内燃机故障的多重分形诊断方法研究

实测了6135柴油机气门机构处于不同状态时的缸盖振动信号,计算振动信号的多重分形维数,将其用于刻划缸盖在气门不同状态时表现的非线性行为,从而对故障分类与诊断。结果表明,当气门在不同状态时缸盖振动信号的多重分形维数是不同的,可以将其作为判断气门状态的依据。     

分形维数在内燃机振动诊断中的应用

将分形理论引入内燃机的振动诊断中,根据内燃机的配气定时,着重研究了缸盖振动信号中对应燃烧段的数据,计算其关联维数,将关联维数用于刻划内燃机缸盖在气门不同状态时表现的非线性行为,从而进行故障诊断与分类。结果表明,当气门在不同状态时,缺盖振动信号中对应燃烧段数据的关联维数是不同的,可以将其作为判断气门漏气的一个诊断特征量。     

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。     

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。     

基于分形维数的柴油机气门故障诊断技术研究

振动监测技术是当前柴油机状态监测和故障诊断的基本方法,本文通过分析柴油机缸盖振动信号的吸引子图来定性刻画其振动的复杂度,并采用抽区间分析法,利用二进小波变换对柴油机燃烧段缸盖振动信号分解,提取其高频信息,结合G-P算法计算其高频信息的关联维数.研究表明,计算柴油机缸盖振动信号的关联维数是一种诊断柴油机气门故障的有效方法.     

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。     

柴油机气阀间隙异常的诊断

通过调整柴油机气阀机构的不同气门间隙,采集柴油机缸盖表面的振动信号.通过计算柴油机缸盖表面振动信号的小波包能量、奇异性指标,最大幅值、分形维,并建立柴油机缸盖表面振动信号的AR和ARMA模型,得到模型的残差,最后利用这些特征参数,应用模糊聚类法进行故障诊断.     

故障诊断中的多重分形分析

建立了模拟实际故障的实验装置,采集了碰摩故障、油膜振荡及碰摩和油膜振荡相互作用的耦合故障振动信号。运用多重分形理论,对实测故障信号计算出多重分形广义维数,重点讨论广义分形维数谱和奇异谱,并提出广义维数谱能和奇异谱能的概念,并以两谱能作为特征量,实现对故障特征的提取与识别。研究表明:将广义维数谱能和奇异谱能结合使用,有利于分析识别故障信号,增强可靠性。该研究为复杂旋转机械故障诊断提供了一种识别方法。     

滚动轴承振动信号的非线性分形特性研究北大核心

为研究球轴承振动信号的非线性分形特性,对Hurst指数及多重分形计算分形特征的方法进行改进。采用2次分割充分利用数据,并对不同状态振动的Hurst指数和多重分形谱的变化规律进行了仿真及试验研究。结果表明:正常状态振动呈现正的持续性,故障状态振动具有反持续性,故障状态振动的波动影响范围比正常状态振动的小;振动信号具有不均匀的自相似性(即多重分形特征),振动状态与多重分形谱的形状之间存在着对应关系。     

滚动轴承振动信号的非线性分形特性研究

为研究球轴承振动信号的非线性分形特性,对Hurst指数及多重分形计算分形特征的方法进行改进。采用2次分割充分利用数据,并对不同状态振动的Hurst指数和多重分形谱的变化规律进行了仿真及试验研究。结果表明:正常状态振动呈现正的持续性,故障状态振动具有反持续性,故障状态振动的波动影响范围比正常状态振动的小;振动信号具有不均匀的自相似性(即多重分形特征),振动状态与多重分形谱的形状之间存在着对应关系。     

基于LabVIEW的刀具磨损监测分形识别平台

将分形应用在刀具状态监测中,随着刀具磨损量的增加,刀具与工件之间的磨损加剧,振动信号的波形变化越来越不规则,信号的分形维数逐渐增大.盒维数和信息维数变化较小,但变化趋势明显;关联维数的变化相对较大,新刀的关联维数最小,报废刀的关联维数明显增大.识别结果表明,刀具在整个磨损历程中振动信号分形维数的变化规律,其大小能较好地反映刀具不同磨损状态,运用振动信号的分形维数可以有效实现刀具磨损状态的监测.     

内燃机气阀漏气故障的高阶谱分析

将高阶谱理论引入内燃机的振动诊断中,分析了不同状态时缸盖表面振动信号的三阶谱特性,并计算出三阶谱的峰值,用于刻划各状态时缸盖系统的非线性行为。结果表明:正常状态时缸盖表面振动信号的三阶谱接近为零,可以认为缸盖系统是线性系统;当气阀发生漏气故障时,缸盖表面振动信号的三阶谱就会出现较大的峰值,而且不同状态时所对应的峰值也存在着较大差别,说明不同气阀漏气状态时缸盖系统表现出不同程度的非线性。可以将三阶谱的峰值作为判断气阀是否漏气的一个诊断特征量,同时也为诊断内燃机气阀的早期漏气故障提供了依据。     

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。     

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。     

基于过程分段多重分形的往复压缩机故障诊断研究

根据往复压缩机工作的阶段性对其振动加速度信号进行分段,应用多重分形理论对各个阶段信号进行故障特征提取。多重分形谱能够刻画信号的细节特征,将可明显区分的谱参数作为特征量,实现了对往复压缩机的故障诊断。经过对2D12型往复压缩机振动加速度实测数据的多重分形谱计算,结果表明谱参数Δα、α(f_(max))、Δf和B组成的特征向量可明显区分出其不同的故障状态,验证了该方法的有效性。     

基于多重分形与CPSO-SVM的车辆传动箱状态识别研究

针对车辆传动箱振动信号的非线性,提出一种将多重分形与支持向量机相结合的状态识别方法。运用奇异谱和广义维数来描述其振动信号特征,并将其作为支持向量机的输入特征量。将改进的混沌粒子群算法引入到支持向量机参数优化中,实现对惩罚函数c和径向基函数σ的智能优化选取。实验结果表明,该方法建立的SVM分类模型能够对车辆传动箱不同运行状态进行分类,并且具有更高的准确率。     

磁流变阻尼器振动信号的三谱-关联维研究

研发一种新型的磁流变阻尼器,用专门设计的测试平台测试其动力学特性,通过采集振动过程中的位移信号,建立时间序列的AR三谱模型,采用关联维数定量刻画振动过程中不同工作状态的分形特征.结果表明,在不同工作状态下,三谱切片可以获得信号的非高斯、非线性幅频特性信息,且与振动信号的关联维数存在相关性,对选取磁流变阻尼器最优工作参数有重要的意义.     

气阀机构故障诊断的非线性方法研究

本文计算了气阀在不同状态下缸盖援动信号波形的多重分形维数,以此作为神经网络的训练和识别输入,达到对气阀机构进行故障诊断的目的,为非线性方法在内燃机故障诊断中的应用研究进行了有益的尝试。     

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。     

基于多重分形的往复压缩机分级诊断研究

应用多重分形理论实现了往复压缩机振动信号的故障特征提取。广义维数Dq作为故障特征参数能够很好地反映往复压缩机的工作状态。广义维数谱中Dq的最大值与最小值之差△Dq反应了振动信号波动的大小,通过比较压缩机两级正常与故障状态下的△Dq之差,可以评定哪一级出现了故障,实现往复压缩机运行状态的分级诊断。对多种故障类型的大量数据分析验证了此方法的有效性。