the components in different scales of the original signal.Considering the ability of the fuzzy entropy in distinguishing the complexity of different signals effectively,the fuzzy entropy of intrinsic mode functions (IMFs)by EEMD was calculated.Thus the complexity metric in different scales of the original signal was gained,which taken as was consequently the feature parameter to describe different gear states.The feature parameters were then put into a least square support vector machine (LS-SVM)for diagnosing the gear faults.The results of a gear box fault test indicate that the proposed method is of high accuracy in diagnosing gear faults.【期刊名称】《振动与冲击》【年(卷),期】2015(000)014【总页数】6页(P163-167,187)【关键词】多尺度模糊熵;EEMD;特征参数;齿轮;故障诊断【作者】杨望灿;张培林;王怀光;陈彦龙;孙也尊【作者单位】军械工程学院七系，石家庄 050003;军械工程学院七系，石家庄050003;军械工程学院七系，石家庄 050003;军械工程学院七系，石家庄050003;驻二四七厂军事代表室，太原 030009【正文语种】中文【中图分类】TH113.1;TN911.7齿轮传动作为机械设备中主要传动方式，其运行状态直接影响整个机械设备的运转情况。

基于数学形态学的齿轮箱故障诊断方法研究

基于数学形态学的齿轮箱故障诊断方法研究
基于数学形态学的齿轮箱故障诊断方法，是一种利用数字信号处理技术和数学形态学理论，对齿轮箱传感器得到的振动信号进行分析和处理，以实现故障诊断和预测的方法。

具体来说，该方法主要包括以下几个步骤：
1. 信号采集：通过齿轮箱传感器采集齿轮箱的振动信号，并将其转化为数字信号。

2. 信号预处理：对采集到的原始信号进行去噪、滤波、缩放等预处理操作，以消除干扰和提高信噪比。

3. 图像构建：将预处理后的信号转化为二值图像，在图像上建立形态学结构元素，以便进行形态学分析。

4. 形态学特征提取：基于数学形态学理论，提取图像中的形态学特征，例如面积、周长、凸壳等指标。

5. 特征分类：根据所提取的形态学特征，利用机器学习算法或人工经验进行分类和识别，以确定齿轮箱是否存在故障。

6. 故障预测：根据分类结果，分析齿轮箱的运行状态，进行故障预测、诊断和维修。

总的来说，基于数学形态学的齿轮箱故障诊断方法具有操作简便、可靠性高、诊断精度高等优点，是一种较为有效的齿轮箱故障诊断方法。

基于深度学习的齿轮箱故障模糊诊断方法

的同时袁降低了计算的复杂度遥文献 [11]利用深度学习来提取时频特征组成的联合特征向量袁从而实现对不同故障识别遥
本文构建一维卷积神经网络故障特征提取模型遥通过多层感知器对故障特征进行提取尧重构袁以达到对故障信号的有效表征袁提高故障识别的准确率袁并将模糊集合理论应用于多分类器中遥以平均隶属度作为判断故障程度的标准袁提高了故障诊断的精度袁并在实验中验证了本方法的有效性遥 1 卷积神经网络 1.1 基本结构
摘要院风电机组齿轮箱作为传动系统重要组成部分袁其运行状态关乎整个风电机组的健康运行遥由于齿轮箱振动信号具有非线性尧非平稳等特性袁传统时频分析方法分解故障信号和提取故障特征的能力有限遥因此袁文章提出将深度学习应用于齿轮箱故障诊断中袁通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取尧重构遥同时袁将模糊理论应用于分类器袁构建一个模糊多分类器渊FMC冤对故障进行识别袁提出了以平均隶属度作为故障等级判断标准遥实验结果表明袁文章所提方法在确保齿轮箱故障诊断高准确率的同时袁提升了故障分类的精度遥关键词院齿轮箱曰深度学习曰卷积神经网络曰模糊多分类器曰特征提取曰故障诊断中图分类号院 TK83 文献标志码院 A 文章编号院 1671-5292渊2020冤04-0484-07

