基于LMD和时频谱分形维数的断路器机械故障诊断方法

声振信号承载着断路器操动过程的机械传动信息,准确提取其特征是断路器机械故障诊断的前提。针对断路器分闸操动的几种典型故障,提出一种基于局部均值分解(local mean decomposition, LMD)和图像分形处理相结合的断路器机械故障诊断方法。首先将声振信号进行小波软阈值去噪处理,然后利用LMD获得PF分量,由归一化能量确定包含主要信息的PF分量,并分析PF主分量时频谱纹理分布特性,最后提取时频谱的分形盒维数作为故障特征。实验表明:断路器不同故障类型下声振信号主分量的时频谱分形盒维数分别处于不同范围内,盒维数特征构成的坐标向量与断路器故障类型之间一一对应。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

基于局部均值分解与关联维数的往复压缩机气阀故障诊断

针对往复压缩机气阀振动信号具有的非线性与非平稳复杂特性,提出基于局部均值分解与关联维数相结合的方法,通过将原始振动信号进行分解,定量化提取了不同气阀故障状态下的关联维数特征,结果表明:局部均值分解后的振动信号信噪比得到显著提高,高频分量的关联维数能够明显区分不同故障状态特征,因此可以作为往复压缩机气阀故障诊断的有效依据。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

局部特征尺度分解结合局部均值解调的齿轮故障诊断

为了准确地进行故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了一种新的解调方法--局部均值解调法,将之与局部特征尺度分解相结合进行齿轮故障诊断。该诊断方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后应用局部均值解调法求取每个分量的调频分量,最后根据瞬时频率的频谱进行故障诊断。采用仿真信号将局部均值解调法与Hilbert解调法、经验调幅调频分解法进行了对比,结果表明,局部均值解调法的精确性更好。通过齿轮故障振动数据的分析,验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。     

基于分形和小波包理论的滚动轴承故障诊断

为了提高滚动轴承故障分形诊断的准确性,利用仿真信号对不同数据长度和不同信噪比下信号的盒维数和关联维数的差异进行对比,发现两种分形维对不同信号具有不同适应性;利用基于小波包分解能量图的特征信号强化技术,突出含噪轴承振动信号的故障信息特征,并对消噪前后振动信号盒维数进行计算和对比。分析结果表明,分形盒维数比关联维数更适用于分析含噪较重的信号;滚动轴承故障振动信号盒维数小于正常信号盒维数;相比原始信号,经小波包提取后不同类型故障振动信号的盒维数区分更为明显,诊断结果更加准确直观。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

LCD、k-means与ICA相结合的滚动轴承故障诊断方法

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比特征,提出了局部特征尺度分解、k均值聚类分析和独立分量分析相结合的故障诊断方法。首先,应用局部特征尺度分解对振动信号进行分解,得到若干个内禀尺度分量;然后,依据分量与原始信号的互相关系数及峭度值,应用k均值聚类方法选取有效的分量组成新的观测信号;最后,对观测信号进行独立分量分析处理,实现信噪分离,依据峭度值选取信号分量,对信号应用希尔伯特包络谱技术实现故障诊断。通过轴承内圈故障数据分析,验证了方法的有效性。     

基于非负矩阵分解的单通道故障特征分离方法

针对单通道振动信号的多特征分离问题,提出了一种基于正交非负矩阵分解的故障特征提取方法。首先,采用短时傅里叶变换,利用时频分布来描述信号中的局部故障特征,通过核心一致性指标评估子空间维数;然后,在幅值谱矩阵分解的基础上,通过正交性约束实现低维嵌入分量信息的分离,获取局部特征的准确描述;最后,采用相位恢复理论重构出特征波形,对仿真信号和滚动轴承故障数据进行了测试。结果表明,所提出的方法能利用单通道信号有效地分离出微弱的局部故障特征,为机械状态的早期故障诊断识别提供了一种有效手段。     

Diesel Engine Valve Clearance Fault Diagnosis Based on Features Extraction Techniques and FastICA-SVM

Numerous vibration-based techniques are rarely used in diesel engines fault diagnosis in a direct way, due to the surface vibration signals of diesel engines with the complex non-stationary and nonlinear time-varying features. To investigate the fault diagnosis of diesel engines,fractal correlation dimension, wavelet energy and entropy as features reflecting the diesel engine fault fractal and energy characteristics are extracted from the decomposed signals through analyzing vibration acceleration signals derived from the cylinder head in seven different states of valve train. An intelligent fault detector FastICA-SVM is applied for diesel engine fault diagnosis and classification.The results demonstrate that FastICA-SVM achieves higher classification accuracy and makes better generalization performance in small samples recognition. Besides,the fractal correlation dimension and wavelet energy and entropy as the special features of diesel engine vibration signal are considered as input vectors of classifier Fast ICASVM and could produce the excellent classification results.The proposed methodology improves the accuracy of feature extraction and the fault diagnosis of diesel engines.     

