基于变分模态分解及广义分形维数的高压断路器机械故障诊断方法研究

高压断路器在电力系统安全稳定运行中起到至关重要的保护作用,其运行状态是否良好对于保障系统供电可靠性意义重大。而高压断路器在实际运行工况下,周围环境较为复杂,背景噪声对故障识别影响较大,针对其故障特征难以提取的问题,本文提出了变分模态(Vibration Mode Decomposition,VMD)和广义分形维数(General Fractal Dimension,GFD)相结合的新型行星齿轮箱故障诊断方法。其中,VMD是一种具有良好性能的信号分解方法,在信号降噪、分解、处理领域中,经VMD处理后得到的各分量信噪比较大,优势明显。广义分形维数对于故障特征的识别能力良好,能从VMD处理后的分量中提取其包含的信号特征。因此,以上两种方法相结合的新方法,能有效提高高压断路器的故障诊断效率和准确性。

形态学广义分形维数在发动机故障诊断中的应用

发动机故障信号是一种典型的非线性信号,分形几何理论为描述非线性故障信号的特性提供了一个有力的分析工具。广义分形维数能够很好的描述信号的几何特征和局部尺度行为,所蕴含的信息比单一的分形维数要深刻而全面。针对传统的广义分形维数计算方法的缺陷,本文提出基于数学形态学操作的广义分形维数计算方法,并对发动机正常、失火和气门间隙过大故障信号进行了分析,结果表明,与传统的盒计数法计算的广义分形维数相比,形态学广义分形维数能够更加有效地区分发动机在不同状态下的信号,并且数学形态学只涉及简单的加减和取大、取小运算,因此计算简单快速,为准确判断发动机故障状态提供了一种快速有效的新方法。

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。

基于形态学广义分形维数的电力电子电路故障诊断

电力电子电路故障检测和诊断,是保证电力电子装置安全、可靠运行的一个重要手段。针对传统电力电子电路故障诊断方法存在的局限性,提出了一种基于数学形态学广义分形维数的新方法。结合分形几何理论,求取不同故障的输出电压波形的分形维数,以此作为故障特征,再与神经网络相结合,进行有效识别。以一个实际的Buck功率电路为例,对其各类故障信号进行了分析。结果表明,与传统的盒计数法计算的广义分形维数相比,形态学广义分形维数能够更加有效地区分Buck电路在不同状态下的信号,并且数学形态学只涉及简单的加减和取大、取小运算,因此计算简单快速,估计准确稳定,为准确判断电力电子电路故障诊断提供了一种快速有效的新方法。

应用S.L.Peng窄带分解与广义分形的自动机故障诊断

针对某型高射机枪自动机振动信号低信噪比、干扰多的特点,提出利用S.L.Peng的局部窄带分解理论对信号进行分解和重构,并用支持向量机对故障模式进行识别。通过对自动机故障机理分析,找到易发生故障的位置,并设置3种故障后进行振动信号采集。将信号通过基于局部窄带信号的分解和重构后通过广义维数计算获得各种工况的盒维数、信息维数、关联维数、广义分形维数谱均值,将其供给支持向量机进行故障分类。所得诊断结果准确率达93.75%,具有一定的参考及实用价值。

彩色图象的广义分形小波变换压缩算法

基于广义二维分形小波变换,提出了一种新的复合分形小波变换图象编码算法,并将该算法推广到三维彩色空间,实现了彩色图象压缩。同时,提出了一种自适应小波子树分割算法。该算法根据图象局部区域纹理的复杂程度对小波树进行分割,有效地避免了解压缩图象中的分块效应。对彩色图象的实验表明在压缩比相同的情况下。新算法可得到更好的图象效果。

形态学多尺度广义分形矩阵在轴承故障诊断中的应用

针对轴承故障信号非线性特征提取的问题,提出一种形态学多尺度广义分形矩阵对轴承故障信号进行表征。形态学多尺度广义分形矩阵采用数学形态学覆盖法估计信号的分形维数,同时考虑信号在尺度和统计分布上的非严格自相似性,包含比传统分形维数更为丰富和全面的信息。采用轴承7种状态下的振动信号对形态学多尺度广义分形矩阵进行验证,结果表明:与传统的单一分形维数、广义分形维数和多尺度分形维数相比,形态学多尺度广义分形矩阵具有更高的轴承故障诊断精度。

船只衰落尾迹的小波多尺度广义分形特征分析

船只衰落尾迹遥感图像是弱反差纹理图像,检测强尾迹的方法不具有适用性。基于区域特征统计比较的思想,构建了一种会聚衰落尾迹异常的小波多尺度广义分形特征提取方法。该方法由小波多尺度分解、细节图像融合、多尺度基本特征计算、多尺度分形特征计算和广义分形特征计算等5步骤组成。仿真实验表明,该特征能完整表达尾迹并体现强弱差别,是一种有效的船只衰落尾迹检测技术,具有广泛的应用前景。

基于数学形态学广义分形维数逆变器故障诊断

基于逆变器开路故障输出电流波形的差异,提出将形态学广义分形维数运用于逆变器故障检测中。将逆变器三相输出电流按a,b,c三相依次取六个不同参数下的形态学广义分形维数作为ELM神经网络的输入,以故障类型作为神经网络的输出。仿真结果显示该方法的故障区分率高达97.62%。基于三相输出电流的形态广义分形维数能够准确的识别出逆变器在各种故障状态下的电流信号,为逆变器开路故障诊断提供了一种简单准确的新方法。

