分形理论应用中无标度区自动识别方法

为提高分形维数的计算精度和效率,减少分形无标度区确定中的主观因素,基于分形维数计算中的关联积分算法,综合利用具体时间序列和拟合点数等信息,建立故障诊断中分形无标度区的一种自动识别方法。运用该方法对所测得的两台航空发动机在不同工况、不同转速下的振动数据进行分析计算,给出分形无标度区的上、下限和关联维数,并与一般方法的计算结果进行对比。计算结果表明,无论实测时间序列无标度区跨度大小如何变化,应用本方法均能很好地识别,区间内曲线的线性度较好,且该自动识别方法简单、高效、准确、适用性强。需指出的是,该方法确定的无标度区附近的值有可能属于无标度区,故它对无标度区的选择趋于保守。     

基于遗传算法的轴承信号分形无标度区的截取

将遗传算法应用于分形无标度区的截取上，实现了无标度区的快速、准确的截取。在实际应用中，对轴承振动信号进行无标度区的截取，进而用G-P算法计算振动信号的关联维数，从结果中可以看出正常振动信号与故障振动信号之间有着明显的差异，为轴承故障诊断提供一个比较可信的判断依据。     

一种辨识磨粒群分形无标度区的新算法

针对磨粒群分形维数计算精度偏低,且无标度区辨识过程中容易出现局部最优的问题,提出了一种辨识无标度区的新算法。首先利用模拟退火K-means算法对磨粒群r～N(r)(尺度~测度)双对数曲线的一阶局部导数聚类,剔除一阶导数为0及波动很大的区间,然后利用模拟退火K-means算法对曲线的二阶局部导数聚类,识别出精确的无标度区间。应用新算法对典型的分形图形进行了分形维数计算,计算结果与理论值吻合度较高;同时应用新算法对磨粒群的分形无标度区进行了辨识。研究表明：磨粒群的分形无标度区较宽,新算法对磨粒群等多孔图形的无标度区辨识效果较好,能显著提高磨粒群分形维数的计算精度。     

分形理论中无标度区间的识别方法

针对不规则分形维数求解过程中线性无标度区间不易寻找,提高分形维数的计算精度和效率,减少无标度区间确定时的主观因素,基于关联积分算法计算分形维数,建立了故障诊断中分形无标度的一种自动识别的算法。该算法在保证计算精度的前提下,由于对于数据长度依赖性不强,大大提高了运算效率,并且在实验中证明了其可行性。计算结果表明,应用本方法能够很好地识别无标度区间,区间内曲线线性度很好。这样要说明的是,由于此方法比较保守,在无标度区边缘外的位置也有可能属于无标度区。     

故障诊断中的多重分形分析

建立了模拟实际故障的实验装置,采集了碰摩故障、油膜振荡及碰摩和油膜振荡相互作用的耦合故障振动信号。运用多重分形理论,对实测故障信号计算出多重分形广义维数,重点讨论广义分形维数谱和奇异谱,并提出广义维数谱能和奇异谱能的概念,并以两谱能作为特征量,实现对故障特征的提取与识别。研究表明:将广义维数谱能和奇异谱能结合使用,有利于分析识别故障信号,增强可靠性。该研究为复杂旋转机械故障诊断提供了一种识别方法。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

基于多重分形谱和灰色模型GM(1,1)的齿轮接触疲劳寿命预测

开展齿轮接触疲劳寿命预测对齿轮传动系统维护和使用具有重要意义。基于渐开线直齿轮接触疲劳台架运转试验采集的振动信号,应用多重分形去趋势分析对振动信号进行了分析,得到了多重分形谱,并构建了多重分形谱宽度指标用来表征齿轮接触疲劳退化;在此基础上,应用灰色模型GM(1,1),建立了齿轮接触疲劳寿命预测模型;结合试验数据对寿命预测结果进行了验证。结果表明,提出的寿命预测方法具有较高的预测精度,预测结果可作为齿轮寿命估计的参考。     

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.     

