基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

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。     

往复压缩机多重分形故障特征提取

实现了基于多重分形的往复压缩机振动信号的故障特征提取。针对往复压缩机振动信号的非线性和非平稳性,使用多重分形谱和广义维数对压缩机振动信号进行分析,从中提取可识别的故障特征。分析结果发现多重分形谱中的△α值和广义维数Dq作为故障特征能够很好地反映往复压缩机的工作状态,为往复压缩机的故障特征识别提供了必要依据。     

滚动轴承外圈失效的盒维数与信息维数特征

旋转机械故障诊断的关键在于故障特征的提取,由于轴承振动信号的非线性与非平稳性,传统平稳信号处理方法在故障特征提取中存在不足,而多重分形等非平稳方法存在计算冗余。认为故障状态下轴承振动信号的空间的占布与概率密度均发生变化,因此可采用盒维数与信息维数描述故障特征。在此基础上,借助美国辛辛那提大学IMS中心公开的全寿命轴承实验数据,分别分析了滚动轴承外圈在正常和故障情况的信息维数和盒维数,认为:在故障状态下,轴承振动信号的信息维数与盒维数均有降低,这一特点有利于提高故障模式的可分性。     

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。     

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。     

基于多个无标度区多重分形理论的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多个无标度区的多重分形理论与神经网络相结合的机械故障诊断方法。该方法采用多重分形理论计算齿轮振动信号的多分形谱和广义分形维数,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,并对采自齿轮故障台的振动信号进行故障分类。实验证明,与单一无标度区多分形谱理论特征提取方法相比较,所提出的方法能更精密刻画振动信号特征,并获得更高的识别率。     

EEMD和分形组合技术对ECS涡轮轴承故障特征提取的研究

针对飞机环控涡轮轴承运行时的非线性动力学特性,为了更加准确地分析轴承的故障,从振动信号分析的角度,提出基于EEMD和分形维数相结合的轴承状态特征量提取方法。先对轴承正常、内圈故障、外圈故障和保持架故障等不同运行状态下的振动信号进行EEMD分解,滤除噪声信号,提高信噪比,以减小背景噪声对分形的不利影响。然后对去噪信号再进行相空间重构,计算其关联维数并进行对比分析。实验结果表明:关联维数作为非线性几何不变量可以作为环控涡轮轴承运行状态的特征量;该方法能够准确有效地识别轴承的运行状态。     

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。     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

基于多域空间状态特征的高端装备运行可靠性评价

机械设备运行可靠性对设备状态监测及故障诊断具有重要意义。传统可靠性评估方法依赖于大量故障样本,运用在单台设备可靠性评估上的实际意义有限。本文提出一种基于设备状态特征空间的运行可靠性评价方法。采集设备运行过程中的振动信号,获取时频域信息特征;采用小波包分解提取能量分布特征,构建高维特征空间。应用流形学习优化算法进行降维,获得其低维敏感特征空间,计算当前状态与正常状态的特征子空间的夹角,建立其映射关系,表征设备的当前运行可靠性。将该方法应用于不同状态下的转子实验台和滚动轴承实验台振动数据,实验结果表明:该方法对设备进行运行可靠性评价合理有效,具有很好的工程应用价值。     

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.     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

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.     

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络（Deep belief network, DBN）和连续隐马尔科夫（Continuous hidden markov model, CHMM）相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

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。     

基于小波分形技术提取发动机曲轴轴承故障特征

利用小波技术对发动机曲轴轴承振动信号进行分解,对特定层的信号进行重构,并计算重构信号的分形维数,来实现发动机曲轴不同技术状态下特征提取。实验结果表明,特定频率带振动信号的分形维数更能敏感反应发动机曲轴轴承技术状态,它可以作为诊断发动机曲轴轴承故障的一个重要特征量。     

基于Wigner分布和分形维数的柴油机故障诊断

针对柴油机配气机构故障诊断问题,提出了一种基于Wigner分布和差分分形盒维数的故障诊断方法。首先,利用改进局部均值分解算法对柴油机缸盖振动信号进行分解,并采用相关性分析剔除噪声和伪分量;然后,分别对各相关分量进行Wigner时频分析,将结果线性叠加得到振动时频图,再提取图像的差分分形盒维数作为故障特征;最后,利用k-最近邻(k-NN)实现故障诊断。仿真结果表明,改进局部均值分解算法可以抑制Wigner分布交叉项的干扰。实验结果显示,差分分形盒维数优于其他6种典型故障特征,利用本研究提出的方法对配气机构进行故障诊断的正确率为97.2%,该方法可以用于柴油机配气机构故障诊断。