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。     

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。     

基于关联维数的铁路货车滚动轴承故障诊断

将关联维数用于定量刻划滚动轴承在不同工作状态下的振动特征,进而对故障分类。同时提出用小波分析对原始数据进行降噪处理。文中以铁路货车轴箱197 726双排圆锥滚子轴承为例,计算了正常轮对、滚子损伤和外圈剥离三种情况下降噪处理前后振动信号的关联维数,分析结果表明,滚动轴承不同工作状态下的关联维数有明显差别,因此可以将关联维数作为识别滚动轴承故障的特征量。     

基于分形的滚动轴承故障模式的识别

针对滚动轴承振动信号的特点，从分形原理出发，利用盒维数的概念，对滚动轴承故障产生的非平稳、非线性信号进行了定量描述。试验结果表明，由于滚动轴承不同故障的动力学产生的机制不同，其盒维数明显不同。因此利用盒维数可以准确地识别滚动轴承的故障模式。     

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。     

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。     

基于盒维数序列变异系数的轴承外圈失效特征

特征向量选择是轴承失效检测与诊断的关键。作为解释复杂系统的动力学行为机制的重要工具,分形理论及分形维数常被用来描述轴承的故障特征,然而某状态下的分形维数难以刻画轴承失效的过程。针对轴承振动的非线性,首先介绍了分形理论,然后尝试选择盒维数及其变异系数作为轴承故障特征,并以IMS的轴承全寿命失效实验数据为样本,对盒维数的轴承外圈失效诊断进行了验证。认为:外圈正常工况与失效工况的盒维数均值差异不大,但失效工况的盒维数变异系数有着显著的增加。通过盒维数的变异性或可为滚动轴承的外圈失效诊断提供依据。     

基于ITD分形模糊熵的轴承早期故障诊断

针对滚动轴承早期故障振动信号信噪比低、单一故障特征难以实现在整个复杂非线性状态空间上准确分类的局限,提出了基于本征时间尺度分解(intrinsic time-scale decomposition,简称ITD)和分形模糊熵的轴承早期故障智能诊断方法.首先,利用改进的ITD方法将包含大量背景噪声的非线性非平稳振动信号自适应地分解为不同频段的合理旋转(proper rotation,简称PR)分量;然后,提取蕴含故障信息的PR分量的分形维数和模糊熵,组成联合特征向量;最后,采用适合小样本模式识别的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)方法对故障类型进行分类.通过4种运行状态的滚动轴承实验表明,该方法能有效性地应用于滚动轴承早期故障智能诊断.     

Intelligent fault diagnosis of rolling element bearing based on SVMs and fractal dimension

The development of non-linear dynamic theory brought a new method for recognising and predicting the complex non-linear dynamic behaviour. Fractal dimension can quantitatively describe the non-linear behaviour of vibration signal. In the present paper, the capacity dimension, information dimension and correlation dimension are applied to classify various fault types and evaluate various fault conditions of rolling element bearing, and the classification performance of each fractal dimension and their combinations are evaluated by using SVMs. Experiments on 10 fault data sets showed that the classification performance of the single fractal dimension is quite poor on most data sets, and for a given data set, each fractal dimension exhibited different classification ability, this indicates that various fractal dimensions contain various fault information. Experiments on different combinations of the fractal dimensions demonstrated that the combination of all these three fractal dimensions gets the highest score, but the classification performance is still poor on some data sets. In order to improve the classification performance of the SVM further, 11 time-domain statistical features are introduced to train the SVM together with three fractal dimensions, and the classification performance of the SVM is improved significantly. At the same time, experimental results showed that the classification performance of the SVM trained with 11 time-domain statistical features in tandem with three fractal dimensions outperforms that of the SVM trained only with 11 time-domain statistical features or with three fractal dimensions.     

基于小波降噪与分形理论的滚动轴承故障诊断

为了识别滚动轴承振动信号中包含的故障类型,运用小波对采集到的信号进行降噪,通过计算降噪后振动信号的关联维数,判断信号中是否包含故障。并以关联维数为特征量,通过计算各工况之间的距离函数,判断属于何种故障的信号。结果表明,运用分形理论进行故障诊断具有很强的实用价值。     

基于关联维数的滚动轴承故障诊断的研究

针对滚动轴承系统产生的非线性振动信号的特点,提出用关联维数来描述轴承振动信号的工作状态,进而对其进行故障诊断的方法。同时详细讨论了关联维数的计算方法,并对由轴承系统产生的非线性振动信号进行了关联维数的定量计算。实验表明,滚动轴承不同工作状态由不同的动力学机理产生,其关联维数明显不同。以关联维数作为滚动轴承的工作状态监测的依据,可以为提高滚动轴承故障诊断的准确率提供了一种有效的新方法。     

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。     

EMD降噪和关联维数相结合在滚动轴承故障诊断中的应用

针对滚动轴承产生的非线性振动信号的特点,提出将EMD降噪和关联维数相结合来描述轴承工作状态进而对其进行故障诊断的方法.通过实验定量计算出EMD降噪前后滚动轴承正常工况和不同部件故障时的关联维数值,结果表明,经EMD降噪处理后,不同模式下的关联维数具有明显的可分性和严格的区间范围,可以作为智能监测与诊断的参考依据.     

共振解调及关联维数在轴承故障诊断中的应用

通过共振解调法对故障敏感频段进行分频段解调 ,不但提高了信号的信噪比 ,而且根据包络谱可以确定轴承具体故障形式 ;利用关联维数定量刻划分频段内轴承故障的非线性行为。试验结果表明 ,随着故障劣化程度加深 ,关联维数在轴承故障敏感频段内均呈增大趋势 ,可以把关联维数作为判断轴承故障劣化程度的特征量。该方法不仅可以诊断轴承具体故障 ,还能够有效监测故障劣化情况。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。