分形维数及其在滚动轴承故障诊断中的应用

将分形维数用于刻划滚动轴承在不同故障状态下表现的非线性行为,进而对故障分类。试验结果表明,滚动轴承振动信号在不同故障状态下的分形维数是不同的,可以将分形维数作为识别滚动轴承故障的特征量。     

LLTSA特征降维与ELM模型在单向阀故障诊断中的应用

信号的单一特征难以全面反映设备运行状态,而利用多域特征表征设备运行状态时,随着特征维数增加,将引发维数灾难,导致分类器性能退化,降低状态监测模型的辨识性能。针对这一问题,提出线性局部切空间排列(Linear local tangent space alignment,LLTSA)特征降维与极限学习机(Extreme learning machine,ELM)模型的故障诊断方法,利用LLTSA从高维特征空间提取低维流形,实现信号特征的维数约简,保证模型分类性能。该方法首先利用完备总体经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)对振动信号进行分解,采用相关系数与峭度准则筛选分量,重构得到降噪后的振动信号;然后,计算重构信号的多域特征,并利用LLTSA进行特征维数约简;最后,利用其低维本质特征建立ELM故障诊断模型,监测设备运行状态。高压隔膜泵单向阀运行状态监测实验表明,对振动信号进行特征维数约简,降低特征间的冗余性,可提高ELM模型的故障识别精度。     

基于数学形态学的广义分形维数的内燃机燃烧信号提取

针对中小功率内燃机工作时所发出的典型非线性非平稳信号,开发了一种振动信号采集设备,提出一类以数学形态学为基础的广义分形维数的特征提取方法,在对振动冲击信号进行预处理之后,通过形态学的广义分形维数估计提取燃烧时的特征信号,以监测内燃机的燃烧状态。实验数据表明,利用以数学形态学为基础的广义分形维数能够获得有效地燃烧振动波形。     

形态学多尺度广义分形矩阵在轴承故障诊断中的应用

针对轴承故障信号非线性特征提取的问题,提出一种形态学多尺度广义分形矩阵对轴承故障信号进行表征。形态学多尺度广义分形矩阵采用数学形态学覆盖法估计信号的分形维数,同时考虑信号在尺度和统计分布上的非严格自相似性,包含比传统分形维数更为丰富和全面的信息。采用轴承7种状态下的振动信号对形态学多尺度广义分形矩阵进行验证,结果表明:与传统的单一分形维数、广义分形维数和多尺度分形维数相比,形态学多尺度广义分形矩阵具有更高的轴承故障诊断精度。     

基于形态分形与滑动窗威布尔拟合的岸桥减速箱退化特征在线提取

针对起升机构齿轮箱的退化特征提取问题,提出一种基于数学形态分形维数与滑动窗威布尔拟合的退化特征在线提取方法。首先,按照分析周期计算振动能量谱的形态分形维数,形成分形演化曲线;设置滑动窗口宽度与步长,对窗口内的分形序列进行三参数威布尔拟合,以模型的尺度参数作为性能退化特征指标;采用工业现场监测的起升机构齿轮箱全寿命数据作为基础,验证了该方法的有效性。结果表明,数学形态分形维数能够刻画振动能量谱的分形复杂度,威布尔分布的尺度参数能够平滑地反映分形曲线的性能退化趋势,为进一步解决在线健康状态评估问题奠定理论方法基础。     

基于卡尔曼滤波和数学形态学分形分析的齿轮箱故障诊断

针对传统信号时频分析方法不适用于处理非平稳信号的问题,利用齿轮箱时域振动信号建立系统的AR模型,采用最小二乘法计算模型参数,利用AIC信息准则确定系统阶次,并构建状态空间模型进行卡尔曼滤波降噪。用数学形态学分形维数计算方法计算滤波后信号的分形维数,并将其应用到实际齿轮正常、齿面磨损、齿根裂纹和断齿信号的分析中。对实测信号分析结果表明,基于卡尔曼滤波和数学形态学分形分析方法能够有效识别齿轮故障类型,为齿轮箱故障诊断提供一种新的特征提取方法。     

基于分形理论的滚动轴承故障诊断研究

针对滚动轴承振动信号的特点,从分形原理出发,利用分形维数的概念,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的定量描述。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地诊断出滚动轴承的故障。     

基于形态学多重分形的风电机组轴承故障诊断

针对风电机组滚动轴承振动信号通常具有非线性和低信噪比的特点,提出一种基于形态学多重分形（morphological multi?fractal, 简称MMF）和改进的灰色关联分析（improved grey relational analysis, 简称IGRA）的滚动轴承故障诊断方法。首先,通过信号质量指数研究了轴承振动信号的多重分形特性;其次,利用形态学方法计算轴承各种状态广义维数与多重分形谱的参数,并分析了各个参数对轴承运行状态的反映能力,选取能够有效区分轴承状态的参数作为故障特征量;然后,引入离差最大化加权对经典的灰色关联模型进行改进,提升了信息的利用率以及模型的可靠性;最后,利用改进的灰色关联分析实现了滚动轴承的故障诊断。通过仿真分析和应用实例对该方法的有效性进行验证,结果表明该方法能准确识别轴承故障类型,较传统方法准确率更高,运算时间更短,适合解决实际工程问题。     

分形特征在湿式离合器磨合状态预测中的运用

针对湿式离合器试验过程中磨合状态的预测问题,提出利用摩擦转矩信号分形特征来预测和评价磨合状态的新方法.首先,分别阐述了摩擦转矩信号盒子维数和关联维数的计算方法;然后,在湿式离合器试验台上提取了磨合试验的摩擦转矩信号,并对信号进行了自相似性分析;最后,应用盒子维数和关联维数分别对摩擦转矩信号进行了分形研究.分析结果表明:盒子维数和关联维数都能定量描述试验过程中摩擦转矩信号的分形特征,随着磨合次数的增加,摩擦转矩信号的盒子维数和关联维数的波动范围都逐渐减小,并且最终收敛于较小的波动范围.因此,利用试验中摩擦转矩信号的分形特征能够在不开箱条件下定量地预测和评价湿式离合器的磨合状态.     

