排列熵算法参数的优化确定方法研究

由于排列熵算法能够有效放大时间序列的微弱变化,且计算简单、实时性好,已在信号突变检测方面显示出良好的应用前景,但是排列熵算法中嵌入维数和延迟时间等参数的确定仍依赖于经验和尝试,该问题已成为排列熵算法走向工程应用的瓶颈问题。根据排列熵算法的原理,提出了基于重构时间序列最佳相空间来确定模型参数的方法。根据相空间重构的两种观点,介绍了延迟时间与嵌入维数独立确定和联合确定两种方法的基本理论,然后利用仿真信号和滚动轴承全寿命数据对两种算法进行了检验和对比。结果表明,模型参数的独立确定方法比联合确定方法对信号的异常检测更好。     

一种非平稳、非线性振动信号检测方法的研究

排列熵作为一种统计测度，是通过相空间重构来衡量时间序列复杂度的一个参数。为研究机械设备非平稳信号的非线性动力学特征，将排列熵引入机械设备故障诊断，研究了不同工作状态下滚动轴承振动信号的排列熵和嵌入维数与时间延迟对计算机械振动信号排列熵的影响，观察设备状态变化及振动冲击对排列熵的影响并对其进行了分析。结果表明：排列熵可以有效地检测出机械设备状态的变化，可以作为检测机械设备状态变化的一个参数。     

基于改进排列熵的滚动轴承故障特征提取

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。     

基于全矢排列熵的齿轮故障特征提取方法研究

针对齿轮的故障振动信号的非平稳、非线性特征,采用非线性信号分析方法排列熵算法计算振动信号的排列熵大小来反映信号的复杂度。单通道的信息源难以反映出设备的真实运行状态,采用同源信息融合技术对双通道振动信号进行同源信息融合,计算融合后的信号的排列熵,进而提出了一种基于全矢排列熵(FVPE)的齿轮故障特征提取方法,通过实验模拟齿根裂纹、断齿和缺齿这三种故障状态,实验结果表明本方法有效地解决了单一通道信息源不完善造成的误诊难题,并可以很好地区分三种故障。     

基于排列熵和神经网络的滚动轴承异常检测与诊断

针对轴承不同状态下的复杂性特征,提出基于排列熵和神经网络的异常检测与诊断方法。介绍异常检测与诊断的原理,采用排列熵算法检测信号异常,提取能够敏感反映轴承不同异常模式（滚动体异常、内圈异常和外圈异常）的排列熵、嵌入维数及关联维数等复杂度参数形成特征向量,通过神经网络对异常模式进行分类识别。结果表明：排列熵算法可以定位异常发生的时刻,以时间序列的复杂性特征参数为输入的神经网络诊断方法能够有效识别轴承的不同异常模式。     

基于样本分位数排列熵的故障诊断方法

针对滚动轴承故障特征不明显、不易于进行特征提取等问题,提出了一种新的衡量时间序列复杂程度的方法-样本分位数排列熵(Sample Quantile Permutation Entropy,SQPE),并将其应用于滚动轴承故障振动信号的特征提取。通过对振动信号进行样本分位数排列熵计算,有效分离出不同振动信号的故障特征;将熵值组成特征向量,构建分类器并实现对滚动轴承的故障诊断。将提出的方法应用于试验数据分析,结果表明:样本分位数排列熵能够有效提取滚动轴承的故障特征,并在熵值计算的过程中,避免了嵌入维数选取的过程,有效提高了熵值计算的自适应性,扩大了其应用范围。     

基于小波模极大值模糊熵的遥测振动信号异常检测

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于小波模极大值模糊熵的遥测振动信号异常检测方法。首先对采集到的遥测振动信号进行零漂修正和趋势项消除;然后对经预处理后的振动信号进行一维连续小波变换,计算所有尺度空间中的小波模极大值序列;最后将原信号及其小波模极大值序列的模糊熵构成的特征向量输入到SVM分类器,根据模糊熵的变化情况对遥测振动信号进行异常检测。实测数据验证了该方法的有效性。     

滚动轴承性能退化评估的自适应频带熵能比指标

针对轴承的性能退化评估中常规时域统计参数如均方根值(RMS)对早期故障不敏感,而基于概率估计和空间距离的评估方法存在计算量大、模型较为复杂等问题。将能检测时间序列细微突变且计算效率高的排列熵(PE)引入滚动轴承性能退化评估;同时考虑到PE对振动信号幅值不敏感,从而无法准确地反映振动信号不同频带能量分布情况,在PE的基础上提出一种新的性能退化评估指标——熵能比(EER);通过计算离散实验数据和全寿命疲劳实验数据的RMS,PE和EER,对比各指标与故障程度的一致性以及对早期故障和故障程度变化的敏感性,结果显示EER相较于RMS和PE具有对早期故障更敏感且与轴承故障发展趋势一致性更好等优点。通过工程实际数据分析进一步验证了EER指标的有效性,该研究结果有望为性能退化程度量化评估提供一种性能优异的指标。     

