共查询到20条相似文献,搜索用时 9 毫秒
1.
2.
地铁车辆的制动系统是一个复杂系统,制动系统出现故障时,由于造成制动系统故障的原因很多,所以很难快速排查到造成故障的原因,使排查制动系统故障的工作进展困难,从而影响地铁车辆的正常运行。针对地铁车辆制动系统故障排查难的问题,利用模糊关系方程的诊断方法查找制动系统故障问题的原因,通过模糊关系方程建立起故障原因与故障表现之间的模糊关系,建立相应的模糊诊断矩阵;并通过一个具体的制动系统故障案例,利用此诊断方法得出的故障原因与实际故障原因相符,证明该诊断方法可以应用到地铁车辆制动系统故障诊断。 相似文献
3.
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。 相似文献
4.
5.
6.
7.
8.
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。 相似文献
9.
10.
11.
12.
13.
《机械传动》2016,(1)
多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis,MFDFA)算法只能处理一维时间序列,当采用MFDFA算法分析复杂的齿轮箱故障信号时,其分析结果容易受到信号噪声及其它因素的干扰。解决这个问题的有效方法是采用多维数据分析方法,为此本文采用多重分形去趋势互相关分析(Multifractal Detrended Cross-correlation Analysis,MF-DCCA)算法来分析齿轮箱振动信号,提出了基于MF-DCCA算法的齿轮箱故障诊断方法。该方法首先计算二维振动信号的互相关函数,然后再分析互相关函数的多重分形特征。将本文所提出的方法用于分析实际齿轮箱的振动信号,结果表明该方法能够区分相近的齿轮箱故障模式,在齿轮箱故障诊断中取得了良好的效果,与基于MFDFA算法的方法相比具有明显的优势。 相似文献
14.
15.
16.
将分形的有关理论与旋转机械故障诊断联系起来,论述了分形维数的基本概念,研究了用相空间重构法求取关联维数的相关算法,并结合实例探讨了分形维数在机械故障诊断中的应用。 相似文献
17.
将分形的有关理论与旋转机械故障诊断联系起来,论述了分形维数的基本概念,研究了用相空间重构法求取关联维数的相关算法,探讨了分形维数在机械故障诊断中的应用。 相似文献
18.
基于分形和小波包理论的滚动轴承故障诊断 总被引:1,自引:0,他引:1
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。 相似文献
19.
20.
针对滚动轴承振动信号非线性、非平稳性以及故障特征难以提取的问题,提出了基于局部特征尺度分解(local characteristic-scale decomposition,LCD)和多重分形去趋势波动分析(multifractal detrended fluctuation analysis,MFDFA)的故障诊断方法。该方法首先利用LCD将振动信号分解成不同尺度下的内禀尺度分量(intrinsic scale component,ISC)。其次,对包含主要信息的前几个ISC分量进行MF-DFA分析,并选取每个ISC分量的Hurst指数作为故障特征。然后,采用线性局部切空间排列(liner local tangent space alignment,LLTSA)对故障特征进行降维以获得对故障敏感的低维特征。最后,利用支持向量机(support vector machine,SVM)对提取特征进行分类识别。滚动轴承的故障诊断实验表明,所提方法能够有效地识别滚动轴承的典型故障,具有一定的优势。 相似文献