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。     

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。     

基于改进变分模态分解与支持向量机的风力机轴承故障诊断

为研究风力机齿轮箱轴承振动信号非线性及故障诊断问题,采用改进变分模态分解方法对四种状态轴承振动信号进行处理,提出无量纲参数多重分形谱值因子,联合峭度值对分解所得模态分量进行选取,剔除无效信息分量并进行信号重组,采用分形维数研究重组信号的分形特征,并通过支持向量机进行模式识别。结果表明：基于样本熵优化的改进变分模态分解方法可获得高质量的模态信息;通过多重分形谱值因子及峭度选取并重组的信号具有良好的振动特性,其分形维数可通过信号非线性程度定量区分轴承工作状态;采用支持向量机对不同轴承工作状态的重组信号进行分类,结果具有较高的准确度。     

基于摩擦振动信号的缸套-活塞环磨损状态识别研究

基于摩擦振动信号的多重分形特征,提出利用多重分形去趋势波动分析（multi-fractal detrended fluctuation analysis,MF–DFA）和支持向量机（support vector machine,SVM）相结合的方法识别缸套—活塞环磨损状态。在Bruker UMT—3摩擦磨损试验机上进行了柴油机气缸套—活塞环的摩擦磨损模拟试验。应用总体模态分解（ensemble empirical mode decomposition,EEMD）方法对测取振动信号进行降噪处理,获取能够表征摩擦副表面接触特性的摩擦振动信号。通过MF–DFA方法计算得到不同磨损状态下摩擦振动信号多重分形谱,由多重分形谱构造特征向量,通过差分进化（differential evolution,DE）算法对SVM参数进行优化,识别不同摩损状态。试验结果表明,正常磨损状态识别准确率为100%,磨合磨损状态和急剧磨损状态识别结果存在轻微混淆。所提方法可以实现缸套—活塞环不同磨损状态的识别。     

柴油机磨合状态下振动信号多重分形研究

为监测柴油机的磨合过程,提出利用多重分形谱参数表征柴油机振动信号特征的新方法.运用多重分形理论对柴油机磨合过程中缸体的振动信号进行分析,并计算振动信号的多重分形谱参数,探讨多重分形谱参数与柴油机磨合状态之间的内在联系.结果表明:多重分形谱参数能定量刻画振动信号的特征.随着柴油机磨合过程的进行, 振动信号多重分形谱参数出现规律性的变化.不同阶段信号的多重分形谱参数呈现出递增或递减趋势,反映了柴油机磨合状态的变化过程.     

基于变分模式分解的滑动轴承摩擦故障特征提取与状态识别

针对滑动轴承振动信号明显的非线性非平稳性及信号中摩擦信号微弱等特点,提出一种基于变分模式分解(VMD)的滑动轴承摩擦故障特征提取与状态识别方法。采用VMD对滑动轴承振动信号进行分解,将其自适应地分解为系统冲击信号、低频摩擦信号和高频摩擦信号3个分量,在此基础上定义并提取相对频谱能量矩特征参数,用于描述滑动轴承振动信号及其各分量的特征。对S195-2型柴油机曲轴轴承摩擦故障信号进行了分析,K-近邻分类器的平均识别精度达到93.3%。研究结果表明:基于VMD分解的相对频谱能量矩特征对滑动轴承的工作状态比较敏感,能有效识别其摩擦故障状态。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

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。     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

发动机振动信号特征参数的多重分形研究

提出利用多重分形谱参数来表征发动机振动信号特征的新方法.运用多重分形理论对实测的发动机缸体振动信号进行分析,计算了振动信号的多重分形谱参数,并探讨多重分形谱参数与发动机运行状态之间的内在联系.结果表明:多重分形谱参数能定量刻画振动信号的特征.随着发动机工作状态的不同,信号的多重分形谱参数也发生变化.发动机振动越剧烈,多重分形谱参数越大,其能够反映发动机的真实运行状态,可以作为发动机状态监测和故障诊断的特征参量.     

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。     

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法（ICASN）以体现信号细节复杂度特征,并将ICASN引入经验小波变换（EWT）,替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。     

基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法

为了解决柴油机工作时其振动信号的背景噪声对状态监测及故障诊断造成干扰这一问题,提出一种基于变分模态分解(VMD)和去趋势波动分析(DFA)的柴油机振动信号去噪方法。该方法首先利用变分模态分解将振动信号分解为若干分量,再利用去趋势波动分析分别计算各个分量的尺度指数,根据尺度指数的值选取具有长程相关性的分量进行信号的重构,以消除振动信号中噪声。将该方法应用于仿真信号和柴油机故障振动信号中,取得了良好的消噪效果。     

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%。     

基于EWT-MDS的风力机轴承劣化趋势识别及故障诊断

为解决风力机轴承劣化趋势识别精度低与早期故障诊断困难问题,提出一种基于经验小波分解和多维尺度变换的EWT-MDS方法。该方法首先将轴承全生命周期振动信号进行经验小波自适应分解,以信息熵为指标定量分析各模态分量的变化特点,然后结合多维尺度变换算法获取高维空间中各劣化表征分量的协同变化规律,与常规方法相比在检测效率和精度上有较大提升。仿真和实验结果表明该方法可提前检测轴承异常状态节点,通过轴承劣化表征模态分量时域重构,结合频谱和包络谱可准确判别轴承早期故障类型。     

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VMD与粒子滤波的滚动轴承故障诊断

针对旋转设备工作环境复杂,难以提取轴承故障特征信息的问题,提出基于变分模态分解(VMD)和粒子滤波的故障诊断方法。首先,对原始振动信号进行VMD分解,得到有限个具有稀疏特性的固有模态函数(IMF);其次,利用基于峭度、相关系数、能量比的综合评价指标P,筛选最能反映原始信号故障特征的模态分量进行重构;最后,对重构故障特征分量进行粒子滤波,消除VMD残留的非线性、非高斯噪声后,利用包络谱分析故障类型。通过对实验轴承振动信号的分析,验证了该方法的准确性和有效性。     

运用非线性动力系统理论进行船舶柴油机故障诊断

针对柴油机表面振动非稳态与多激励性的特点,从非线性动力系统理论角度进行信号的分析与处理。运用小波模量最大值对气缸盖螺栓表面的振动信号消噪,计算气门不同状态时的多重分形维数谱,定义故障特征向量,从而识别不同的故障。结果表明,这种方法对气门故障诊断是极为有效的。     

基于分形学的轴承故障诊断分析

为识别轴承的工作状态及故障类型,针对非线性振动信号,基于分形盒维数与小波降噪方法,计算了轴承正常状态及不同故障状态的振动信号盒维数。结果表明:轴承的故障类型不同,其振动信号盒维数亦不同,正常状态盒维数最大,内环故障盒维数最小,其值分别为1.6和1.4。因此,根据盒维数能定量识别轴承故障状态与故障位置,本研究可为轴承状态监测和故障诊断提供理论依据。