下载文档原格式
第45卷第4期2016年8月船海工程SHIP&OCEAN ENGINEERINGVol.45 No.4Aug.2016D01：10. 3963/j.issn.1671-7953. 2016.04.030基于EEMD和分形维数的船用齿轮箱故障诊断方军强,周新聪，赵旋(武汉理工大学a.能源与动力工程学院可靠性工程研究所；b.高性能舰船技术教育部重点实验室，武汉430063)摘要:针对船用齿轮箱故障诊断时故障特征提取困难和EMD模态混叠的缺陷等问题，采用改进的EE-MD算法和分形维数，通过在齿轮箱故障实验台模拟齿轮的断齿、裂纹和正常3种状态，并提取特征参数，实 验表明，EEM D和分形理论的结合能有效提取齿轮箱的特征参数，判断齿轮箱的工作状态和故障形式。
关键词:EEMD;分形维数;故障特征提取;齿轮箱故障诊断中图分类号:U664.2 文献标志码:A现代船舶设备大型化，自动化程度越来越高，自然而然设备的功能变得越来越强大，结构变得 更加复杂，设备先进化大大的提高了生产效率，但 是设备故障率明显增大，故障后诊断和维修越来 越困难[W]。
船舶齿轮箱是动力装置中的重要部 分，结构复杂，工况恶劣，容易出现故障。
目前齿 轮箱故障诊断方法多种多样，包括小波分析，窗口 傅里叶变换及威格尔分布等，但是这些方法都是 把齿轮箱的振动信号看做是一个平稳过程，其实 齿轮箱的振动是一个非平稳过程。
EEMD继承了 EMD算法的非平稳信号分析的自适应性，使用 EEMD算法对齿轮箱进行分析和判断，解决了 EMD模态混叠的缺陷。
而分形维数能很好的把 每一个分解模态都提取出来[3]。
为此，采用EE-MD方法分解齿轮箱振动信号，并结合分形理论 对分解的信号进行分形维数计算，从而解决齿轮 箱故障特征信号提取困难和干扰严重的问题。
1EEMD原理针对EMD[4]存在的模态混叠现象，EEMD分 解原理为:首先在信号中附加一个白噪声，这个白 噪声具有零均值，服从正态分布的特点。
分形维数在机械故障诊断中的具体应用
赵树魁;周景新;黄楠
【期刊名称】《东北电力大学学报》
【年(卷),期】2005(025)006
【摘要】从应用实际出发,运用分形几何的关联,Hausdorff、计盒维数的理论和方法,找出一种求分维数的切实可行、简捷实用的方法,从而研究实施并讨论了在发动机故障诊断中运用分形理论的问题,并且对几个振动故障信号进行了较为具体的分析.
【总页数】5页(P68-72)
【作者】赵树魁;周景新;黄楠
【作者单位】吉林化工学院,吉林,吉林,132022;北华大学,吉林,吉林,132013;北华大学,吉林,吉林,132013
【正文语种】中文
【中图分类】O189.3
【相关文献】
1.分形维数在发动机故障诊断中的具体应用 [J], 何文阁;周景新
2.粗集理论及其在旋转机械故障诊断中的应用(二)旋转机械故障诊断知识库的形成[J], 许琦;顾海明;李永生
3.广义分形维数在旋转机械故障诊断中的应用研究 [J], 徐玉秀;侯荣涛;杨文平
4.基于LMD和时频谱分形维数的断路器机械故障诊断方法 [J], 李国立;霍明霞;高
新志;苗堃;任新军;齐文炎;朱继鹏
5.分形维数在大型旋转机械故障诊断中的应用 [J], 李永强;刘杰
因版权原因，仅展示原文概要，查看原文内容请购买。
《基于数学形态学分形维数的旋转机械故障诊断方法》篇一一、引言旋转机械作为工业生产中的重要设备，其运行状态直接关系到整个生产线的效率和安全性。
然而，由于长时间运行、环境变化、设备老化等因素的影响，旋转机械常常会出现各种故障。
为了及时发现和诊断这些故障，提高设备的运行效率和可靠性，本文提出了一种基于数学形态学分形维数的旋转机械故障诊断方法。
