高速列车转向架振动信号多重分形特征提取与故障诊断

高速列车转向架关键部件故障会引起列车在运行过程中的振动异常,严重时危机运行安全。为了及时发现转向架故障,提出了一种转向架多重分形联合特征的提取方案,用转向架振动信号的多重分形谱宽、分形维数差、多重分形谱熵、广义维数谱距和广义维数谱均值作为联合特征向量,识别转向架不同状态,从而实现转向架故障诊断。实验表明,转向架监测信号的联合特征向量能够准确识别出列车故障状态,识别率高达92％以上。     

单一分形与多重分形轴承故障识别算法的研究

分形维是一种可以量化表征事物非线性特性的参数。本文首先介绍了单分形维数和多重分形维数。然后对采集到的高速轴承正常状态、内环及外环故障时振动信号作小波去噪处理;最后,利用编写的盒维数、关联维数及多重分形去趋势波动法算法,对去噪后的信号进行单一分形与多重分形轴承故障识别分析。结果表明:振动信号具有强多重分形特征,采用多重分形去趋势波动算法能良好识别轴承故障;对比分析可知,单一分形维在描绘非线性特征方面有局限性,多重分形在刻画动力学非线性特征方面具有一定的优点。     

多重分形的振动信号故障特征提取方法研究*

针对非线性振动信号故障特征提取困难的问题,提出一种广义维数均值(MeanDq)联合多重分形谱参数(^a和^f)的特征提取方法。首先分析了振动信号的多重分形特性,然后计算出MeanDq、^a和^f作为故障特征量,并将其应用于滚动轴承故障状态的检测。研究表明：MeanDq、^a和^f能够有效的反映滚动轴承振动信号的状态,并且特征量MeanDq和^a较^f具有更好的灵敏度。实践证明该方法在实际应用中切实可行。     

基于EEMD分解与PCA-FCM聚类的岸桥减速箱故障诊断方法

针对岸边桥式起重机(岸桥)减速箱特征提取以及故障诊断问题,提出了一种集合经验模态分解(EEMD)与主成分分析(PCA)-模糊C均值(FCM)聚类的减速箱故障诊断组合方法。首先,通过EEMD分解将减速箱非线性、非平稳振动信号分解为若干个固有模态函数(IMF),提取每个IMF分量的多维故障特征;然后,使用主成分分析法对故障特征进行降维,并分析了减速箱振动信号的特征值与故障模式之间的关系,通过模糊C均值聚类算法对减速箱的状态进行识别。实验结果表明,EEMD-PCA-FCM方法对减速箱的3种状态有很高的识别准确率,表明该方法是一种准确有效的减速箱故障诊断方法。     

自适应属性加权2维FCM分割算法

目的 为了提高2维直方图模糊C均值聚类分割算法的抗噪性和普适性,提出了属性加权2维直方图模糊C均值聚类分割新方法。方法 针对2维直方图模糊C均值聚类分割算法存在阈值参数选取不当导致抗噪性能差的不足,将属性加权引入2维直方图模糊C均值聚类并有效解决了每维属性聚类贡献度的问题。结果 本文算法相比2维直方图模糊C均值聚类分割法抗椒盐和高斯噪声性能平均提高了2～3 dB;同时,相比模糊局部C均值聚类分割法抗椒盐噪声性能平均提高了2～3 dB且抗高斯噪声性能稍差大约1 dB,但本文算法相比模糊局部C均值聚类分割法的速度平均提高了大约40倍。结论 实验结果表明,本文算法相比现有2维直方图模糊C均值聚类算法更适合噪声图像分割;同时,相比模糊局部C均值聚类算法更有利于实时性要求较高场合的目标跟踪和识别等需要。同时从大量图像测试得出,本文算法对于一般人工合成图像、智能交通图像及遥感图像等具有普遍适用性。     

雷达辐射源信号的多重分形特性研究

分形维数可以描述信号的复杂程度.但是单个分形维数描述信号是不够的,故对不同调制雷达辐射源信号的多重分形特性进行研究.通过仿真六种常见脉内调制雷达辐射源信号,并计算它们在不同情况下的多重分形广义维数,结果发现多重分形广义维数时噪声不敏感,同时,同一种调制方式下调制参数对广义维数的影响也不大.因此.多重分形广义维数可以作为雷达辐射源信号脉内调制方式识别的分类特征.     

基于高效自适应聚类算法的调制识别研究

提出了一种基于星座聚类的通信信号调制识别新方法.该方法将星座图形状作为调制识别的特征,运用聚类算法EAFCM(efficient adaptive fuzzy C-means)重建接受信号的星座图.基于模糊C-均值(FCM)聚类算法的自适应高效聚类算法EAFCM不仅克服了模糊C-均值聚类算法需要预先确定聚类参数c、对初始中心敏感等不足,而且具有良好的抗噪声性能.将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的.     

高速列车振动监测数据的广义维数特征提取

为监测高速列车的运行状态,采用多重分形分析列车振动监测数据,提取一种基于多重分形理论的广义维数谱参数(谱最大值Dmax、谱最大值与最小值之差△D和谱均值-D),以3种广义维数谱参数作为特征量,实现对列车正常状态、空气弹簧失效、抗蛇行减振器失效和横向减振器失效状态的表征.实验结果表明,Dmax、△D和-D均能够表征高速列车的运行状态且具有一定稳定性,为高速列车运行状态的识别提供了一种有效的方法.     

