利用关联维数分析机械系统故障信号

根据机械系统运行中测量到的信号的处理，进行系统特征识别。针对非线性系统的特点，区别于以往对线性系统使用的时域，频域定性分析法，用分形维数定量刻画机械系统运行状态。使用分形维数中能直接反映转子系统运行特点的关联维数来获得转子运行故障以及故障发展程度的定量描述。本文采用的高效关联维数算法，提高了计算速度和描述转子系统故障的精度。     

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EEMD和关联维数的小电流接地故障选线

提出一种基于总体平均经验模式分解(Ensemble Empirical Mode of Decomposition EEMD)和关联维数相结合的小电流接地故障选线新方法。EEMD对非线性、非平稳信号的处理,不仅能达到与(Empirical Mode Decomposition EMD)相同的分解效果,同时又能有效地抑制模式混叠,非常适用于对小电流接地故障信号的处理。关联维数是在故障诊断领域中应用最广泛的一种分形维数。关联维数作为反映系统状态的特征量,能定量分析故障状态,提高故障诊断能力。在计算关联维数前,需要进行相空间重构,采用极大联合熵算法求取最佳延迟时间,相比以往用互信息求取延迟时间的方法而言,该方法简化了算法,缩短了计算关联维数的时间。最后采用G-P算法计算零序电流相关分量的关联维数,通过比较关联维数,实现故障选线。实验结果表明上述方法能够快速准确地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。     

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。     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入了精细复合多尺度熵（Refined composite multiscale entropy, RCMSE）,在此基础上,结合自编码降维和遗传优化支持向量机,提出了一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障特征;最后,运用人工蜂群优化支持向量机(ABC-SVM)多故障分类器进行诊断识别。将SSO-VMD与经验模态分解进行对比,仿真信号分析结果验证SSO-VMD的优越性。将所提故障诊断方法应用于行星齿轮箱故障诊断实验分析中,结果表明:多域特征提取效果优于时域、频域和尺度域等单域特征提取效果;ISSL-Isomap降维效果优于等度规映射,t-分布邻域嵌入,线性判别分析,加权等度规映射和监督等度规映射等算法;所提方法故障识别率达到100%,能够有效识别出行星齿轮箱各工况类型。     

一种基于相关积分的互谱WVD目标方位估计方法

针对水下高速运动目标的被动跟踪问题,将魏格纳-威尔分布(Wigner-Ville Distribution,WVD)算法与互谱法相结合,构建了一种矢量信号处理框架下的目标方位估计方法——基于相关积分的互谱WVD算法。该算法利用了矢量水听器声压通道与振速通道信号的相关特性,首先通过计算两者的互相关函数来提取目标信号的特征信息,然后通过短时积分与傅里叶变换将互相关函数从时域转换到频域,最后在频域提取信号的特征参量,并进行方位估计。仿真研究表明,当目标处于远距离且低速运动时,所提算法的方位估计性能与互谱声强法基本一致;而当目标处于近距离且高速运动时,算法的方位估计性能大大优于互谱声强法。     

基于独立分量分析与相关系数的机械故障特征提取

提出一种基于独立分量分析与相关系数的机械故障特征提取方法。首先对不同工况的机械振动信号分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测

针对刀具磨损过程中产生的非平稳性信号,提出了基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测方法。首先,利用变分模态分解对采集的声发射信号进行分解,获得一系列分量;其中部分分量跟磨损状态相关,部分分量是干扰噪声。为此根据分解后分量与原信号的互信息值提取出敏感分量;利用刀具信号特点确定关联维数的时延参数和嵌入维数,计算敏感分量的关联维数并组成特征向量;最后,将刀具不同状态的特征向量输入相关向量机进行训练与测试,从而实现对刀具磨损状态的监测。实验结果表明,该方法能够有效地识别出刀具磨损过程中不同的工作状态,且分类准确率较经验模态分解好。     

基于EMD和分形盒维数的旋转机械耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,提出一种基于EMD（Empirical Mode Decomposition）和分形盒维数的诊断方法。该方法结合EMD对非线性信号处理的自适应性和分形盒维数能对非线性行为定量描述的特点,先对故障信号进行EMD处理,得到含有故障特征的本征模式函数(Intrinsic Mode Function,简称IMF),然后求出各IMF的盒维数,通过盒维数的比较分析进行故障诊断。构造了含有裂纹-碰摩-松动耦合故障的转子-轴承系统动力学模型,用龙格库塔法求出故障模型振动信号。通过对耦合故障信号进行分析,得到耦合故障特征向量,并与传统的边界谱诊断方法比较,证明该方法对旋转机械耦合故障诊断的有效性和优越性。     

基于混沌理论的心音信号非线性动力学分析

摘要：为了从非线性动力学的角度对心音进行分析,提出了一种基于混沌理论的心音信号的分析方法。首先,计算心音信号的关联维数及最大Lyapunov指数,获取了心音信号递归图和递归定量分析参数;然后,通过13例健康人和13例二尖瓣狭窄病人的心音对其进行分析验证。结果表明：正常及二尖瓣狭窄心音信号的混沌特征具有显著性差异,该方法为实现二尖瓣狭窄的早期辅助诊断提供了依据。     

基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature selection, FS)与流形学习维数约简的故障诊断方法。提出了一种改进的核空间距离测度特征选择方法(Improved kernel distance measurement feature selection, IKMD-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear local tangent space alignment, LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k nearest neighbor classifier, WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k nearest neighbor classifier, KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了本文方法的有效性。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

Application of General Fractal Dimension to Coupling Fault Diagnosis

This paper presents the coucept of general and sensitive dimension,and also proposes the calculation formula of the general dimension least squares method.By calculating and analyzing the power spectrum and general dimension grom the fault sample,the relationship is achieved between sample status and the general simension from vibration signals of the equipment so as to provide reference to fault diagnosis.Furthermore,a correlation function of general dimension is proposed,and calculations are carried out for a monitor signal and samples signal.The diagnosis method based on fractal theory is effective through the concrete examples of the steam-electric generating set fault diagnosis,and the correlation coefficient of general dimension between a monitor signal and samples signal can improve the accuracy for fault diagnosis.     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。