基于EEMD及分形方法的轴承振动信号分析

为对具有强烈非线性特征的轴承振动信号做出准确的故障识别,基于分形理论,采用辅助经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对信号进行降噪预处理,采用G-P算法分析轴承不同状态下振动信号关联维数。研究表明:基于EEMD的降噪方法可有效对振动信号进行降噪;轴承工作状态不同,其振动信号关联维数具有明显的可区分性,当轴承处于外环故障时,其关联维数最大为4.7,当轴承处于滚珠故障时,其关联维数最小仅为3.0,当轴承处于正常/内环故障时,其关联维数分别为4.0/3.2。因此,利用关联维数能定量识别轴承的不同故障状态及位置。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于改进小波阈值及多重分形的风力机轴承振动信号分析

针对风电机组传动系统时变转速及强噪声干扰等运行特点,首先采用改进小波阈值降噪方法,对风力机齿轮箱轴承振动信号进行降噪预处理,然后基于分形理论,计算变转速轴承振动信号盒维数及多重分形谱,定量描述轴承不同状态下振动信号的特征信息。结果表明:基于改进阈值与硬阈值函数相结合的小波阈值降噪方法对振动信号进行降噪预处理,其降噪效果优于传统的4种阈值选取原则;多重分形去趋势波动分析方法对于定速及变速轴承均能进行有效的故障识别;谱函数最大值所对应的奇异指数α(f_(max))当轴承处于内环故障时最小,可有效判断轴承运行状态及故障位置,能对轴承不同的故障状态做出准确的判断。     

基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。     

基于优化变分模态分解与混沌分形融合的滚动轴承故障识别

为精确识别滚动轴承故障类型,针对强非线性及非平稳性信号,分析其混沌特性,结合Lyapunov指数提出优化变分模态分解(OLVMD)方法,利用该方法实现降噪并选取敏感分量重构故障信号。引入分形理论,采用拟合偏差平方和方法对传统的关联维数计算方法进行改进,计算轴承不同状态下的混沌关联维数,并分析了损伤轴承实验数据。结果表明：OLVMD方法可有效剔除无关分量,消除冗余影响;不同状态轴承的关联维数具有显著差异,关联维数可作为轴承工作状态监测与诊断的依据,且该方法有良好的鲁棒性和泛化性。     

基于形态学分形和极限学习机的风电机组轴承故障诊断

风力发电机组滚动轴承工况往往比较恶劣,其故障振动加速度信号具有非平稳、非线性的特性,而传统的时频域方法提取故障特征时存在不准确、适应性差等问题,针对此提出一种基于局部均值分解(LMD)和形态学分形维数的特征提取算法,并结合极限学习机(ELM)完成风电机组轴承故障诊断。该方法同时考虑滚动轴承在不同损伤程度以及不同故障类型下的情况,首先将原始振动信号进行LMD自适应分解为一系列不同频率的乘积分量(PF);接着计算所有分量与原信号的相关性系数,选择相关系数值最大的前3个PF分量作为敏感变量;并利用形态学覆盖估计所选PF分量的分形维数,构建故障特征向量组;之后将其作为ELM的输入,将轴承状态作为输出,建立ELM轴承状态识别模型。最后使用西储大学平台轴承数据和实际风场采集故障数据对算法进行验证,结果表明,该方法能够有效识别轴承不同损伤程度以及不同故障,整体识别率达到99%以上。     

