基于混沌特征和支持向量机的内燃机故障诊断

为解决内燃机故障诊断这一复杂问题,对6110型柴油机进行气门间隙故障模拟试验,测得振动信号,并计算其关联维数、最大Lyapunov指数、Kolmogorov熵3个混沌特征和它们的统计特征,作为故障特征量,利用支持向量机对故障进行识别。结果表明,用单一的混沌特征识别故障类型,效果较差;将统计特征与混沌特征共同作为故障的特征向量,效果较好。     

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。     

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。     

基于混沌理论的滚动轴承故障诊断研究

采用小波包分析的方法对滚动轴承振动信号进行处理,提取滚动轴承特征信号,进一步应用混沌与分形方法研究了故障信号的混沌性,通过计算信号混沌特征量—关联维数,找出了内圈、外圈及滚动体状态信号在正常状态、轻微磨损状态、中度磨损状态、严重磨损状态下关联维数对故障状态的反应。实验结果印证了混沌方法用于研究该类型故障信号的可行性。     

基于混沌分形理论的传动轴振动信号分析

将混沌分形引入传动轴振动信号的故障分析中，用关联维数来刻画振动信号的故障特征。通过对试验获取的传动轴振动信号进行分析计算，确定了分形维数与传动轴故障程度之间的联系。计算表明，传动轴振动信号具有分形特征，且分形维数均在2维与3维之间，随着传动轴不平衡加剧，它向3维逼近。当样本点达到一定数目时，计算结果的稳定性好。     

基于振动信号的车用发动机运行状态预测

考虑到车用发动机结构复杂、振源较多，振动信号为非平稳信号的特点，文中利用混沌与分形理论对多组不同运行状态的振动序列进行研究，探讨关联维数与运行状态之间的内在联系，并利用混沌与神经网络相结合的方法对主要状态参量进行单变量及多变量预测。实验结果表明，关联维数能敏感反应发动机的磨损状态，而多变量的预测效果比单变量效果理想。     

基于分形理论的滚动轴承故障诊断研究

针对滚动轴承振动信号的特点，从分形原理出发，利用分形维数的概念，对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的定量描述。试验结果表明，滚动轴承不同故障出现时，其分形维数明显不同。因此，可以利用分形维数有效地诊断出滚动轴承的故障。     

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。     

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。     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

基于多尺度Hermitian小波包络谱的轴承故障诊断

提出了一种基于多尺度Hermitian小波包络谱的轴承故障诊断方法。该方法综合利用了Hermitian小波和包络谱分析技术的优点,首先对轴承故障振动信号进行Hermitian连续小波变换,得到小波分解的实部和虚部,然后计算振动信号的多尺度包络谱。对齿轮箱轴承故障振动信号的分析表明,该方法在强噪声环境下能有效识别轴承内圈故障和外圈故障。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

基于关联维数的滚动轴承故障诊断的研究

针对滚动轴承系统产生的非线性振动信号的特点，提出用关联维数来描述轴承振动信号的工作状态，进而对其进行故障诊断的方法。同时详细讨论了关联维数的计算方法，并对由轴承系统产生的非线性振动信号进行了关联维数的定量计算。实验表明，滚动轴承不同工作状态由不同的动力学机理产生，其关联维数明显不同。以关联维数作为滚动轴承的工作状态监测的依据，可以为提高滚动轴承故障诊断的准确率提供了一种有效的新方法。     

机械不平衡及轴瓦间隙对水轮机运行稳定性的影响分析

机械不平衡及间隙过大等问题是水力机械不平衡的主要原因,通过对45 MW轴流转桨式水轮机进行稳定性试验,包括空载、变转速以及变负荷试验,并对监测到的振动和摆度数据进行频谱分析以及主轴轴心轨迹分析,发现机组同时存在转子质量不平衡问题及间隙过大问题。为降低机组振动及摆度幅值,通过键相位法快速确定机组的质量不平衡点,并进行配重;又根据轴心轨迹特性逐步调整上导及水导间隙。通过三次配重试验,最终确定配重质量为36 kg,结合轴瓦间隙调整,上机架、顶盖等部位的振动幅值以及上导和水导的摆度幅值均有效降低至安全运行范围,提高了机组的运行稳定性。通过试验,验证了联合分析振摆特性和轴心轨迹对于综合判断机组多重因素引起振动问题的有效性,介绍了剔除干扰因素并确定直接影响因素的试验和分析方法,能够有效降低试验次数,快速确定故障原因,并提高故障诊断的准确率。     

摩擦学系统的混沌特性

为了充分认识摩擦学系统的复杂性质,对摩擦学行为的混沌性进行了定量研究。在销-盘试验机上试验提取摩擦力和摩擦振动的时序信号,以此为研究对象,运用功率谱、分形维数和Lyapunov指数三种方法联合证明了这两种摩擦信号的混沌特性。研究表明,摩擦力和摩擦振动信号具有连续宽带的功率谱、分数维数和正的Lyapunov指数,即具有混沌行为的基本特征,从而证明了摩擦学系统的混沌性质。     

基于现代非线性理论的汽轮发电机组故障诊断技术研究

运用小波理论、分形理论和混沌理论等非线性理论,对汽轮发电机组转子故障进行了综合分析和研究。对 所测某28 MW发电机组转子在三种不同工作状态下的时间序列进行了关联维数计算、小波包分解以及最大李雅 普诺夫指数计算,并结合其相轨迹图和庞加莱截面进行了分析与研究。结果表明,小波包分解重构技术具有很强 的消噪和非平稳信号提取能力;发电机组转子在不同工作状态下其时间序列的关联维数、李雅普诺夫指数具有明 显差别,且两量值相互补充、相互对应。由此提出:关联维数、最大李雅普诺夫指数可以作为刻画发电机组机械 故障特征的综合量化指标。该研究为非线性运动系统的在线监测、故障诊断和状态预测开辟了有效途径。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题，首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法，该方法针对Cohen类时频分布存在的交叉干扰项问题，通过阈值筛选法确定VMD算法的分解层数，从而将内燃机振动信号分解成一系列单分量模态信号，然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取，将提取的特征与振动信号时域参数进行特征融合，得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选，然后对特征向量进行训练和测试，实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验，结果表明，该方法能够对不同工况振动信号进行有效识别分类。通过参数优选，最高识别率达到了99.17%，同时对比传统的最近邻分类器的分类结果，证明了该方法的优越性。     

基于形态提升小波变换的滚动轴承故障特征提取

为有效提取表征轴承故障的脉冲特征,提出采用形态提升小波变换对轴承故障信号分析的方法.仿真信号和实际滚动轴承故障信号的分析结果证明了形态提升小波变换提取信号脉冲特征的有效性.与传统的线性小波变换方法相比,形态提升小波的脉冲信号保持和抗噪声能力较强,可以识别出传统小波不能识别的轴承故障状态,同时形态提升小波变换只涉及加、减和比较运算,计算更加简单、快速,可应用于轴承故障的在线监测与诊断.     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。