基于模糊理论对地铁车辆制动系统故障诊断

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。     

基于模糊理论对地铁车辆制动系统故障诊断

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。     

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。     

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。     

基于多重分形的风力机主轴承故障诊断应用

大型风力机主轴承系统动力特性复杂,表现出强烈的非线性、强耦合和时变特征,故障特征信号被噪声调制污染,难以提取。基于多重分形对风力机主轴承系统故障诊断进行了研究,方法表明多重分形奇异谱的谱峰、谱宽值对不同故障变化敏感,其识别率比传统方法或单一的分形维数更有效。该方法不依赖风力机主轴承系统的数学模型,对整体系统信息状态反映直观,有助于大型风力机这样的复杂动力特性状态的早期识别。某风场3WM大型风力机主轴实验结果证明该方法快速、有效。     

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。     

基于形态学多重分形的风电机组轴承故障诊断

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。     

基于分形理论的高速自动机故障诊断

以W85高射机枪自动机为实验对象,针对短时冲击信号特点,利用分形维数进行故障类别分析,实现自动机的故障诊断。     

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。     

铁道车辆平轮在线监测技术初探

铁道车辆踏面平轮故障危及列车行车安全。本文提出车轮半径偏差检测方法，在线检测诊断铁道车辆平轮故障的方案，实验结果证明了其可行性     

基于多重分形去趋势互相关分析的齿轮箱故障诊断

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。     

基于分形理论的机械故障诊断的应用研究

将分形的有关理论与机械故障诊断联系起来,论述了分形维数的基本概念,介绍了网格维数及其求取方法。通过对模拟信号、齿轮振动信号进行分形诊断表明,分形网格维数诊断可以模糊诊断出到底是哪一部分最有可能发生故障,证实了分形网格维数的普遍性和通用性。分形网格维数诊断方法能有效地诊断齿轮局部故障,具有广泛的应用前景。     

多重分形在旋转机械故障诊断中的应用

针对旋转机械故障特点 ,提出利用多重分形广义维数来描述信号特征 ;以振动信号模式空间样本库为基础 ,给出利用维数相关系数进行故障识别的旋转机械故障诊断方法。应用于圆盘故障诊断 ,效果令人满意     

基于分形理论的旋转机械故障诊断及其应用

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。     

基于分形理论的旋转机械故障诊断及其应用

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。     

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LCD和多重分形去趋势波动分析的故障诊断方法

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。