基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明:所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解(Local Mean Decomposition,LMD)与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。

广义形态骨架与p分位形态谱

本文在扼要回顾形态骨架的研究之后,提出集合的广义形态骨架和图象的p分位形态谱新概念,考察其意义、特性及其在图象的形态表示、重构、滤波及模式特征提取中的作用。

基于数学形态谱的水泵振动识别研究

针对实测水泵振动信号夹杂噪声等现象,利用多尺度数学形态谱及形态谱熵理论,对不同转速下的水泵振动实测信号进行分析,提取相应的特征形状和特征量,进行振动故障识别,并验证了该方法的可行性与准确性。研究表明,随着转速的逐步增加,存在着不对中和不平衡故障的水泵机组,其振动特性可以划分为正常运行、周期性碰摩运行及混沌运行3类;当水泵振动类型相同时,随着转速的变化,相应的数学形态谱及形态谱熵分析结果几乎不变;采用数学形态谱及形态谱熵理论能够对夹杂大量噪声的故障测试信号进行分析处理,且故障信号识别成功率较高,其中形态谱识别成功率高于形态谱熵,能较好地达到故障识别的目的,也充分证明了该方法的抗干扰性。

基于EEMD形态谱和KFCM聚类集成的滚动轴承故障诊断方法研究

针对滚动轴承的故障诊断问题,提出了一种基于集总经验模态分解(EEMD)、形态谱特征提取和核模糊C均值聚类(KFCMC)集成的故障诊断新方法。首先,对实测的滚动轴承振动信号进行EEMD分解,得到若干个代表不同振动模态的内禀模态函数(IMF);其次,基于峭度、能量和均方差三个评价指标,从分解得到的若干个IMF分量中选出含有故障特征信息最丰富的3个IMF分量作为诊断用的数据源;然后在选定尺度范围内提取每个IMF分量的形态谱平均值,将三个形态谱平均值构成一个三维特征向量,作为一个样本,形成样本集;最后,利用KFCMC完成对滚动轴承不同故障的分类识别。此外,为了对比说明该方法的识别效果,还将振动信号用经验模态分解(EMD)方法进行分解,用模糊C均值聚类(FCMC)进行分类识别,结果表明所提方法的识别效果要优于EMD形态谱和FCMC相结合的方法。通过对实测的滚动轴承振动信号的实验验证,表明该方法可以实现对滚动轴承故障的有效诊断。

局部放电灰度图象数学形态谱的研究

局部放电模式识别是判断电气设备绝缘状况和区分外部脉冲干扰的有效手段之一。数学形态学颗粒分析是一种十分有效的图像处理工具,主要用来处理灰度图像的粒度和形状特征,或者说通过数学形态谱以分析图像的纹理特征。提出了一种适用于局部放电模式识别的局部放电数学形态谱提取方法。该方法基于形态学颗粒分析理论,采用多尺度形态学“开”运算提取局部放电灰度图象的数学形态谱,并以此作为局部放电模式的特征向量。通过双隐层人工神经网络分类器实现放电模式识别。针对电力变压器内部放电和空气中放电设计了6种典型的放电模型,计算其形态谱,输入双隐层人工神经网络实现放电模式识别,识别结果表明了该方法的有效性。

基于故障特征频带及形态谱的单相接地故障选线

针对谐振接地系统中发生小故障角故障和高阻接地故障的故障选线可靠性不高的问题,利用各线路零模电流暂态分量能量和最大原理构成的特征频带,详细讨论了故障线路和健全线路在不同故障情况下的零模电流在特征频带内的相位幅值差异,避免了传统提取特征频带时无法统一各线路特征频带的不足。基于此提出了综合利用特征频带和数学形态谱的融合判据实现故障选线,利用故障零模电流进行特征频带求取,提取特征频带内电流进行形态谱运算,用形态谱表征特征频带特征。PSCAD/EMTDC及综合实验平台仿真和实测数据表明:一方面零模电流的特征频带能有效滤除信号干扰,使故障线路与健全线路零模电流的幅值和相位差异更显著;另一方面由于形态谱在多刻度下对信号形态进行分析,基于形态谱的选线方法具有较强的抗干扰能力,可靠性更高。

一种基于数学形态学形态谱的图形形状分析判据

数学形态学(Mathematic Morphology)是一种重要的图象处理算法体系。

基于数学形态谱的配电网接地选线新方法

分析了配电网故障选线的现状,提出了一种新的基于图形识别的数学形态谱选线方法。从配电网发生单相接地时各线路的零序电流波形出发,采用不同刻度大小的结构元素对电流波形进行形态学开、闭运算,将运算结果对刻度求导,得到形态谱值曲线,求出各线路形态谱,找出形态谱不同于其他线路的线路即是故障线路。Matlab仿真结果表明,该方法不受有无中性点消弧线圈、过补偿度、过渡电阻和短路时刻的影响,能准确地选择出故障线路,为配电网单相接地选线提供了一种全新的思路。

基于数学形态谱和LS-SVM的变压器励磁涌流和短路电流识别方法

利用数学形态谱对变压器短路电流和励磁涌流时域波形进行变换,以前11刻度对应的形态谱值作为最小二乘–支持向量机(LS-SVM)的输入特征量,对变压器短路电流和励磁涌流进行分类。仿真结果表明该方法不受变压器剩磁、合闸角等因素的影响,在小样本情况下具有很好的分类能力,是一种准确有效的识别方法。

