滚动轴承外圈失效的盒维数与信息维数特征

旋转机械故障诊断的关键在于故障特征的提取,由于轴承振动信号的非线性与非平稳性,传统平稳信号处理方法在故障特征提取中存在不足,而多重分形等非平稳方法存在计算冗余。认为故障状态下轴承振动信号的空间的占布与概率密度均发生变化,因此可采用盒维数与信息维数描述故障特征。在此基础上,借助美国辛辛那提大学IMS中心公开的全寿命轴承实验数据,分别分析了滚动轴承外圈在正常和故障情况的信息维数和盒维数,认为:在故障状态下,轴承振动信号的信息维数与盒维数均有降低,这一特点有利于提高故障模式的可分性。     

基于小波包和分形盒维数的滚动轴承故障诊断

为诊断滚动轴承不同部件产生的故障,针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数。实验结果表明,滚动轴承不同的故障类型具有不同的盒维数。正常滚动轴承盒维数最大,依次为滚珠故障盒维数、内环故障盒维数,外环故障盒维数最小。分形盒维数能定量地识别滚动轴承不同部件的故障,提高滚动轴承故障诊断的准确率,为滚动轴承智能故障诊断提供可靠依据。     

基于分形和小波包理论的滚动轴承故障诊断

为了提高滚动轴承故障分形诊断的准确性,利用仿真信号对不同数据长度和不同信噪比下信号的盒维数和关联维数的差异进行对比,发现两种分形维对不同信号具有不同适应性;利用基于小波包分解能量图的特征信号强化技术,突出含噪轴承振动信号的故障信息特征,并对消噪前后振动信号盒维数进行计算和对比。分析结果表明,分形盒维数比关联维数更适用于分析含噪较重的信号;滚动轴承故障振动信号盒维数小于正常信号盒维数;相比原始信号,经小波包提取后不同类型故障振动信号的盒维数区分更为明显,诊断结果更加准确直观。     

EEMD和分形组合技术对ECS涡轮轴承故障特征提取的研究

针对飞机环控涡轮轴承运行时的非线性动力学特性,为了更加准确地分析轴承的故障,从振动信号分析的角度,提出基于EEMD和分形维数相结合的轴承状态特征量提取方法。先对轴承正常、内圈故障、外圈故障和保持架故障等不同运行状态下的振动信号进行EEMD分解,滤除噪声信号,提高信噪比,以减小背景噪声对分形的不利影响。然后对去噪信号再进行相空间重构,计算其关联维数并进行对比分析。实验结果表明:关联维数作为非线性几何不变量可以作为环控涡轮轴承运行状态的特征量;该方法能够准确有效地识别轴承的运行状态。     

多重分形方法在耦合故障诊断分类中的应用研究

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析,找出谱能量与分形维数的关系,对用分形维数分析故障的强度提供了依据。另外运用广义维数序列和数学方法相结合提出分形诊断分类方法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数据与理论响应模拟数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数中提取的各分形维数都能较好地对故障状态进行诊断、识别;且耦合故障的分形诊断分类方法具有较好的实效性。     

广义分形维数在旋转机械故障诊断中的应用研究

运用分形理论，提出广义维数最小二乘法的计算公式，对实测的时域信号进行了广义维数计算，从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析，提出谱能量与分形维数的关系，为用分形维数来分析故障的强度提供了依据。运用广义维数序列和数学方法相结合提出分形诊断分类方法，并通过实例诊断、识别故障及其故障程度，说明该方法具有较好的实效性。     

旋转机械动态特性的分形特征及故障诊断

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数,对故障样本进行广义维数计算分析,找出用分形维数分析识别故障的依据。此外,运用广义维数序列和数学方法相结合提出分形诊断分类方法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数据与动态振型数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数中提取的各分形维数都能较好地对故障状态进行诊断、识别,且耦合故障的分形诊断分类方法具有较好的实效性。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

基于小波分形技术提取发动机曲轴轴承故障特征

利用小波技术对发动机曲轴轴承振动信号进行分解,对特定层的信号进行重构,并计算重构信号的分形维数,来实现发动机曲轴不同技术状态下特征提取。实验结果表明,特定频率带振动信号的分形维数更能敏感反应发动机曲轴轴承技术状态,它可以作为诊断发动机曲轴轴承故障的一个重要特征量。     

基于LMD和时频谱分形维数的断路器机械故障诊断方法

声振信号承载着断路器操动过程的机械传动信息,准确提取其特征是断路器机械故障诊断的前提。针对断路器分闸操动的几种典型故障,提出一种基于局部均值分解(local mean decomposition, LMD)和图像分形处理相结合的断路器机械故障诊断方法。首先将声振信号进行小波软阈值去噪处理,然后利用LMD获得PF分量,由归一化能量确定包含主要信息的PF分量,并分析PF主分量时频谱纹理分布特性,最后提取时频谱的分形盒维数作为故障特征。实验表明:断路器不同故障类型下声振信号主分量的时频谱分形盒维数分别处于不同范围内,盒维数特征构成的坐标向量与断路器故障类型之间一一对应。     