二、数学形态学与分形维数理论基础1. 数学形态学：数学形态学是一种基于集合代数理论的图像处理方法，通过构造和提取图像的结构信息来分析和诊断图像特征。
2. 分形维数：分形维数是描述分形结构复杂性的重要参数，通过计算分形维数可以反映图像的纹理特征和空间分布特性。
三、基于数学形态学分形维数的旋转机械故障诊断方法1. 数据采集与预处理：首先，通过传感器对旋转机械的运行状态进行实时监测，采集包括振动、声音、温度等数据。
然后，对数据进行预处理，包括去噪、滤波等操作，以提高数据的信噪比。
2. 特征提取：利用数学形态学的方法，对预处理后的数据进行特征提取。
通过构造不同的形态学算子，如腐蚀、膨胀、开运算、闭运算等，提取出与旋转机械故障相关的特征。
3. 分形维数计算：将提取出的特征图像进行分形维数计算。
通过计算图像的分形维数，可以反映图像的纹理特征和空间分布特性，从而进一步反映旋转机械的故障情况。
4. 故障诊断与预警：根据计算得到的分形维数，结合专家知识和经验，对旋转机械的故障进行诊断和预警。
当分形维数超过预设阈值时，认为设备可能存在故障，需要进行进一步的检查和维修。
四、实验与分析为了验证本文提出的故障诊断方法的有效性，我们进行了大量的实验。
实验结果表明，该方法能够有效地提取出与旋转机械故障相关的特征，并准确地诊断出设备的故障情况。
此外，通过计算分形维数，还可以对设备的运行状态进行实时监测和预警，为设备的维护和保养提供了重要的依据。
五、结论本文提出了一种基于数学形态学分形维数的旋转机械故障诊断方法。
四分位距误差
四分位距误差：深入解析与应用
四分位距（Interquartile Range，简称IQR）是一种统计量，用于描述一组数据中间50%的数值分布范围。
它是上四分位数（Q3）与下四分位数（Q1）之间的差值，即IQR = Q3 - Q1。
四分位距误差，即IQR的误差估计，有助于我们了解数据分布的稳定性、异常值的存在以及数据的可靠性。
首先，四分位距误差可以帮助我们识别数据中的异常值。
由于IQR描述了中间50%的数据范围，因此超出这个范围的值很可能是异常值。
通过计算IQR误差，我们可以设置一个合理的阈值，用于识别并处理这些异常值，从而提高数据分析的准确性。
其次，四分位距误差还可以用于评估数据的稳定性。
在多次测量或实验中，如果IQR 误差较小，说明数据分布相对稳定，受随机误差影响较小。
反之，如果IQR误差较大，则可能表明数据分布存在较大的波动，需要进一步分析原因。
此外，四分位距误差在数据分析中还具有以下应用：
数据清洗：通过计算IQR误差，可以识别并去除异常值，使数据更加可靠。
数据比较：比较不同数据集的四分位距误差，可以了解它们之间的稳定性和可靠性差异。
预测模型评估：在机器学习中，四分位距误差可以作为评估预测模型性能的一个指标。
较小的IQR误差通常意味着模型预测结果更加稳定可靠。
总之，四分位距误差作为一种重要的统计量，在数据分析中具有广泛的应用价值。
通过合理利用这一指标，我们可以更加深入地了解数据的分布特性、稳定性以及可靠性，为后续的决策和分析提供有力支持。
分形理论应用于齿轮箱滚动轴承故障诊断的研究的开题报告一、选题的背景和意义齿轮箱作为机械设备的重要组成部分，承载着传递动力和扭矩的重要任务。
在齿轮箱中，滚动轴承是重要的支撑组件之一，其性能的稳定与否直接关系到齿轮箱的正常运转。
因此，对滚动轴承进行故障诊断显得尤为重要。
传统的故障诊断方法主要基于振动信号分析和频域分析等技术，虽然能够实现对轴承故障的检测，但其对信噪比的要求较高，对采集信号的处理和分析也比较复杂。
而分形理论的出现为解决这一问题提供了一种新的思路。