基于数学形态谱的逆变器功率管开路故障诊断

针对逆变器功率管开路故障,提出一种基于数学形态谱的逆变器开路故障诊断方法。利用逆变器故障状态下的三相输出电流出现波形上缺失、下缺失、上下都缺失以及严重畸变的差异,求取正常电流信号及上述4种故障电流信号的形态谱,提取形态谱中前11个归一化谱值作为特征向量输入ELM神经网络进行区分,并结合简单的三相输出电流故障判别机制,实现故障功率管的准确定位。仿真结果表明,该方法的故障区分率超过96%。最后利用实验数据验证了所提方法的有效性。

形态谱在发电机组故障趋势分析中的应用

为了分析发电机组振动信号在能量和波形方面的细小变化,从而反映发电机组的早期故障趋势,提出了基于数学形态谱的故障特征量.通过多刻度数学形态学运算,提取振动信号的形态谱,并对形态谱作统计分析,获得了形态谱偏态因子与裕度,其结果能较好地反映振动信号的细微变化.形态谱偏态因子与裕度比传统的振动通频与烈度能更好地反映发电机组的故障发展趋势.

基于形态谱的磨粒图像特征参数提取方法

为提高磨粒识别的精度,提出一种基于形态谱磨粒图像特征参数提取新方法,给出磨粒图像的归一化形态谱的计算方法,并将磨粒的形态谱作为其特征向量,采用径向基函数神经网络对磨粒进行自动识别。结果表明:利用磨粒的形态谱实现了对球形磨粒、切削磨粒、严重滑动磨粒、疲劳剥块4种典型磨粒的分类识别,磨粒的形态谱可以作为磨粒的有效特征参数。

参数优化形态谱和SVM的行星齿轮箱故障诊断

针对行星齿轮箱的故障诊断问题,提出一种参数优化数学形态谱和支持向量机的行星齿轮箱故障识别方法。该方法考虑形态谱参数选择对同型故障一致性和不同故障差异性的影响,通过相对误差指标值的大小选择形态谱最优参数,对形态谱参数进行优化选择,提取故障特征,并采用支持向量机完成行星齿轮箱故障的故障识别。相较传统行星齿轮箱故障诊断而言,该方法对形态谱参数进行了定量分析,且无需复杂数学建模,和频率成分分析,简化故障识别过程。为了验证该方法的有效性,对行星齿轮箱试验台信号进行了分析实验,结果表明了该方法可有效地识别齿轮故障类型。

形态谱分量函数及形状分析

本文基于数学形态学理论提出了描述物体形状特征的形态谱分量函数并讨论了其性质。该函数能够给出难以用经典的形态谱描述的形状方向信息，并能有效地应用于形状分析。给出了实际图象提取形态谱分量函数的方法，提出了有效的距离函数并用于形状分析。

基于改进数学形态谱的齿轮箱轴承故障特征提取

特征提取是实现故障模式识别的关键环节。针对传统数学形态谱在计算速度及故障模式区分能力上的不足,将数学形态腐蚀运算引入到形态谱计算中,提出一种基于改进数学形态谱的特征提取方法,该方法可以表征信号不同分析尺度下的形态特征,进而区分信号所反映的运行状态。引入仿真信号对该方法的有效性进行对比验证,结果表明:与传统数学形态谱相比,改进的数学形态谱可以有效地区分机械设备的不同故障状态,稳定性强、计算速度更快。在此基础上对不同参数的影响效果进行了分析。最后,采用实测滚动轴承振动信号验证了该方法在实际工程应用中的有效性。

形态谱的一般性构造形式及其鲁棒性分析

本文建立了形态谱一般性的构造形式，针对一噪声模型，分析了各种形态谱的鲁棒性（Ｒｏｂｕｓｔｎｅｓｓ），理论分析与实验计算表明通常形态谱的鲁棒性具有一定局限性。

变压器局部放电信号数学形态谱的研究

对变压器局部放电信号数学形态谱进行了研究,并进行了验证。

基于数学形态谱和人工神经网络的高压输电线接地故障类型识别方法

高压输电线接地故障的正确、快速识别是处理故障的前提之一。该文提出了一种基于数学形态谱和人工神经网络识别高压输电线路接地故障类型的新方法。数学形态学颗粒分析是一种用来处理图像的粒度和形状特征的图像处理工具。该方法通过对故障电流进行相模变换后,用数学形态学颗粒分析方法提取序电流分量的形态谱,并作为神经网络的输入,实现对接地故障类型的识别。仿真表明,该方法具有较高是识别率。

图象形态谱分析方法和物体形状表示

本文提出一种物体形态谱分析方法,这种方法可以用物体的形态谱表示复杂物体的形状、定量地描述物体的形状和尺寸的大小。这种方法的主要优点是具有位移不变性、高数据压缩率、容易用硬件实时实现以及可以由物体形态谱表示精确地重构原始图像等。物体的形态谱分析方法可以方便地用在图象分析、模式识别和图像传输等应用领域。