基于EMD分形技术提取变速器轴承故障特征

故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解（EMD）方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明：EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。     

柴油机缸盖振动信号分形特征研究

针对柴油机振动信号的非线性特征,将小波变换与分形理论结合;由此进行缸盖振动信号的分析及故障特征的提取,进而对柴油机气阀间隙异常故障进行诊断。随后计算信号小波包频带盒维数、小波变换模极大及信号的多重分形谱。结果表明,这种将分形维数和多重分形谱的结构作为系统的衡量指标和故障的表征参数,使诊断结果简单、现实可行。     

小波包与分形组合技术在爆破振动信号分析中的应用研究

基于小波包、分形技术的相似性,提出采用小波包、分形组合技术对爆破振动信号进行组合分析。采用小波包对爆破振动信号进行分解,通过各主分析小波包的重构系数验证了爆破振动信号的分形特性,通过对各主分析小波包的盒维数值进行分析及对比,更加细致地分析出爆破振动信号不同频带分量分形维数的变化。组合分析表明,盒维数值随着爆破振动信号小波分量频率高低而变化,提出将盒维数作为反映爆破振动信号频率成分的一个重要参量。小波包与分形组合分析技术的提出为研究爆破振动信号分形特征提供了新的研究思路。     

平移不变量小波阈值去噪法在齿轮振动信号处理中的应用

齿轮振动信号往往受到噪声干扰,用传统的小波阈值去噪法去噪时,由于信号中存在不连续点,会在不连续点处引起PseudoGibbs现象.采用平移不变量小波阈值去噪法对信号进行去噪,首先对含噪声信号进行循环平移,然后对信号进行小波阈值去噪,最后对信号进行反平移后平均,得到去噪后的信号.应用这种方法对仿真信号和实验采集的含噪声齿轮故障信号进行去噪,并和小波阈值去噪效果进行对比,结果表明这种去噪方法有效抑制了PseudoGibbs现象,并有更好的去噪效果.     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。     

爆破振动信号时频特征的三维分形特性研究

为进一步研究爆破振动信号能量特征,基于小波包变换方法对爆破振动信号时频能量特征进行分析。在二维矩形盒维数模型的基础上建立了计算三维曲面分形盒维数模型,并计算得到实测爆破振动信号时频能量谱的三维分形盒维数D3d=2.148 8。该分形维数满足空间分形条件2D3d3,验证了爆破振动信号时频能量谱具有三维分形特征。经研究三维分形曲面盒维数D3d与其剖面二维分形盒维数D2d之间的数值关系,表明计算空间分形曲面分维数的常规假设D3d=D2d+1并非严格成立。研究表明,所提出的长方体覆盖空间曲面的分形维数计算方法可行、有效,为进一步研究爆破振动信号特征、控制爆破地震效应提供了新的研究思路。     

矿用通风机振动故障诊断技术应用研究

在矿用通风机大量振动测试的基础上,对通风机振动监测参数及评价标准进行了探讨;给出了常用的矿篌用离心式、轴流式通风机的转子不平衡、轴系不对中、轴承元件损坏等典型故障诊断的实例.实践证明,通过简易振动测试可反映煤矿通风机的振动工作状态,应用振动信号频谱分析的方法可识别出通风机常见的典型故障.     

局域波时频域多重分形在故障诊断中的应用

提出了一种振动信号时域与时频域的多重分形方法,并将该方法实际应用于故障诊断之中。信号局域波分解的时频域幅值矩阵经过网格划分后,通过最小二乘法计算出广义维数Dq。应用振动信号时频域多重分形方法在往复式压缩机填料泄漏故障进行了实例分析,并分别得出了对于该类故障较为敏感维数。实测往复式压缩机的振动信号分析表明,时域信号的多重分形只对早期填料泄漏故障较为敏感,时频域多重分形方法随着故障程度的增加其广义维数增加,能够较好的区分故障的严重程度。实践证明该方法在实际应用中切实可行。     

基于多重分形理论与神经网络的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多重分形与神经网络相结合的机械故障诊断方法。采用多重分形理论计算出振动时间序列的多分形谱f(α)和广义分形维数D(q),并将多分形谱能和广义分形维数谱能作为特征量,构成二维特征向量。将该特征向量作为概率神经网络的输入参量,对采自齿轮故障台的振动信号进行故障分类。作为对比,将关联维数作为特征量输入同样参数的概率神经网络并进行故障识别,结果表明,所提出的方法具有更高的识别率。     

基于小波系数11／2维谱的滚动轴承故障诊断

提出了基于小波系数11／2维谱的滚动轴承故障诊断的新方法。小波分析能有效地提取滚动轴承故障引起的突变振动信号,11／2维谱保留了滚动轴承故障振动信号的相位信息且能够有效地抑制噪声。利用正交小波基将滚动轴承故障振动信号变换到时间－尺度域,对高频段尺度域的小波系数进行11／2维谱分析,不仅能检测到滚动轴承的存在,而且能有效地识别滚动轴承的故障模式。