基于多重分形去趋势波动分析的风力机轴承故障诊断

风力机传动轴轴承振动信号具有典型的非平稳和非线性特征,传统状态监测及故障诊断方法难以同时满足故障程度识别及部位诊断的需求。为此,针对定速轴承故障数据及变速的风力机轴承故障数据,采用多重分形去趋势波动分析方法,分析轴承在正常和不同故障状态下振动信号的多重分形特征,采用3种多重分形谱参数以表征振动信号的分形特征,结果表明:多重分形去趋势波动分析方法对于定速轴承和变速轴承均能进行有效的故障状态识别;轴承振动信号具有典型的多重分形特性,且较之正常状态,故障状态下多重分形特性更为明显,多重分形谱函数峰值对应的奇异指数更小,且当轴承处于内环故障时最小时,说明该参数可有效判断轴承运行状态及故障位置。因此,通过多重分形去趋势波动方法可获取故障特征参数,为风力机轴承故障诊断提供理论基础和实现途径。     

柴油机气门故障信号的双谱图形分形维数分析

气门间隙异常是柴油机常见机械故障之一,对其进行准确的诊断对提高柴油机的使用寿命具有积极的作用.针对柴油机气门间隙异常的问题,在某直列6缸柴油机上模拟了不同气门故障,提出了基于双谱估计、图像处理以及分形理论相结合的故障诊断方法.该方法首先利用双谱估计对非线性、非高斯信号的敏感性质,分析了不同故障状态下振动信号中非高斯成分及二次相位耦合特性,然后通过图像处理技术将双谱图表示为以像素位置及对应颜色强度构成的三维空间曲面,最后利用分形理论提取该曲面的分形盒维数作为故障特征.结果表明:不同状态下柴油机振动信号的双谱及其图像分形维数明显可分,正常状态下的双谱峰值分布最为复杂、分形维数最大,故障状态下的分形维数分别处在不同的范围.因此,以振动信号的分形维数作为特征值可实现柴油机气门故障诊断.     

基于卷积神经网络风力机轴承混沌空间故障分析与诊断

针对风力机轴承振动信号的非线性特点，对轴承不同工作状态振动信号进行相空间重构，还原信号非线性动力学特性；通过计算获取嵌入维数和延迟时间以构建二维混沌相图，并以不同工作状态的混沌相图作为样本，输入二维卷积神经网络开展学习建模，构建相空间-卷积神经网络故障诊断模型。结果表明：轴承不同状态振动信号具有明显的混沌特性，二维混沌相图具有不同的非线性表征；二维相图随故障程度变化而变化，但保持原有的“相形”；以相同尺寸二维相图，结合卷积神经网络构建故障诊断系统，不仅对相同故障程度的工作状态准确度高，且当同一故障其程度不同时，也非常精准，表明所提出故障诊断模型具有良好的泛化能力。     

基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

燃气轮机滚动轴承故障及振动传递特性研究

针对燃气轮机动力涡轮转子系统中滚动轴承故障高发的问题,基于赫兹接触理论建立了滚动轴承故障激励力模型,并验证了其准确性。基于有限元法建立了转子-轴承-机匣-固定平台整机模型以揭示振动传递特性。频域分析结果表明：单故障条件下不平衡激励力与滚动轴承故障激励力是单向耦合的关系;双故障条件下,若故障点直径相同,加速度信号中滚子故障主要频率对应的加速度幅值最大,外圈故障主要频率对应的加速度幅值最小。     

基于LabVIEW的汽油发动机振动故障诊断系统设计

基于虚拟仪器技术,利用LabVIEW编写了针对汽油机振动信号进行采集分析的程序。针对汽车发动机振动信号的非线性特点,将分形理论应用于发动机的故障诊断。利用G-P算法对采集到的振动信号进行计算、分析,借助Matlab提取振动信号分形维数,并通过分形维数判断发动机的状态,本文总结了在正常状态和6种故障状态下的分形维数的变化范围,最后通过实例验证了利用分形理论可以较为准确地对发动机进行不解体故障诊断的有效性。     

车用发动机运行状态的模糊聚类与识别

利用混沌理论对车用发动机多组振动信号进行相空间重构，计算出不同运行状态的关联维数，同时结合各状态的振动平均值、峰峰值、燃料敲缸系数及机械敲缸系数组成状态向量样本。在此基础上，利用模糊C-均值的方法对样本数据进行聚类分析，得到标准状态向量，从而实现发动机当前状态的模糊识别。试验结果表明这一分析方法可为发动机的故障监测和及时维修提供可靠依据。     