分形理论是一种用来描述非线性系统和复杂现象的数学工具，其能够描述一些复杂的自相似性和重复性规律，因此可以用于分析齿轮箱滚动轴承故障的信号，并提供有效的故障诊断手段。
二、研究内容本研究将综合应用分形理论和滚动轴承故障分析技术，开展齿轮箱滚动轴承故障诊断的研究。
具体研究内容如下：1.收集齿轮箱滚动轴承故障数据通过在齿轮箱中安装加速度传感器，并使用数据采集系统采集轴承振动信号，构建轴承故障数据集。
2.应用分形理论对轴承信号进行分析通过计算轴承信号的分形维数、小波变换、熵等特征参数，将信号维度降低，提取有用的信号特征，为后续的故障诊断打下基础。
3.建立基于分形理论的故障诊断模型将分析得到的特征参数输入支持向量机（SVM）等分类算法中，建立诊断模型，实现对轴承故障的自动识别和分类。
4.验证模型的可行性使用实际的轴承振动信号进行模型测试，比较模型分类结果和人工判定的结果，验证模型的准确性和可行性。
三、研究意义本研究对齿轮箱滚动轴承故障的诊断和预防具有重要的实际意义和应用价值。
具体包括：1.提供一种新的故障诊断思路传统的故障诊断方法主要基于频域分析和振动信号处理，采用分形理论将提供一种新的思路和方法，为齿轮箱轴承故障诊断提供更多选择。
2.提升轴承故障的检测效率采用分析轴承信号的方法，可以实现轴承故障的自动识别和自动分类，大大提升轴承故障的检测效率，减少了人工干预带来的误差。
《基于数学形态学分形维数的旋转机械故障诊断方法》篇一一、引言旋转机械作为工业生产中的重要设备，其运行状态直接关系到整个生产线的效率和安全性。
因此，对于旋转机械的故障诊断与预测具有重要意义。
随着科技的进步，数学形态学与分形维数等先进理论被广泛应用于故障诊断领域。
本文将介绍一种基于数学形态学分形维数的旋转机械故障诊断方法，旨在提高诊断的准确性和效率。
二、数学形态学与分形维数理论1. 数学形态学：数学形态学是一种用于图像处理和模式识别的数学方法，它通过定义一系列形态学变换来描述和表示图像的基本特征。
形态学变换包括腐蚀、膨胀、开运算和闭运算等，可用于提取图像中的有用信息。
2. 分形维数：分形维数是一种描述复杂几何形状的方法，它通过计算分形结构的维度来描述其复杂程度。
在故障诊断中，分形维数可用于描述故障信号的复杂性和变化规律，从而为故障诊断提供依据。
三、基于数学形态学分形维数的旋转机械故障诊断方法1. 数据采集与预处理：首先，通过传感器采集旋转机械的振动、声音等信号数据。
然后，对数据进行预处理，包括去噪、滤波等操作，以提高数据的信噪比和准确性。
2. 形态学变换：对预处理后的数据进行形态学变换，提取出有用的特征信息。
例如，通过腐蚀和膨胀运算提取出信号的边缘信息，通过开运算和闭运算去除噪声干扰等。
3. 分形维数计算：对形态学变换后的数据进行分形维数计算。
具体方法包括盒维数法、信息维数法等。
通过计算分形维数，可以描述故障信号的复杂性和变化规律。
4. 故障诊断与预测：根据计算得到的分形维数，结合旋转机械的故障模式和特征，进行故障诊断与预测。
例如，当分形维数超过某一阈值时，可以判断出机械存在某种故障；通过分析分形维数的变化趋势，可以预测机械的未来运行状态。
5. 结果输出与展示：将诊断与预测结果以图表、文字等形式输出并展示，以便于操作人员理解和处理。
四、实验验证与分析为了验证基于数学形态学分形维数的旋转机械故障诊断方法的准确性和有效性，我们进行了大量实验。
齿轮故障诊断常用信号分析处理方法振动和噪声信号是齿轮故障特征信息的载体，目前能够通过各种信号传感器、放大器及其他测量仪器，很方便地测量出齿轮箱的振动和噪声信号，通过各种分析和处理，提取其故障特征信息，从而诊断出齿轮的故障。