Fault Feature Extraction of Diesel Engine Based on Bispectrum Image Fractal Dimension

Fault feature extraction has a positive effect on accurate diagnosis of diesel engine. Currently, studies of fault feature extraction have focused on the time domain or the frequency domain of signals. However, early fault signals are mostly weak energy signals, and time domain or frequency domain features will be overwhelmed by strong back?ground noise. In order consistent features to be extracted that accurately represent the state of the engine, bispectrum estimation is used to analyze the nonlinearity, non?Gaussianity and quadratic phase coupling(QPC) information of the engine vibration signals under different conditions. Digital image processing and fractal theory is used to extract the fractal features of the bispectrum pictures. The outcomes demonstrate that the diesel engine vibration signal bispectrum under different working conditions shows an obvious differences and the most complicated bispectrum is in the normal state. The fractal dimension of various invalid signs is novel and diverse fractal parameters were utilized to separate and characterize them. The value of the fractal dimension is consistent with the non?Gaussian intensity of the signal, so it can be used as an eigenvalue of fault diagnosis, and also be used as a non?Gaussian signal strength indicator. Consequently, a symptomatic approach in view of the hypothetical outcome is inferred and checked by the examination of vibration signals from the diesel motor. The proposed research provides the basis for on?line monitoring and diagnosis of valve train faults.     

基于小波包和分形盒维数的滚动轴承故障诊断

为诊断滚动轴承不同部件产生的故障,针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数。实验结果表明,滚动轴承不同的故障类型具有不同的盒维数。正常滚动轴承盒维数最大,依次为滚珠故障盒维数、内环故障盒维数,外环故障盒维数最小。分形盒维数能定量地识别滚动轴承不同部件的故障,提高滚动轴承故障诊断的准确率,为滚动轴承智能故障诊断提供可靠依据。     

分形维数在内燃机振动诊断中的应用

将分形理论引入内燃机的振动诊断中,根据内燃机的配气定时,着重研究了缸盖振动信号中对应燃烧段的数据,计算其关联维数,将关联维数用于刻划内燃机缸盖在气门不同状态时表现的非线性行为,从而进行故障诊断与分类。结果表明,当气门在不同状态时,缺盖振动信号中对应燃烧段数据的关联维数是不同的,可以将其作为判断气门漏气的一个诊断特征量。     

基于LabVIEW的柴油机故障诊断虚拟仪器开发

开发了一套基于分形理论,使用柴油机声音信号进行故障诊断的虚拟仪器.介绍了其硬件平台的搭建,结合LabVIEW与MATLAB混合编程阐述了软件平台的设计,该平台由声音信号采集、信号预处理、故障特征提取、故障诊断4个模块构成.在故障特征提取模块中对分形关联维数的G-P算法进行了论述.结合柴油机故障实例测试表明:柴油机声音信号关联维数随工作状况改变有明显变化,能作为故障诊断的特征量,通过该虚拟仪器能迅速有效地识别出故障.     

基于CPSO-BP神经网络的柴油机排气门间隙故障诊断

针对柴油机排气门间隙故障信号不易提取的特点,提出了将混沌粒子群神经网(Chaotic particle swarm optimization-Back Propagation,CPSO-BP)聚类模型应用于柴油机排气门间隙故障诊断.首先,采用经验模式分解(Empirical Mode Decomposition,EMD)对柴油机振动信号进行分解,将得到的前6个模态函数能量百分比作为反映故障状态的特征参数,重构BP神经网并用混沌粒子群算法对其结构和权值进行优化;最后,基于优化的神经网对排气门间隙为0.2mm,0.4mm,0.6mm等3种故障工况的信号进行聚类.结果表明:所有样本的测试结果均与实际状况一致,该方法可以较好地用于排气门间隙故障诊断.     

基于EMD和AR奇异值的柴油机故障诊断

针对柴油机振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、自回归(Auto Regression,AR)模型和支持向量机(Support Vector Machine,SVM)相结合的柴油机故障诊断方法.运用经验模态分解方法对柴油机失火及气阀机构不同工况下的缸盖振动信号进行分析,计算各个内禀模态函数(Intrinsic Mode Functions,IMF)的AR模型参数向量以此组成初始特征向量矩阵,再计算此初始特征向量矩阵的奇异值,并将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型.试验结果表明:该方法在小样本情况下也具有较高的精度和较强的泛化能力.     

基于EMD和分形维数的转子系统故障诊断

提出了一种基于EMD方法和分形维数的转子系统故障诊断方法。利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数。试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.