基于模糊聚类的目标识别方法研究

本文讲述了聚类分析方法的步骤,以及基于模糊C均值聚类识别方法的原理和模型,以及方法的步骤.运用模糊C均值聚类识别方法,对给定特征的样本数据进行了聚类识别,并利用最大隶属度的识别原则进行识别,计算结果表明是可行和有效的.     

纹理图象分割的分形方法研究

在分形维数的基础上研究了将其用于纹理分割的方法。采用差分盒维数（ＤＢＣ）方法和一种改进的边缘保持算法计算象素点的分形维数ＦＤ，基于原始图象的方向性差分和多重分形的概念提取出一组特征，并将Ｋｏｈｏｎｅｎ的ＳＯＦＭ网用于对得到的图象特征矢量进行分类，得到了较好的纹理图象分割效果。最后和特征平滑与Ｋ均值聚类方法的结果进行了比较     

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法．该方法将从语 音信号中提取的Mel 频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模 糊C-均值聚类算法进行修正,形成码本．识别时,对每一个待识别语音进行模糊聚类识别．仿真结果表明,该 方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单．     

基于非线性关联维特征提取的机械自动化监测系统

提取天然气压缩机故障状态下振动信号的故障特征是设计机械自动化检测系统的核心技术。提出一种基于非线性关联维特征提取的机械自动化监测系统设计方法,在故障诊断原理基础上,进行故障振动信号时间序列分析,设计故障振动信号相空间重构方法,改进了相空间重构最佳时延和嵌入维数参数计算的关键技术,通过提取关联维故障特征,在Simulink平台上设计了自动化监测系统。系统实验结果表明,该算法和系统能使各类故障状态下提取的关联维特征的标准差显著性降低,特征分布聚类能力明显提高,系统能有效检测各类故障,实现了机械设备的自动化监测,在自动化故障诊断仪表设计等领域具有较好的工程实践价值。     

基于广义多重分形维数算法的汽车变速箱故障诊断研究

提出了一种基于扩展广义多重分形维数算法的汽车变速箱故障诊断方法。该算法是基于传统的G-P关联维数算法扩展而形成的,通过该算法对变速箱上采集的不同工作状态下的振动信号进行处理,提取变速箱齿轮的振动信号的分数维,观察及分析分形维数与变速箱齿轮的磨损规律的关系,发现其反映变速箱齿轮的真实运行状态,故可以此作为齿轮磨损预测和诊断的有效依据。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

PCA+CHMM在设备性能退化状态识别中的应用研究

为了准确识别机械设备当前所处的退化状态,研究了一种基于PCA（主成分分析）和CHMM（连续型隐马尔可夫模型）结合的性能退化状态识别方法。首先提取设备振动信号全寿命周期的时域、频域、时频域的特征,经过初步筛选后组成新的特征集,使用PCA方法对其进行降维处理;然后利用降维后的数据,训练一个全寿命周期CHMM用来确定退化状态数目,再针对每个退化状态训练一个CHMM,通过比较观测序列处于各个模型下的似然概率值判断设备当前所处的退化状态;最后通过实验对比了PCA+CHMM和PCA+SVM、PCA+KNN、PCA+CART方法的各退化状态识别准确率,结果表明PCA+CHMM的平均识别准确率最高、识别效果较好,适用于设备退化状态的识别。     

基于加权模糊C均值聚类的空预器积灰监测研究

电站空预器积灰会严重影响机组运行经济性.提出加权模糊C均值聚类算法对空预器积灰程度进行监测,该方法计算多维样本中每一维数据的标准差,将其作为权重,计算样本与类心之间的加权欧式距离,降低模糊C均值聚类算法对离群点的敏感度.利用人工数据对该方法进行验证,结果表明,相比于传统模糊C均值聚类算法,提出的方法对离群点识别更加准确...     

融合纹理特征的两阶段聚类分割算法

提出一种融合纹理特征的两阶段聚类分割算法。首先,选择纹理特征、差分均值和颜色分量这3个特征,组成一个分割所用的特征矢量;然后,使用直方图对特征矢量进行初始聚类中心和类别数的估算;最后,通过模糊C均值算法对特征矢量进行聚类。该算法有效地克服了模糊C均值(FCM)容易陷入局部最优的缺陷,使聚类结果更加精确。实验结果表明该方法比一些现存方法的分割效果要好。     

基于动态模糊决策树的心电信号分类方法

为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。     

基于分形与灰度特征的无监督纹理分割技术

提出了一种新的基于方向分形特征和灰度特征的纹理图像分割方法。该方法首先用一个局部窗从功率谱图像中提取不同方向上的分形维和分形截距,将它们各自的均值和方差与灰度均值、灰度方差结合起来构成一个多维特征向量,然后利用模糊C均值聚类算法进行聚类实现纹理图像的分割。实验结果表明该方法对织物纹理图像和医学图像都有着良好的分割效果,鲁棒性强。     

混沌分形在内燃机振动信号分析中的应用

从理论上分析了柴油发动机燃烧过程的分形特性，运用混沌和分形理论对实际测得的发动机缸盖振动信号进行了分析，计算了信号的关联维数。结果表明：缸盖的燃爆冲击振动是一种混沌运动。而且，随着喷油器工作状态的不同，信号的关联维数也发生变化。系统振动不确定性成分增多，关联维数变大，系统振动确定性成分增多．关联维数变小。通过选择合适的嵌入维数，计算的关联维数能够反映系统的真实特性，关联维数可以作为发动机状态监测和故障诊断的一个特征参量。