以振动与噪声为故障信息载体来进行齿轮的精密诊断，目前常用的信号分析处理方法有以下几种：(1)时域分析方法，包括时域波形、调幅解调、相位解调等；(2)频域分析，包括功率谱、细化谱；(3)倒频谱分析；(4)时频域分析方法，包括短时FFT，维格纳分布，小波分析等；(5)瞬态信号分析方法，包括瀑布图等。
上述各种信号分述处理方法前面均已介绍，在此仅针对齿轮振动的特点介绍其中最常用的几种分析方法。
一、频率细化分析技术由于齿轮的振动频谱图包含着丰富的信息，不同的齿轮故障具有不同的振动特征，其相应的谱线会发生特定的变化。
由于齿轮故障在频谱图上反映出的边频带比较多，因此进行频谱分析时必须有足够的频率分辨率。
当边频带的间隔（故障频率）小于分辨率时，就分析不出齿轮的故障，此时可采用频率细化分析技术提高分辨率。
以某齿轮变速箱的频谱图［见图1(a)］为例，从图中可几以看出，在所分析的0 ~ 2kHz频率范围内，有1~4阶的啮合频率的谱线，还可较清晰地看出有间隔为25Hz的边频带，而在两边频带间似乎还有其他的谱线，但限于频率分辨率已不能清晰分辨。
利用频谱细化分析技术，对其中900～1 100Hz的频段进行细化分析，其细化频谱如图1 (b)所示。
由细化谱中可清晰地看出边频带的真实结构，两边频带的间隔为8. 3Hz，它是由于转动频率为8.3Hz的小齿轮轴不平衡引起的振动分量对啮合频率调制的结果。
本例表明，用振动频谱的边频带进行齿轮不平衡一类的故障诊断时，必须要有足够的频率分辨率，否则会造成误诊或漏诊，影响诊断结果的准确性。
二、倒频谱分析对于同时有多对齿轮啮合的齿轮箱振动频谱图，由于每对齿轮啮合都将产生边频带，几个边频带交叉分布在一起，仅进行频率细化分析有时还无法看清频谱结构，还需要进一步做倒频谱分析。
浅谈齿轮故障诊断技术的应用作者：焉伟哲来源：《科技风》2016年第22期摘要：在各种机械设备运行的过程中，齿轮都起着重要的作用，然而很多机械在运行过程中往往会由于齿轮出现问题而导致机械发生故障。
面对这样的情况，对于齿轮进行有效的故障排查与修理显得尤为重要。
本文将详细介绍齿轮故障诊断的原理与具体工作方法，以供广大读者参考。
关键词：齿轮；故障诊断；应用机械诊断故障学这门学科最早诞生于上世纪60～70年代，经过了多年发展，已经逐步完善，这门学科主要研究机械设备在静止或者运行状态的情况，再根据设备之前的运行状况推断出设备当前的运行状况，对设备中已经或可能出现的故障进行排除或预防。
众所周知，齿轮作为机器中最常用的部件，机械设备出现故障，在很多情况下都是由于齿轮出现问题所导致的。
有鉴于此，对齿轮进行故障诊断就更有必要。
在一般情况下，齿轮故障诊断的主要步骤包括确定齿轮故障的信息来源选择诊断方式选择处理的方式。
一、判断齿轮故障的信息来源（一）振动信号机械设备是一个有机的整体，在运行过程中，由于齿轮的设计或制造中难免出现误差，因此机器在运行过程中就会发生振动。
目前，针对不同运行状态下的机器振动来判断齿轮故障的方法已经相当成熟，这也是目前齿轮故障的一个比较简单和普遍的方法。
相关的检查仪器也比较齐全，而且灵敏度也比较高，因此比较常用。
（二）声音信号机器运行过程中发出的声音主要来源于齿轮的振动，当齿轮在运行过程中发生振动的时候，就会带动齿轮箱发出噪音。
其中频段比较低的噪音主要由齿轮产生，频段比较高的噪声则主要是由齿轮箱的箱体所产生。
有经验的维修人员完全可以通过声音的频段与规律发现机械设备发生故障的部位，并进行维修。
（三）声发射信号声发射是指材料由于受到来自外部或内部的力的作用而产生变形或断裂时，以弹性波的形式释放能量的现象。
主要用于齿轮设备的无损检测。
现在一些技术人员已经开始尝试把声发射技术运用到齿轮的故障诊断中，并根据弹力波的具体频段来判断故障发生的部位与的严重程度。