改进Logistic回归模型的滚动轴承可靠性评估方法

为解决滚动轴承可靠性难以评估的问题,提出了一种基于改进Logistic回归模型(improved logistic regression model,简称ILRM)的滚动轴承可靠性评估方法。首先,计算滚动轴承的时域、频域和时频域特征,选出有效特征组成相对高维特征集;其次,利用主元分析(principal component analysis,简称PCA)选取贡献率大于95%的主元,作为改进Logistics回归模型的协变量;最后,利用改进Logistic模型求取滚动轴承的可靠度并绘制可靠度曲线。该方法可以提取轴承退化的有效特征量;兼顾轴承的退化趋势,能够真实反映轴承的状态;消除信号随机波动对可靠度预测的影响。通过辛辛那提大学智能维护中心(intelligent maintenance systems,简称IMS)滚动轴承全寿命试验,验证了该方法的有效性。     

基于形态分形维数与改进ELM的轴承故障预测

将形态分形维数作为轴承故障预测特征量,形成轴承故障预测特征量序列。同时,为优化极限学习机(ELM)预测模型,综合考虑模型的精度、预测趋势及稳定性,提出一种序列关联度系数及其计算方法,对ELM预测模型进行优化,并利用提取的故障预测特征量序列对模型进行训练。用轴承全寿命数据进行验证,结果表明,形态分形维数的变化情况较好反映了轴承性能退化的过程,改进的ELM预测模型实现了对轴承故障的有效预测,且其精度及稳定性较原始ELM预测模型有一定提高。     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

基于广义Weibull分布的滚动轴承故障特征提取方法

针对Weibull分布模型不能有效的提取具有非线性、非平稳性的滚动轴承振动信号信息,提出了基于广义Weibull分布模型参数的滚动轴承故障特征提取方法。首先,将采集的4种运行状态的滚动轴承振动信号进行Hilbert变换,求得能表征4种运行状态下振动信号幅值和频率变化的Hilbert包络信息;然后对Hilbert包络信息建立两参数Weibull分布模型,利用最小二乘法估计模型的尺度参数和形状参数;最后将估计出的尺度参数和形状参数作为表征滚动轴承运行状态的特征信息输入SVM分类器进行模式识别和故障诊断。通过Matlab仿真实验表明,提出的特征提取方法能快速、准确地提取滚动轴承的特征信息,对工程实践具有一定的指导意义。     

齿轮故障信号多重分形维数的形态学计算方法

针对传统的多重分形维数计算方法的缺陷,提出基于数学形态学操作的多重分形维数计算方法,并证明了与盒计数法计算多重分形维数的一致性.对实际的齿轮正常、齿面磨损故障和断齿故障信号进行了分析,结果表明,与盒计数法相比,基于数学形态学计算的多重分形维数能够准确区分齿轮的工作状态,并且数学形态学只涉及简单的加减和取大、取小运算,计算更加简单、快速.     

基于支持向量回归的滚动轴承性能退化状态研究

滚动轴承在全寿命阶段都处于性能不断退化的过程,对其退化状态进行有效而精确的评估能够有效避免机械设备发生相应的事故,也能为维修保障提供更直观的参考依据。运用小波包分解对滚动轴承振动信号进行特征提取,可以得到更全面的特征信息;针对特征过多不利于模型构建,采用等距特征映射(ISOMAP)这一非线性的降维方法对多个特征降维从而得到能够反映其退化状态的退化指标(DI)。并结合滚动轴承工程实际运用,对健康阶段和故障阶段区分开来构建相应的模型,从而更准确地预测滚动轴承的退化状态。最后通过试验数据验证了此方法的有效性,在性能退化状态的预测上达到了理想的效果。     

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。     

基于时序可拓的滚动轴承性能退化评估方法研究

针对滚动轴承性能退化方法研究问题，提出了基于时序可拓的滚动轴承性能退化方法研究。首先利用自回归AR模型提取振动信号的特征，然后将所得的特征进行最值归一化处理，再用Fisher比对归一化处理后的特征进行打分降维，最后将降维后的特征向量输入到可拓学模型中，进而对轴承性能进行定性定量评估，通过实验并且用包络谱分析验证结论的准确性，实验表明所提的方法能有效发现早期故障。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法.首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴...     

基于混沌理论的滚动轴承故障诊断研究

采用小波包分析的方法对滚动轴承振动信号进行处理,提取滚动轴承特征信号,进一步应用混沌与分形方法研究了故障信号的混沌性,通过计算信号混沌特征量—关联维数,找出了内圈、外圈及滚动体状态信号在正常状态、轻微磨损状态、中度磨损状态、严重磨损状态下关联维数对故障状态的反应。实验结果印证了混沌方法用于研究该类型故障信号的可行性。     

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.