基于关联维数的柴油机声音信号特征分析

提出了基于分形关联维数的柴油机声音信号特征分析方法,通过主分量分析法证明了柴油机声音信号具有分形特征。根据G-P算法,阐述了柴油机声音信号关联维数的计算方法,并对计算过程中噪声对关联维数的影响进行了详细的论述。计算结果表明,柴油机声音信号关联维数随工作状况改变有明显的变化,可作为柴油机工作状态监测和故障诊断的一个特征量。     

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。     

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。     

转子系统分形故障诊断中无标度区的自动识别

采用振动信号关联维数计算中的相关积分算法,以及相关积分双对数点列的分布规律,提出了一种分形无标度区的自动识别方法.该方法采用曲线一直线一曲线对相关积分双对数点列进行分段拟合,以总的拟合残差平方和最小作为目标,并认为中间一段即为无标度区,进而求出该段斜率得到关联维数.运用该方法对在不同状态和不同转速下转子系统实际测量得到的振动信号进行了分析计算,自动得出了信号的分形无标度区范围和关联维数,并与传统的三折线段拟合法的计算结果进行了对比分析,验证了该方法的准确性及有效性.     

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。     

小波包能量谱在内燃机噪声信号故障诊断中的应用

基于噪声信号的故障诊断方法具有易于实现离机、无损检测的优越性,将噪声信号故障诊断方法引入内燃机气门间隙故障诊断中。阐述了小波包能量谱提取的基本原理和方法,通过对内燃机在不同转速不同状态下运行时的噪声信号小波包能量谱的提取研究,确定了噪声信号能量波动范围。并在对比分析中发现,利用内燃机噪声信号在特征频带内的能量波动特征研究方法,可以有效识别气门间隙故障。     

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.     

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.     

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。     

基于独立分量分析技术的内燃机噪声源识别

为降低内燃机的噪声,需要有效地识别内燃机的众多噪声源。采用一种新的独立分量分析技术对采集到的内燃机混叠噪声信号进行分离,并结合噪声产生机理辨别出单个噪声分量对应于内燃机的相应噪声源,从而有效地识别内燃机噪声源。实践证明,该技术可以有效识别内燃机的混叠噪声。最后就噪声控制提出了建议。     

基于独立成分小波分析的内燃机噪声源识别

对独立成分分析的基本原理和数学模型进行了简要叙述,以某六缸柴油机为研究对象,对其不同工况下的噪声信号进行了统计独立性和高斯性分析,噪声信号基本满足独立成分分析的前提条件。采用基于峭度的梯度算法对噪声信号进行了盲分离,得到一序列独立分量。为进一步识别各独立分量,采用傅立叶和连续复小波变换对其进行时频分析,并结合一些内燃机先验知识分析发现,这些独立分量基本上对应着内燃机的燃烧噪声、正时齿轮噪声、活塞敲击噪声等噪声源,因此,采用独立成分小波分析技术对内燃机噪声信号进行盲分离以识别其主要噪声源是可行的。     

内燃机噪声信号的独立分量分析

叙述了独立分量分析(ICA)的基本原理,分析了运用独立分量分析技术分析内燃机噪声信号的几个基本问题。单缸柴油机噪声信号峰度值的统计规律表明噪声信号满足ICA的基本要求。运用FastICA算法对某单缸机的噪声信号进行了分析,将噪声信号分解成一系列的分量。运用傅立叶变换和小波分析技术对不同的分量进行了分析,结合时频分析的结果和内燃机噪声辐射的机理确定了不同的分量与内燃机不同的噪声源相对应。     

车用发动机去噪声振动信号时间序列混沌分形识别

应用混沌分形理论,选择合适的滞时,对去噪后车用发动机振动信号时间序列进行了相空间重构,并得出了不同嵌入相空间下去噪后车用发动机振动信号时间序列关联维的变化规律。计算结果表明:经去噪后车用发动机振动信号时间序列具有分形特征,且该时间序列是混沌序列。在车用发动机系统中,影响去噪后车用发动机振动信号的系统内部因素最多可达8个,最小不会小于1个。     

基于独立分量分析和时频分析的柴油机燃烧噪声研究Ⅰ:燃烧噪声分析

燃烧噪声是柴油机最主要的噪声源之一,重点研究基于独立分量分析的燃烧噪声分离.首先针对柴油机噪声成分的复杂性,应用FastICA方法从噪声测试信号中分离了源信号分量,应用峭度检验了柴油机噪声信号的非Gauss性.根据时间信息识别了燃烧噪声和喷油噪声等独立分量.其次针对噪声信号的非平稳性,研究基于小波尺度谱噪声分量的时频特征分析.针对试验工况下的独立噪声分量,应用Morlet小波尺度谱在时频联合域内提取了各噪声分量的时频特征.     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。     

基于相空间重构的锅炉炉膛火焰信号分析

采用混沌和分形理论对实测锅炉炉膛火焰信号进行了定性分析和定量计算,通过相空间重构得到了稳定燃烧和不稳定燃烧两种工况下燃烧火焰时间序列的相平面图和关联维。分析计算结果表明:在稳定燃烧状态下,火焰信号的二维相平面图比较宽,关联维在6.5855～6.8415之间;在非稳定燃烧状态下,火焰信号的二维相平面图比较窄,关联维在5.8843～6.0907之间。两种工况下,火焰时间序列的相平面图和关联维有明显的差异,稳定燃烧时的关联维总比不稳定燃烧时的关联维大得多,因此,采用关联维作为火焰燃烧状态识别的特征参数。文中所提出的燃烧诊断方法为发展新型光学式火焰检测器提供了一种行之有效的解决方案。     

Evolution of the nanostructure, fractal dimension and size of in-cylinder soot during diesel combustion process

The nanostructure, fractal dimension and size of in-cylinder soot during diesel combustion process have been investigated for a heavy-duty direct injection diesel engine, using a total cylinder sampling system followed by high-resolution transmission electron microscopy and Raman scattering spectrometry. Different structural organizations of in-cylinder soot are found depending upon the combustion phase. It is revealed that both the fringe tortuosity and separation distance decrease as combustion proceeds, while the mean fringe length increases distinctly from 1.00 to 2.13 nm, indicating the soot evolution toward a more graphitic structure during the combustion process. The fractal dimensions of aggregates are in a range of 1.20–1.74 at various crank angles under the applied engine operating conditions. As temperature and pressure increase, the fractal dimension decreases significantly to a minimum at the early diffusion combustion stage. The soot particles become more compact again as the fractal dimension increases during the subsequent combustion period. Primary particle sizes start small, go through a maximum in the early diffusion combustion phase and decline again as combustion proceeds.