基于多重分形的风力机主轴承故障诊断应用

大型风力机主轴承系统动力特性复杂,表现出强烈的非线性、强耦合和时变特征,故障特征信号被噪声调制污染,难以提取。基于多重分形对风力机主轴承系统故障诊断进行了研究,方法表明多重分形奇异谱的谱峰、谱宽值对不同故障变化敏感,其识别率比传统方法或单一的分形维数更有效。该方法不依赖风力机主轴承系统的数学模型,对整体系统信息状态反映直观,有助于大型风力机这样的复杂动力特性状态的早期识别。某风场3WM大型风力机主轴实验结果证明该方法快速、有效。     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

基于小波包分解和分形理论的齿轮故障诊断系统

将采集到的信号经过小波包降噪后再由小波包分解成几段,计算每段的关联维数,利用分形分类理论对待测信号进行状态识别,判断齿轮的故障。     

基于改进证据理论的齿轮泵故障诊断方法研究

针对齿轮泵早期故障信号的不确定性,提出了一种基于改进证据理论的故障诊断方法。首先改进了证据理论,提出了基于特征参数灰色关联分析的基本概率赋值函数生成方法,解决了证据理论在故障诊断中原始证据生成问题;其次,定义了证据之间的夹角余弦,利用冲突证据判据对原始证据进行冲突性检验,对于冲突证据通过可信度进行局部修正,保留可信证据。最后对修正后的证据进行融合。多传感器振动特征融合实验结果验证了改进方法具有较高的诊断正确性。     

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。     

Mechanical Fault Diagnosis Based on Band-phase-randomized Surrogate Data and Multifractal

The vibration signals of machinery with various faults often show clear nonlinear characteristics.Currently,fractal dimension analysis as the common useful method for nonlinear signal analysis,is a kind of single fractal form,which only reflects the overall irregularity of signals,but cannot describe its local scaling properties.For comprehensive revealing of internal properties,a combinatorial method based on band-phase-randomized(BPR) surrogate data and multifractal is introduced.BPR surrogate data method is effective to eliminate nonlinearity in specified frequency band for a fault signal,which can be utilized to detect nonlinear degree in whole fault signal by nonlinear titration method,and the overall nonlinear distribution of fault signal is displayed in nonlinear characteristic curve that can be used to analyze the fault signal qualitatively.Then multifractal theory as a quantitative analysis method is used to describe geometrical characteristics and local scaling properties,and asymmetry coefficient of multifractal spectrum and multifractal entropy for fault signals are extracted as new criterions to diagnose machinery faults.Several typical faults include rotor misalignment,transversal crack,and static-dynamic rubbing fault are analyzed,and the results indicate that those faults can be distinguished by the proposed method effectively,which provides a qualitative and quantitative analysis way in the field of machinery fault diagnosis.     

基于多重分形的往复压缩机分级诊断研究

应用多重分形理论实现了往复压缩机振动信号的故障特征提取。广义维数Dq作为故障特征参数能够很好地反映往复压缩机的工作状态。广义维数谱中Dq的最大值与最小值之差△Dq反应了振动信号波动的大小,通过比较压缩机两级正常与故障状态下的△Dq之差,可以评定哪一级出现了故障,实现往复压缩机运行状态的分级诊断。对多种故障类型的大量数据分析验证了此方法的有效性。     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

往复压缩机多重分形故障特征提取

实现了基于多重分形的往复压缩机振动信号的故障特征提取。针对往复压缩机振动信号的非线性和非平稳性,使用多重分形谱和广义维数对压缩机振动信号进行分析,从中提取可识别的故障特征。分析结果发现多重分形谱中的△α值和广义维数Dq作为故障特征能够很好地反映往复压缩机的工作状态,为往复压缩机的故障特征识别提供了必要依据。     

基于BP神经网络的齿轮故障诊断

通过介绍神经网络的模型算法,根据齿轮的四种故障类型,采用BP神经网络对其进行训练和诊断,得到了较为理想的结果,为及早发现和预防机械故障提供了可靠的理论依据。