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

中图分类号：ＴＫ４０７文献标志码：Ａ
Ｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｅｄｏｎｉｎｔｒｉｎｓｉｃｔｉｍｅ・ｓｃａｌｅ
类算法对齿轮箱故障进行识别与诊断，并将该方法应用到现场齿轮箱的诊断中。结果表明．诊断结果与实际情况完
全相符，该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度，为齿轮箱故障诊断提供了一种新的有效方法。关键词：固有时间尺度分解；模糊Ｃ一均值聚类；齿轮箱；故障；诊断
Ｂｅｒｉｎｇ１０２２４９，Ｃｈｉａ）ｎ
Ａｂｓｔｒａｃｔ：Ｃｏｎｓｉｄｅｉｎｒｇｔｈｅｎｏｎ — ｌｉｎｅａｒａｎｄｎｏｎ — ｓｔａｔｉｏｎａｒｙｃｈａｒａｃｔｅｉｓｒｔｉｃｓｏｆｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｏｆｇｅａｒｂｏｘ，ａｎｅｗｍｅｔｈｏｄｂａｓｅｄ
ｔｕｒｅｅｎｅｒｇｙｗａｓｃｌｃａｕｌａｔｅｄａｓｆａｕｌｔｆｅａｔｕｒｅｖｅｃｔｏｓ．Ｆｒｉｎｌｌａｙ，ｆａｕｌｔｓｏｆｇｅａｒｂｏｘｗｅｒｅｉｄｅｎｔｉｉｆｅｄｂｙｕｓｉｎｇＦＣＭｍｅｔｈｏｄ．Ｔｈｅｒｅ — ｓｕｈｓｓｈｏｗｔｈａｔｔｈｅｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓｏｆｇｅａｒｂｏｘａｒｅｔｏｔａｌｌｙｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｔｈｅａｃｔｕｌａｓｉｔｕａｔｉｏｎｉｎｔｈｅａｐｐｌｉｃａｔｉｏｎ．Ｔｈｅｎｅｗ
ｇｅａｒｂｏｘ ’ Ｓｆａｕｌｔｍｏｒｅａｃｃｕｒａｔｅｌｙａｎｄｅｆｆｅｃｔｉｖｅｌｙ．Ｆｉｒｓｔｌｙ，ｏｉｇｒｉｎａｌｖｉｂｒａｔｉｏｎｓｉｇｎｌｓａｏｆｇｅａｒｂｏｘｗｅｒｅｄｅｃｏｍｐｏｓｅｄｂｙＩＴＤｍｅｔｈ —
文章编号：１６７３ — ５００５（２０１３）０４－０１３３－０７
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－５００５．２０１３．４．００２２
基于ＩＴＤ和模糊聚类的齿轮箱故障诊断方法
ｏｄ．Ｔｈｅｉｆｒｓｔｆｏｕｒｐｒｏｐｅｒｒｏｔａｔｉｏｎｃｏｍｐｏｎｅｎｔｓ（ＰＲＣ）ｃｏｎｔａｉｎｉｎｇｔｈｅｍａｉｎｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｅｘｔｒａｃｔｅｄａｎｄｔｈｅＰＲＣｆｅａ —
段礼祥，张来斌，岳晶晶
（中国石油大学机械与储运工程学院，北京１０２２４９）摘要：为提高齿轮箱故障诊断的准确性与效率，针对其振动信号非线性和非平稳性的特点，提出将固有时间尺度分解（ＩＴＤ）和模糊聚类（ＦＣＭ）相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解，提取包含主要故障信息的前４个固有旋转分量（ＰＲＣ）．求取ＰＲＣ的特征能量作为故障特征向量。然后利用模糊Ｃ．均值聚
ｏｎｉｎｔｉｒｎｓｉｃｔｉｍｅ — ｓｃａｌｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＩＴＤ）ａｎｄｆｕｚｚｙｃｅｎｔｅｒ — ｍｅａｎｓｃｌｕｓｔｅｉｒｎｇ（ＦＣＭ）ｗａｓｐｒｏｐｏｓｅｄｉｎｏｒｄｅｒｔｏｄｉａｇｎｏｓｅ
ｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇ
ＤＵＡＮＬｉ — ｘｉａｎｇ，ＺＨＡＮＧＬａｉ — ｂｉｎ，ＹＵＥＪｉｎｇ－ｊｉｎｇ
（ＦａｃｕｌｔｙｏｆＭｅｃｈａｎｉｃａｌａｎｄＯｉｌ — ＧａｓＳｔｏｒａｇｅａｄｎＴｒａｎｓｐｏｒｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇｉｎＣｈｉｎａＵｎｉｖｅ￣ｉｔｙｆＰｏｅｔｒｏｌｅｕｍ，
２０１３年
第３７卷
中国石油大学学报（自然科学版）
ＪｏｕｒｎａｌｏｆＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＰｅｔｒｏｌｅｕｍ
Ｖｏ１．３７Ｎｏ．４
Ａｕｇ．２０１３
第４期