基于VMD及广义分形维数矩阵的滚动轴承故障诊断

提出基于变分模态分解及广义分形维数矩阵的滚动轴承故障诊断方法。对信号进行变分模态分解得到若干模态函数,根据不同权重因子计算得到每个模态函数的广义分形维数序列,排列构成广义分形维数矩阵,最后通过分析待测信号和各样本信号的广义分形维数矩阵的相关系数判断故障状态。实验结果表明该方法能精确、稳定提取故障特征,区分不同状态的信号。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

齿轮箱轴承故障诊断的应用实践

本文通过运用齿轮箱故障诊断的方法对齿轮箱轴承进行故障诊断,准确判断出齿轮箱轴承存在的故障,预防性的处理设备故障,取得了显著的经济效益和社会效益。     

基于提升小波变换和分形维数的声纳图像识别

分形理论在图像的纹理识别中得到了广泛应用,由于分形维数不能反映图像的空间信息,容易造成误识别。针对该问题并结合声纳图像的特点,通过提升结构构造了Haar小波,并将提升小波变换同分形理论相结合,利用小波分解的多分辨率特点和分形维数的多尺度特性,提高图像的识别率。采用Levenberg-Marquardt(L-M)算法优化的BP神经网络对不同信噪比的声纳图像进行分类识别。实验结果表明,文中方法不论在识别率还是识别时间上均优于传统纹理识别方法。     

数学形态学分形维数广义估算方法及其应用

预测特征提取是设备故障预测中的关键问题,它直接关系到故障预测的可信性。滚动轴承故障信号具有典型的非线性特征,利用分形维数可以定量描述其复杂性和不规则度。首先对分形维数的形态学计算方法进行介绍,然后对形态学覆盖的定义进行扩展,提出了三种形态学分形维数广义估算方法,对其精确性和计算效率进行了对比分析。最后,提出基于形态学分形维数的和灰色关联分析的性能退化状态识别方法,采用轴承实测数据验证了该方法的有效性。     

基于关联维数和线段聚类的滚动轴承故障诊断

提出一种基于关联维数的滚动轴承故障特征提取方法。线性标度区域的识别是影响关联维数准确度的重要因素,针对关联维数线性标度区对应的二阶导数在零上下波动这一特征,将二阶导数数据点转化为线段,再利用线段的聚类方法进行两次聚类分析,并应用统计学准则排除粗大误差,最后对数据拟合得到特征值。对经典的Lorenz混沌系统进行仿真分析,具有良好的效果,并对滚动轴承4种状态信号进行特征分析,实验表明该方法能更加准确地识别出轴承故障信号。     

基于声场空间分布特征的齿轮箱故障诊断研究

结合对近场声全息（NAH）与空间分布特征提取的研究,提出基于声场空间分布特征的齿轮箱故障诊断方法。鉴于齿轮箱运行状态与声场分布的对应关系,利用NAH算法重建声源附近声场,由所得声像图中提取反映声场分布特性的纹理特征,建立声场分布与各运行状态间内部联系,结合支持向量机模式分类实现故障诊断,获得满意的诊断结果,并通过实验证实该方法的有效性与优越性。     

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

基于分形理论的自动舵液压阀故障诊断方法研究

针对自动舵液压阀工作过程中存在的非线性问题,提出一种以阀芯位移信号分形特征为判据的故障诊断方法,并研究了分形特征参数——关联维数的计算方法和参数的选择。在建立液压阀数学模型的基础上,对液压阀正常和故障进行仿真,通过确定时间延迟、嵌入维数和无标度区,计算阀芯位移数据的关联维数。结果表明:不同状态的关联维数值具有明显的可分性,可以定量表征液压阀的工作状态,进而达到装备故障诊断的目的。     

基于分形理论的滚动轴承故障诊断的研究

本文将分形的有关理论与滚动轴承故障诊断联系起来,论述了分形维数的基本概念,并给出了相关算法。试验结果表明,滚动轴承不同故障出现时,其分形维数明显不同。因此,可以利用分形维数有效的诊断出滚动轴承的故障。     

基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断

为解决在复杂工况下风力发电机组轴承故障诊断虚警率高的问题,提出一种端到端的混合深度学习框架——基于多种小波变换的一维卷积循环神经网络.首先,通过多种小波变换得到多个时-频矩阵,以充分提取信号特征;再通过一种扩展的LSTM,对多通道时-频矩阵不同时间步信息进行提取,捕获时-频数据时空特征;最后,通过全局池化层和分类层对故...     

风力机齿轮箱故障诊断

对齿轮箱做振动测试和分析,通过模式识别找到齿轮箱损坏时呈现的特性,为齿轮箱故障诊断提供依据。     

基于长短期记忆网络的风电机组齿轮箱故障预测

针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于商空间和支持向量机的滚动轴承故障智能诊断

针对滚动轴承故障诊断中存在的故障类型多样且有效特征难以选取等问题,提出了一种基于商空间和支持向量机的智能诊断模型。该模型利用商空间的粒化分层思想将输入样本按照不同等价关系进行粒化分层,并对每一粒度层的时域和频域特征进行约简,然后将每一层约简后的特征向量输入到支持向量机进行状态识别,最后对各粒度层状态识别结果加权融合得到最终结果。利用轴承全寿命试验数据对该模型进行验证,识别精度达到96.92%。     

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。