分形与广义分形空间的统一框架及广义分形序列的极限

对于完备度量空间(X,d),将相应的分形空间(H(X),h)和广义分形空间(LH(X),h)纳入统一的框架,即X上的超空间(P0(X),h)。对于局部紧的完备度量空间,给出相应的广义分形空间中Cauchy序列极限的两种表示。

基于数学形态学的广义分形维数的内燃机燃烧信号提取

针对中小功率内燃机工作时所发出的典型非线性非平稳信号,开发了一种振动信号采集设备,提出一类以数学形态学为基础的广义分形维数的特征提取方法,在对振动冲击信号进行预处理之后,通过形态学的广义分形维数估计提取燃烧时的特征信号,以监测内燃机的燃烧状态。实验数据表明,利用以数学形态学为基础的广义分形维数能够获得有效地燃烧振动波形。

一种基于广义多尺度分形参数的小目标检测方法

复杂场景中小目标的检测是一个难点。本文从分数布朗随机场模型的描述出发，提出并构造了一种广义多尺度分形参数，用于描述图像的纹理信息。它可以作为区分分形集合与非分形集合的一种有效的测度。进一步，基于广义多尺度分形参数，本文提出了一种具有抗噪性能的稳健的目标提取算法，并用于海上小目标的提取。对于实际图像的实验结果表明，本算法具有极高的检测精度。

振动信号扩展广义多重分形维数算法

提出了一种由传统的G-P关联维数算法扩展而成的广义多重分形维数算法,可简单可靠地完成振动信号广义多重分形维数的计算。该算法在权重因子为负值时亦具有很好的适用性,同时对权重因子q的取值范围进行了讨论。将该算法应用于振动实验台上采集的不同状态下的振动信号,结果验证了算法的简单性和可靠性,计算得到的广义多重分形维数可以有效地识别设备所处的振动状态,同时还指出振动信号广义多重分形维数谱的上下波动幅值与其频率分量的复杂程度相关。

基于多重分形广义维数的机械故障诊断方法

提出利用多重分形广义维数来描述信号特征,并以振动信号广义维数、广义维数谱图、敏感维数为特征向量的模式空间样本库为基础,给出了通过维数相关系数等判别条件进行识别的机械故障多重分形广义维数诊断方法.应用于圆盘类裂纹故障的诊断,取得了令人满意的结果.

辛几何模态分解和广义形态分形维数的液压泵故障诊断

针对液压泵故障诊断问题,本文提出了一种基于辛几何模态分解和广义形态分形维数相结合的方法。对实测液压泵多模态故障振动信号进行分解;基于所提出的能量选取法,重构含有丰富运行特征信息的模态分量,并将其作为数据源;基于数据源提取,实现对液压泵不同故障的诊断。通过对比分析仿真和实测液压泵故障振动信号的试验结果,验证了该方法可以有效地诊断液压泵不同故障。

改进AMD广义形态分形维数和KFCMC的液压泵故障诊断方法

针对液压泵故障诊断问题,提出了一种基于改进解析模态分解(AMD)、广义形态分形维数(GMFD)和核模糊C均值聚类(KFCMC)相结合的新方法。根据故障特征频率先验知识,在有效二分频范围内对实测液压泵多模态故障振动信号进行AMD分解,并基于欧氏距离法选定实现最优分解的二分频;将基于最优二分频所提取含有丰富运行特征信息的故障分量信号作为数据源,并提取GMFD作为特征向量;利用KFCMC实现对液压泵不同故障的诊断。此外,还利用原始AMD、经验模态分解(EMD)、集总经验模态分解(EEMD)、局部均值分解(LMD)、变分模态分解(VMD)和模糊C均值聚类(FCMC)方法对上述信号进行分析,结果表明所提方法效果要优于上述传统分解和诊断方法。通过对仿真和实测液压泵故障振动信号的实验验证,表明该方法可以有效地诊断液压泵不同故障。

绝缘子污秽放电泄漏电流的多重分形特征研究

泄漏电流信号中含有丰富的体现绝缘子污秽放电发展的特征量。论文在反复实验研究的基础上,利用分形理论提取了绝缘子污秽放电发展过程中泄漏电流的多重分形特征,分析了4种污秽度及不同污秽放电发展区段中多重分形特征量的变化规律:得出不同污秽度下广义分形维数减小速度不同,多重分形谱的谱宽随污秽度的增大而增大;不同污秽放电区段多重分形谱的形状和谱宽差异明显;结果表明:泄漏电流波形的广义分形维数和多重分形谱宽能有效预测污秽放电的发展趋势,为污闪预警提供了一种新方法。

基于多重分形理论与神经网络的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多重分形与神经网络相结合的机械故障诊断方法。采用多重分形理论计算出振动时间序列的多分形谱f(α)和广义分形维数D(q),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,对采自齿轮故障台的振动信号进行故障分类。作为对比,将关联维数作为特征量输入同样参数的概率神经网络并进行故障识别,结果表明,所提出的方法具有更高的识别率。

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为0.01 mm.

海杂波多分形特性分析及小目标检测技术研究

为判定海杂波是否具有多重分形特性,采用小波模极大值法和多分形消趋势波动分析法对任一距离单元的实测海杂波数据进行分析,提出一种基于时间-距离单元-幅度图法,基于该方法对多距离单元海杂波数据进行分析,分析结果表明海杂波具有多分形特性,当海杂波存在小目标时,分形受到"干扰",多分形特征存在明显差异。通过分析还发现当Rényi参数q<0时,距离单元含小目标的广义分形维明显大于其他距离单元只含海杂波的广义分形维;而当q>0时,这种规律不是很明显,因此提出一种基于不同距离单元间广义分形维偏差的方法来检测海杂波背景下小目标,实验结果表明该方法是有效的。