基于多个无标度区多重分形理论的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多个无标度区的多重分形理论与神经网络相结合的机械故障诊断方法。该方法采用多重分形理论计算齿轮振动信号的多分形谱和广义分形维数,并将多分形谱能和广义分形维数谱能作为特征量,构成二维特征向量。将该特征向量作为概率神经网络的输入参量,并对采自齿轮故障台的振动信号进行故障分类。实验证明,与单一无标度区多分形谱理论特征提取方法相比较,所提出的方法能更精密刻画振动信号特征,并获得更高的识别率。     

基于分形理论的机械故障诊断的应用研究

将分形的有关理论与机械故障诊断联系起来,论述了分形维数的基本概念,介绍了网格维数及其求取方法。通过对模拟信号、齿轮振动信号进行分形诊断表明,分形网格维数诊断可以模糊诊断出到底是哪一部分最有可能发生故障,证实了分形网格维数的普遍性和通用性。分形网格维数诊断方法能有效地诊断齿轮局部故障,具有广泛的应用前景。     

基于故障征兆分形特征的神经元网络学习及诊断方法的研究

一、前言对于现代设备的故障诊断技术，故障特征的描述及分析，依然是诊断的关键所在。但是由于设备现场信号的复杂性，使得在利用常规分析手段进行故障特征提取时遇到困难。近代数学的发展，一种新的几何学──“分形几何学”应运而生，它是用于研究和处理自然界中不规则图形的强有力的理论工具，分形的刻划是通过分形维数来加以定量描述的。目前已提出的分形维数有柯尔莫哥洛夫容量维数、信息维数、关联维数、豪斯道夫维数、相似维数、盒维数、傅里叶维数、模糊维数、函数图的维数等等。本文针对旋转设备振动时序，进行了关联维数分析。故…     

基于形态分形维数与改进ELM的轴承故障预测

将形态分形维数作为轴承故障预测特征量,形成轴承故障预测特征量序列。同时,为优化极限学习机(ELM)预测模型,综合考虑模型的精度、预测趋势及稳定性,提出一种序列关联度系数及其计算方法,对ELM预测模型进行优化,并利用提取的故障预测特征量序列对模型进行训练。用轴承全寿命数据进行验证,结果表明,形态分形维数的变化情况较好反映了轴承性能退化的过程,改进的ELM预测模型实现了对轴承故障的有效预测,且其精度及稳定性较原始ELM预测模型有一定提高。     

分形在齿轮磨损监测中的应用

将分形理论用于齿轮磨损的监测,从工程应用角度介绍了振动信号盒维数的计算方法。通过对齿轮振动信号分形维数的计算,揭示了分形维数与信号复杂程度之间的内在联系。结果表明:随齿轮磨损的增加,齿轮振动信号盒维数呈下降趋势,运用振动信号的分形维数特征可有效实现齿轮磨损监测。     

碰摩耦合故障诊断识别的分形方法研究

为了研究碰摩故障、油膜振荡及碰摩和油膜振荡相互作用耦合故障,建立了模拟3种故障的实验装置,采集了故障振动信号。运用多标度分形理论,计算了故障振动信号分形维数并绘出广义维数谱,由此提出广义维数能谱的概念,并以广义维数能谱作为特征量,实现了对3种故障特征的提取与识别。提出了用广义维数能谱作为分析识别故障信号的判据,为复杂旋转机械故障诊断提供一种识别方法。     

形态学多尺度广义分形矩阵在轴承故障诊断中的应用

针对轴承故障信号非线性特征提取的问题,提出一种形态学多尺度广义分形矩阵对轴承故障信号进行表征。形态学多尺度广义分形矩阵采用数学形态学覆盖法估计信号的分形维数,同时考虑信号在尺度和统计分布上的非严格自相似性,包含比传统分形维数更为丰富和全面的信息。采用轴承7种状态下的振动信号对形态学多尺度广义分形矩阵进行验证,结果表明:与传统的单一分形维数、广义分形维数和多尺度分形维数相比,形态学多尺度广义分形矩阵具有更高的轴承故障诊断精度。     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

分形参数对轴心轨迹的影响

研究了分形参数对轴承轴心轨迹的影响.通过表面粗糙度理论综合均方值与分形参数的关系,把分形参数引进轴心轨迹的计算中,研究了分形维数和特征长度对轴颈位置分量和轴心的影响.研究表明： 分形维数和特征长度对轴颈位置分量产生一定的影响; 随着分形维数的增加,轴心轨迹逐渐向轴承中心靠近,但随着分形维数的继续增加,可能存在一个影响它们的极限分形维数,从而使轴心轨迹几乎保持不变,而特征长度对轴心轨迹影响不大.     

齿轮故障信号多重分形维数的形态学计算方法

针对传统的多重分形维数计算方法的缺陷,提出基于数学形态学操作的多重分形维数计算方法,并证明了与盒计数法计算多重分形维数的一致性.对实际的齿轮正常、齿面磨损故障和断齿故障信号进行了分析,结果表明,与盒计数法相比,基于数学形态学计算的多重分形维数能够准确区分齿轮的工作状态,并且数学形态学只涉及简单的加减和取大、取小运算,计算更加简单、快速.