改进相空间重构方法在混沌识别中的应用研究

讨论了传统非线性时间序列相空间重构方法的特点。提出了一种改进的相空间重构方法．为了揭示非线性时间序列中的非线性相关性。采用了一种基于关联积分的统计量，并研究了不同参数对它的影响．研究了延迟时间和嵌入维数之间的关系，并采用时间窗口描述这2个参数的变化规律．同时，应用改进方法计算了混沌时间序列的重构参数。重构了混沌信号的吸引子．研究结果表明。该方法能够从时间序列有效地重构原系统的相空间，为混沌信号识别提供了新的途径．     

基于非线性盲提取的柴油机振动诊断研究

提出一种在振动源个数未知的情况下,采用自然梯度算法分离环境噪声信号的同时提取柴油机早期多故障的方法.通过分析信号的非平稳特性,应用具有自适应时变特征的非线性激活函数,根据归一化峭度判断信号统计特性,从而高效真实地反映设备运行状态.为了有效提取信号特征,探讨不同传感器数量对信号分离精度和故障识别的影响,应用实例诊断出柴油机的磨损和撞击故障.结果表明,该方法可有效消除振动信号采集过程中混入的噪声,同时分离未知个数的故障源,为柴油机多故障识别诊断提供理论依据.     

关于混沌动力学特性的一些研究及其数据仿真验证

利用混沌理论进行信号处理,首先根据Takens延时法对单变量时间序列信号进行相空间重构,用G-P算法计算时间序列的关联维数,用C_C算法计算时间延迟τ.通过计算机对非线性动力学方程的仿真,证明了该方法的有效性,而且具有较好的重构效果.     

一种基于Fisher投影的时间序列非线性检验

为进一步提升替代数据法非线性检验的性能和稳定性,本文引入Fisher投影将不同的非线性检验统计量进行组合并投影,使不同非线性统计量的检验性能互补。利用6类非线性混沌序列和线性高斯白噪声序列进行实验,检验该方法的有效性,结果表明,基于Fisher投影的替代数据法对各类信号正确检验的能力明显提升,且稳定性较好,具有较强的数据适应性;尤其是三阶自协方差统计量、峭度和三阶自相关统计量的三维组合,相对于其他的统计量组合,对非线性混沌序列及线性高斯白噪声序列的检验能力更强,数据适应性更高。     

基于非线性几何不变量的轴承故障诊断方法研究

针对轴承传动本身具有非线性而在传统故障诊断中又被忽略掉的问题,提出了基于分形和混沌等非线性几何不变量的轴承故障诊断方法。该方法对测得的轴承振动时间序列去噪以后进行相空间重构,然后计算重构信号的分形维数、Lypunove指数、K熵、关联距离熵等多个几何不变量,并以此作为轴承故障诊断特征量,输入到径向基神经网络,对轴承故障进行模式识别。实验结果表明该方法能有效区别轴承各种故障状态,且为旋转机械的故障诊断提供了一种新方法。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于Littlewood-Paley小波支持向量机的故障诊断

提出一种基于Littlewood-Paley小波支持向量机(LPWSVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值Shannon熵作为故障特征矢量输入到LPWSVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值Shannon熵矢量的不同拉大了各类故障的互异性;Littlewood-Paley小波核是一种具有平移正交性的多维允许支持向量核函数,可以其正交性逼近二次可积空间上的任意函数,具有良好的非线性映射能力,因而LPWSVM在同等条件下比一般最小二乘支持向量机的学习精度和自适应识别能力要高,更适用于故障诊断等复杂模式识别问题。一个滚动轴承故障诊断实例说明该模型的有效性。     

非线性和非高斯型海洋噪声

双频谱分析是从含有非线性随机信号的数据中检测并辨别非线性随机信号产生机构的统计方法。双频谱分析也可用于检验所观测的数据记录是否符合基本随机过程为高斯分布这一假设。本文应用了一种最近推出的统计方法,该方法基于若干海洋环境噪声记录的双频谱估计可检验该噪声是否为高斯型分布以及在产生所观测噪声的基本机构中是否含有非线性的证据。文中研究了取自百慕大南部大西洋、东北太平洋和印度洋3个海区的7个噪声记录。收集的这些时间序列既有当地没有航船时的环境噪声,也有以本地航船噪声为主的噪声。3个海区的环境噪声记录显示出两种情况:分析时间约为lmin时,它是线性、高斯过程;分析时间约为ls时,它是非线性和非高斯过程。而对本地船舶噪声占优势的各种时间序列,不论分析时间是短是长,检验结果都是非线性和非高斯型的。     

基于声信号的滚动轴承故障诊断研究

结合小波包短时能量散布熵、回溯搜索算法以及学习矢量神经网络，提出一种基于声信号的滚动轴承故障诊断新方法。首先利用小波包分解结合短时能量对声信号进行脉冲能量提取，突出与故障相关的时频子空间的能量分布，再通过计算各子空间短时能量序列的散布熵，构造特征矩阵。利用t-分布随机邻域嵌入方法对所获特征进行降维聚类，显示所提取的特征具有较好的聚类性能。然后采用回溯搜索算法优化学习矢量量化建立神经网络故障诊断模型，对轴承故障进行识别，并与多种诊断方法进行比较，试验结果表明，加入短时能量散布熵后，本模型提升了声信号的能量特性，优化了特征矩阵，诊断性能最佳。     

一种新的基于声信号的故障分类算法

提出采用相空间重构与高斯混合模型相结合的方法,利用声信号对设备进行故障分类.此方法首先将一维声信号时间序列进行相空间重构,在高维相空间展示各故障状态下的动力学特性,然后通过最大期望值算法建立相空间的高斯混合模型,最后采用贝叶斯分类算法进行故障的识别.从齿轮故障试验台上采集常见齿轮故障的声信号并进行分类实验,验证了该方法的有效性.     