基于广义复合多尺度排列熵与PCA的滚动轴承故障诊断方法

多尺度排列熵能够有效地反映滚动轴承振动信号的随机性变化和非线性动力学突变行为。针对其多尺度过程中粗粒化方式的不足,提出了广义复合多尺度排列熵(Generalized Composite Multiscale Permutation Entropy,GCMPE)。研究了参数对GCMPE计算的影响,并通过分析仿真数据将GCMPE与MPE进行了对比。将GCMPE应用于滚动轴承非线性故障特征的提取,提出一种基于GCMPE、主元分析和支持向量机的滚动轴承智能故障诊断方法。将提出的方法应用于实验数据分析,结果表明,所提方法能够有效地实现滚动轴承故障诊断,且故障识别率较高。     

城市高架桥拆除爆破振动信号的非线性特征分析

为研究高架桥拆除爆破振动响应动力学机制,分析爆破振动、塌落振动时间序列的动力学因素,将拆除爆破振动响应时间序列进行相空间重构,通过吸引子、Lyapunov指数、关联维数、Kolmogoro熵等核心参量计算,分析高架桥拆除爆破振动响应信号混沌特征。经过计算,爆破振动及桥体塌落冲击作用下振动响应信号相空间重构后具有奇怪吸引子,且Lyapunov指数、Kolmogoro熵均大于0。研究表明:高架桥拆除爆破振动信号具有典型的混沌特征,为混沌非线性理论引入爆破振动危害效应分析领域奠定了理论基础。     

多重自相关和Chirp-Z变换测量旋转机械转速

在实际的振动测速过程中,有效信号往往淹没在噪声之中,FFT不能准确识别振动信号的有效转速频率。针对FFT抗噪声性能和测量精度不足的问题,提出一种多重自相关和chirp-Z变换相结合的算法。该算法能够提取强噪声背景下的有效信号,精确测量旋转机械的转速。通过仿真和对实验数据的分析,验证此方法的稳定性和有效性,具有很好的工程应用价值。     

基于滑动峰态算法的信号弱冲击特征提取及应用

机械故障振动信号中往往含有故障引起的弱冲击成分,冲击信号具有显著的非高斯特性,而零时滞四阶累积量即峰态能够描述信号偏离高斯分布的程度;基于峰态这一特性,本文提取一种基于滑动峰态算法的弱冲击特征提取方法,首先对原信号进行滑动峰态计算,获得一个新的峰态时间序列,然后对该峰态时间序列进行傅立叶变换,提取出信号中冲击成分的频率特征。通过强背景信号及噪声环境下弱冲击特征提取的仿真研究,证明了该方法具有很好的冲击特征提取能力。以实测齿轮断齿信号分析结果证明了该方法的有效性。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

多通道主动隔振中的通道窜扰抑制算法

多通道主动隔振是采用多个作动器协调控制的方法抑制系统的全局振动。作动器对振动进行控制同时,也对其它作动器产生干扰,通道窜扰是多通道主动控制的一大难题。将去耦合滤波器应用到抑制多通道主动控制的通道窜扰中。用去耦合滤波器滤掉控制误差信号中的通道窜扰信号,所得信号代替控制误差作为滤波-x LMS算法新的参考信号。通过仿真表明,采用耦合滤波器对多通道主动控制结果有重要影响,去耦合滤波器在通道窜扰为正反馈时依旧保证算法收敛,防止控制效果恶化。     

Effects of an asymmetrically molded plastic objective lens on the push-pull tracking-error signal in an optical disk drive

The effects of a plastic objective lens's astigmatism on the push-pull tracking-error signal (TES) of an optical disk data storage system were investigated theoretically and experimentally. Astigmatism of plastic objective lenses arises commonly from the asymmetric deviation from their designed shape during the molding process. By carefully studying the aberration characteristics of the objective lens and including the astigmatism of the laser diode in the analysis, we can calculate the combined effects of astigmatism of these two components on the push-pull TES. It is found, from both the simulations and the experiments, that, by rotation of the objective lens about the optical axis, the peak-to-peak value of the push-pull TES varies with the lens's rotation angle, and a change as great as 340% in its value was observed in a given optical pickup.     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

无网格时域自适应算法在振动问题中的应用

为了提高无网格方法计算振动问题时的计算效率和计算精度,开发了无网格时域自适应算法。该方法在时域内采用时域自适应算法,将每个变量在每个时间步内离散成关于时间的展开形式,通过控制展开阶数保证自适应算法的精度,可以更准确的描述变量随时间的变化;同时将时空耦合的初值问题转化为一系列的空间边值问题,并采用无网格方法递推求解。该方法可以提高计算效率并弥补时间步长较多或较大时造成的精度损失,并通过数值算例验证了其准确性。     

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition, VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)预处理的改进参数自适应VMD方法。首先利用EEMD对采集到的振动信号进行分解,计算原始信号以及各分量的包络峭度值,选取峭度值大于原始信号峭度值的分量进行重构,生成新的振动信号;其次以局部最大包络谱峭度为目标函数,利用基于粒子群的参数自适应VMD方法分析新信号,从而确定最佳参数;最后将优化后的VMD用于新信号的分解,选取包络谱峭度值最大的分量进行包络解调分析。通过仿真和试验数据分析,证明了该方法在强噪声干扰下仍具有优良的故障特征提取效果。研究结果对提高列车轮对轴承故障诊断效果有一定的理论意义和应用价值。