高斯矩Fast ICA算法在风机振动信号去噪中的应用

设置了转子不平衡、联轴器不对中、风机基座松动、转子径向摩擦和轴承内圈磨损等5种故障,针对风机的振动问题进行了实验研究.在简要分析ICA理论及其算法的基础上,提出应用基于高斯矩的Fast ICA算法对模拟信号及实测离心式风机振动信号进行去噪处理,并分别与EMD及db8小波的滤波去噪效果进行定量比较.结果表明:Fast ICA方法与EMD方法和小波方法一样,能有效地处理短时瞬态及含宽带噪声的信号,但Fast ICA方法不受去噪阈值的影响,也不需要选择小波基函数,更具有通用性和稳定性.     

柴油机振动信号分形特征诊断的改进算法

分析了目前利用振动信号的分形特征进行柴油机状态诊断中,影响分形维数计算结果一致性的因素,并根据柴油机故障诊断的特点,在柴油机振动信号提取时,利用等角域跟踪采样方法消除转速波动对采集振动数据产生的变化;然后,在关联维数计算时,针对分形无标度区间的截取提出了采用多段平均加阈值的计算方法来扩大无标度区的范围,为分形无标度区间的截取提供一种新的方法。通过仿真数据和实际测试数据对研究方法进行了验证。     

不同润滑状态摩擦力矩分形行为研究

针对缸套-活塞环磨合过程摩擦力矩的变化特点,提出一种用分形维数描述摩擦力矩信号复杂性的新方法。从工程应用角度介绍摩擦力矩信号盒维数的计算方法,通过试验研究了缸套-活塞环磨合过程中摩擦力矩信号盒维数的变化规律。结果表明：随磨损失重的增加,摩擦力矩信号盒维数呈上升趋势,且在不同的磨损状态下,摩擦力矩信号盒维数上升趋势不同,运用摩擦力矩信号盒维数可有效地评价磨合磨损过程。     

Diagnosis method based on wavelet coefficient scale relativity correlation dimension for fault

Correlation dimension as a tool to describe machinery condition is introduced. Vibration signals of the fan under different working conditions are analyzed using a threshold filtering algorithm based on the region relativity of the wavelet coefficients for reducing noise. The result shows that the characteristics of the signal could be preserved completely. The correlation dimension is able to identify conditions of the fan with faults compared with the normal condition, thereby providing an effective technology for condition monitoring and fault diagnosis of mechanical equipment.     

利用局部关联维数分析机械系统故障信号

对机械系统运行中测量的振动信号进行处理并识别系统的状态。针对非线性系统的特点,用分形维数定量刻画机械系统运行状态。使用分形维数中能直接反映转子系统运行特点的关联维数来获得转子运行故障以及故障发展程度的定量描述。定义并使用了局部关联维数算法,克服了使用单一维数对系统描述的局限性,同时提高了描述转子系统故障的精度,并得到系统状态预测的可靠保证。     

基于EEMD的变压器振动与声音信号IMF峭度特征量提取方法

针对变压器振动问题,提出了一种基于集合经验模态分解(EEMD)的本征模函数(IMF)峭度特征量提取方法,并运用相关系数法、快速谱峭度图法提取敏感IMF分量。提取试验变压器正常、铁心松动故障状态下的振动、声音信号的特征量,研究变压器在正常、故障状态下这两种信号特征量分布情况;分析实际运行中出现铁心磁路故障、铁心多点接地故障状态的变压器的IMF峭度特征。结果表明,提出的特征量提取方法可同时反映频域、时域特性;在不同故障条件下,振动与声音信号的特征量变化不同,二者可相互补充,研究两种信号更有利于变压器状态的判定。