基于局域波信息熵的高速自动机故障诊断

针对小口径火炮自动机工作时产生的短时冲击信号,提出一种将局域波分解与信息熵相结合提取特征量,并利用Elman神经网络进行故障识别的诊断方法。首先运用具有自适应特性的局域波对振动信号进行分解得到IMF分量,再接着利用信息熵理论提取IMF信息熵、局域波能谱熵及能矩谱熵作为故障特征量,最后将特征向量输入Elman神经网络进行故障分类识别。实验结果表明:该方法能准确,有效地识别故障。     

基于DCT的微弱信号提取和识别

微弱信号提取一直是故障诊断领域的难点。结合离散余弦变换(DCT),将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提取出微弱故障信息。与小波降噪和低通滤波方法进行对比分析,该算法突出了信号的微弱故障特征信息,较好的再现了夹杂在信号中的微弱成分,参数设定简单,结果对参数不敏感。最后通过实验证实该方法的有效性。本算法速度快,简单易行,可用于实时故障监测。     

Fault detection,classification, and location for active distribution network based on neural network and phase angle analysis

The improved radial basis function (RBF) method utilizes an orthogonal regression matrix to produce an artificial neural network structure based on regularized least square. The phase angle and amplitude signal of fault voltage and current are extracted based on frequency domain analysis. The proposed method adopts the fault signal for fault diagnosis synchronously. The IEEE 13-bus active distribution network (ADN) simulation model is set up in Matlab. Test results demonstrate that accuracy of the fault diagnosis can reach 98.07% and the response time of the fault classification method is less than 0.04s. The wavelet neural network (WNN) model is developed to extract the maximum decomposition level and time series behavior. The WNN method can resist noise effects and improve the fault classification accuracy by 4.3%. The effect of fault type and fault resistance on the fault location method is researched. The fault simulation result shows that the proposed method can locate a fault precisely and synchronously. The improved RBF method can diagnose the fault section, classify the fault type and locate a fault accurately in ADN. The research is significant to maintain system stability against realistic fault and network restore.     

基于DCT的微弱信号提取和识别

微弱信号提取一直是故障诊断领域的难点。结合离散余弦变换(DCT),将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提取出微弱故障信息。与小波降噪和低通滤波方法进行对比分析,该算法突出了信号的微弱故障特征信息,较好的再现了夹杂在信号中的微弱成分,参数设定简单,结果对参数不敏感。最后通过实验证实该方法的有效性。本算法速度快,简单易行,可用于实时故障监测。     

Separation of the informative component from a chaotic signal of a time-delay system

A new method is proposed for determining the parameters of time-delay systems using the observable time series. With this method, it is possible to reveal communications in the case of data transmission based on the nonlinear mixing of the informative signal and a chaotic signal of the time-delay system.     

基于圆域分析的大型回转支承初期故障诊断

为解决真实工况下大型回转支承振动信号背景噪声大、常用故障诊断方法难以适用的问题,提出了一种基于圆域分析的振动信号处理方法。将时域信号进行圆域转换,并按一定角度将转换后的圆域信号划分成多个区域;判断各区域信号邻域相关离散点拟合椭圆的倾角方向,得到回转支承整圈对应的多个异常向量;以异常向量的平均向量作为圆域分析的特征向量,分析其均值、方差、歪度和峭度指标的变化情况,实现回转支承的故障诊断。对某型号回转支承进行了加速寿命试验,结果表明,该方法能够有效诊断出回转支承滚道的区域滑移、点蚀等初期故障,相比常见的时域特征、小波分析等方法准确度更高,故障可识别度更强,因此可以用于实际工况下回转支承的故障诊断。     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

匹配追踪过程复合熵矩转子故障诊断研究

转子系统作为大型机械的核心部件工作环境十分复杂,故障种类多样且其振动信号包含大量噪声,所以特征向量难以有效提取。为此,利用匹配追踪分解对信号进行降噪,然后提取信号的奇异谱熵和功率谱熵作为故障特征,并提出复合熵矩的概念,最终利用复合熵差矩的均值和方差实现对转子故障的诊断和识别。在试验台上模拟并采集四种转子常见的有效故障信号,并以不平衡故障作为目标故障为例进行验证,根据均值和方差最小实现准确诊断,实验结果证明该方法的有效性和实用性。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

滚动轴承故障诊断的多重超阶分析方法

多重分形去趋势波动分析(MF-DFA)可以获得能够表征信号内在动力学机制的多重分形谱,但是在提取滚动轴承振动信号故障特征时存在参数接近、状态混叠等问题,导致分析结果易受信号噪声等因素干扰,影响分类精度。为解决此问题,提出了多重超阶分析(MF-SOA)的方法。该方法将极值增量方法引入了多重去趋势波动分析中,对时间序列进行取极值操作;然后计算并分析获得的极值增量序列的重分形特征,通过MF-SOA方法获得的特征可以更清晰地表现出序列的内部动力学机制。最后将所提出的方法应用于滚动轴承的故障诊断中。试验数据分析结果表明,该方法对于信号的不规则程度十分敏感,并且有效改善了MF-DFA方法的缺陷,对于模式相近的故障类型有更优的区分度,提高了滚动轴承故障诊断的精度。