多重分形维数谱及其在内燃机故障诊断中的应用

采用小波模量极大值方法对缸盖振动信号去噪 ,计算数据的多重分形维数谱 ,将其用于刻划内燃机缸盖在气门不同状态时表现的非线性行为 ,从而对故障分类。结果表明 ,缸盖振动信号的多重分形维数谱当气门在不同状态时是不同的 ,可以将其作为判断气门状态的依据。     

分形维数在内燃机振动诊断中的应用

将分形理论引入内燃机的振动诊断中,根据内燃机的配气定时,着重研究了缸盖振动信号中对应燃烧段的数据,计算其关联维数,将关联维数用于刻划内燃机缸盖在气门不同状态时表现的非线性行为,从而进行故障诊断与分类。结果表明,当气门在不同状态时,缺盖振动信号中对应燃烧段数据的关联维数是不同的,可以将其作为判断气门漏气的一个诊断特征量。     

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。     

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.     

智能材料损伤检测的多重分形应用

多重分形谱所蕴含的信息比单一的分数维要深刻而全面,在解决实际问题中多重分形主要用来描述物理量不均匀的随机概率分布.在智能复合材料有损伤前后其内部受力的空间分布发生变化,利用多重分形方法将其量化,多重分形谱从平缓到陡峭的变化反映了分形结构复杂性的增加和材料内部应力分布不均匀性的增加.数据仿真计算结果和对在一块埋置有5×5传感光纤的复合材料试件实测数据的计算结果表明该方法的有效性与实用性.     

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。     

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。     

多重分形在旋转机械故障诊断中的应用

针对旋转机械故障特点 ,提出利用多重分形广义维数来描述信号特征 ;以振动信号模式空间样本库为基础 ,给出利用维数相关系数进行故障识别的旋转机械故障诊断方法。应用于圆盘故障诊断 ,效果令人满意     

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。     

基于多重分形的旋转机械振动故障检测方法

为获取更加准确的旋转机械振动故障检测结果,提出基于多重分形的旋转机械振动故障检测方法。通过建立旋转机械振动信号采集模型,获取振动信号,采用小波域维纳滤波算法对振动信号去噪处理。分析不同条件下的振动数据,同时引入多重分形方法提取旋转机械振动信号故障特征,通过核模糊C均值聚类算法区分正常信号和故障信号,最终实现旋转机械振动故障检测。实验结果表明,所提方法进行旋转机械振动故障检测率较高,漏检率较低,检测时间较短,可以快速准确地完成旋转机械振动故障检测。     

基于角域同步平均技术的内燃机失火故障诊断

在利用缸盖振动信号诊断内燃机失火故障时,由于发动机工作背景噪声复杂,必须消除信号中的非周期分量和随机干扰,保留与发动机工作循环有关的周期分量。为了解决时域同步平均方法在转速波动时振动信号存在的不同步问题,提出了以旋转角度信号作为同步触发基准的角域同步平均技术,对内燃机缸盖振动加速度信号进行了处理,有效地削弱了随机噪声的干扰。分析了缸盖振动信号中不同激励源产生的响应分量与发动机失火故障的关系,利用缸盖振动加速度信号中的各个瞬态冲击响应更加易于识别,能有效地对内燃机失火故障进行诊断。     

内燃机转速波动信号的测量方法及其应用研究

提出了两种测量内燃机转速波动信号的简单方法,探讨了提高测量精度的途径,介绍了用于内燃机故障诊断的一些测量和应用实例,给出了相应的特征提取和故障识别方法。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

基于时序分析与神经网络的气阀机构故障诊断

通过模拟柴油机气阀机构的两种主要故障 :气门漏气和气门间隙异常进行实验 ,采集缸盖表面的振动信号。利用时间序列分析方法对振动信号建立AR和ARMA模型 ,利用其参数及残差等指标作为特征参数 ,提取时域的均方根等指标。最后利用人工神经网络进行故障模式识别。结果表明方法是可行的 ,效果较好     

短时AR谱分析及在内燃机故障诊断中的应用

针对利用传统短时Fourier变换(STFT)进行时频分析时不可能同时得到任意高时域分辨率和频域分辨率的问题,提出对传统的短时Fourier变换进行改进,在短时Fourier变换的计算中,利用自回归(AR)谱估计代替离散Fourier变换(DFT),得到了一种基于AR谱估计的短时AR谱分析方法。应用该方法对内燃机气阀机构的故障进行了分析,结果表明短时AR谱分析的估计性能大大改善,能够较好地给出信号的时频分布表示。     

图像处理在内燃机故障诊断中的应用研究

在应用图像处理进行故障诊断的基础上 ,探讨了应用这一技术进行内燃机故障诊断与状态监测时应注意的一些问题。指出利用缸盖振动信号小波包分解后的时 -频分布图的灰度直方图进行故障诊断的效果并不好 ,并分析了原因 ;进行了信号加噪声与不加噪声的诊断效果对比 ,发现噪声对基于图像处理的气阀机构故障诊断的影响不大 ,验证了这一方法的工程实用性和可行性     

基于Hilbert-Huang变换和多元状态估计技术的内燃机气缸压力识别

提出了一种新的内燃机气缸压力识别方法。为了实现对内燃机运行状态的实时监测与故障诊断,通过缸盖振动信号反演内燃机气缸压力曲线是一种行之有效的重要手段;本文在对缸盖振动信号特性进行分析的基础上,应用Hilbert-Huang变换对缸盖振动信号进行模态分解,提取最能反映内燃机气缸压力变化特性的振动本征模态分量;使用多元状态估计技术(MSET)建立该振动本征模态分量的Hilbert谱与气缸压力信号之间的非线性非参数回归模型;利用所建立的模型从缸盖振动信号中重构出内燃机气缸压力曲线。试验结果表明,基于Hilbert-Huang变换和MSET的气缸压力识别方法简单有效,可满足对内燃机的实时监测需求。     

广义自适应小波在内燃机诊断中的应用

对自适应小波（ＡｄａｐｔｉｖｅＷａｖｅｌｅｔｓ）分析理论加以推广，提出了广义自适应小波分析技术理论（ＧｅｎｅｒａｌｉｚｅｄＡｄａｐｔｉｖｅＷａｖｅｌｅｔｓ），并应用基因遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ，简称ＧＡｓ）实现了振动信号的广义自适应小波分析。计算机仿真结果表明ＧＡｓ用于自适应小波和广义自适应小波分析是十分有效的方法。最后，应用广义自适应小波分析对内燃机进行了诊断，证明了该技术的工程实用性和有效性     

ART网络在内燃机故障诊断中的应用

对缸盖振动信号进行二进小波分解,从分解后的尺度1信号中提取诊断特征参数,利用这些诊断参数及改型的ART网络对气阀机构进行故障诊断与识别,取得了较好的效果。