基于耦合Duffing振子的微弱故障信号检测

针对传统信号处理方法在低信噪比条件下对微弱信号检测的不足,提出一种对双Duffing振子进行阻尼项耦合的方法,通过对此系统进行动力学分析,比单个Duffing振子具有更加复杂的动力学行为。阐述了基于相平面变化的微弱信号检测原理,对时间进行尺度的变换,实现了未知频率信号的检测,最后对微弱脉冲信号进行检测以及真实的故障轴承的早期诊断,取得了较好的效果,该方法在无线通信、雷达系统、旋转机械早期故障诊断等领域具有广阔的前景。     

混沌振子微弱未知信号检测方法的改进

目前普遍应用Duffing混沌振子系统检测噪声背景下微弱信号,由于其具有对周期信号敏感而对干扰信号免疫的特点,所以在检测时常常忽略噪声的影响。然而大量实验发现,系统对某些方差的噪声免疫力很低,容易造成误判。由此,在分析噪声对微弱信号检测影响的基础上,采用互相关检测器对待测信号进行处理,以此抑制噪声。对工程上不易实现的混沌阵列检测法引入实用性强的循环算法,操作简单,仿真结果精度高。     

基于自相关函数和混沌理论的微弱正弦信号检测方法

本提出一种将自相关检测方法与混沌理论相结合共同检测微弱正弦信号的方案。通过理论分析和仿真实验验证了该方案的正确性和有效性。研究结果表明,此方案是时域信号处理方法中较超前的方法,其信噪比工作门限低于自相关方法。     

基于非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法研究

针对滚动轴承微弱故障信号难以检测的难题,提出一种基于新型非线性耦合双稳态随机共振模型的轴承微弱故障信号增强检测方法。噪声背景下,随机共振可以实现微弱信号的增强输出,提高微弱信号特征的检测。提出的非线性耦合双稳态系统是由两个单一双稳态系统经非线性方式耦合而成,通过分析耦合系数、阻尼系数随着噪声强度改变的信噪改善比响应特性曲线图研究了不同参数对随机共振现象的影响。结果表明,耦合双稳系统比单一双稳态系统具有更强随机共振现象的产生。最后采用模型对轴承故障微弱信号进行了增强检测应用,所提出的非线性耦合双稳态随机共振能够实现在复杂的噪声背景下对微弱故障信号的检测。     

基于STFT的振动信号解调方法及其在轴承故障检测中的应用

从信号滤波角度,对基于STFT的振动信号解调方法的原理和影响其解调性能的各种因素进行了严格的理论分析,指出该解调方法实质是基于复解析带通滤波的Hilbert变换解调法.严格证明了在利用Hilbert变换进行包络解调分析时,只要带通滤波器通带范围包括调制信号的部分频率成分,就可解调出被调制信号的周期成分.为了避免对所有的解调信号序列进行包络谱分析,提出按峭度值最大化准则选择一组含有丰富故障信息的解调信号序列进行包络幅值谱分析.基于以上讨论,给出了实用的基于STFT的振动信号解调算法.为了验证提出的解调算法的有效性,用该算法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,利用该算法能有效地检测轴承故障.     

基于改进快速峭度图的轴承故障诊断方法研究

针对传统快速峭度图在轴承故障诊断中,通过计算滤波信号的包络峭度确定频带范围容易受到随机脉冲干扰的问题,提出一种基于改进快速峭度图的轴承故障诊断方法。首先运用自相关算法、改进谱幅值调制(improved spectral amplitude modulation, ISAM)算法对包络信号进行处理,获取修正信号并以其频谱峭度衡量冲击响应的强度;然后以修正信号谱峭度代替传统快速峭度图中的包络峭度,得到可降低各频带随机干扰的改进峭度图;最后通过对3组信噪比不同的仿真信号、2组轴承试验信号的平方包络谱故障诊断情况进行对比分析,验证该方法的有效性和稳定性。通过与原始快速峭度图、功率谱峭度图、ISAM法3种方法对比,验证该方法的优越性。对比结果表明,所提方法可有效降低随机脉冲的影响,实现轴承故障特征频率的准确提取。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

基于HOS奇异值谱的SVDD轴承故障检测方法

针对轴承故障检测中异常样本不易收集、数据分布不均以及阈值设定等问题,提出了基于支持向量数据描述(SVDD)的轴承故障检测方法.该方法只需对正常样本进行训练.以高阶统计矩阵奇异值谱为故障诊断特征,解决了高阶统计特征(HOS)数据冗余且受噪声影响的不足.实验分析了不同参数对检测性能的影响,并将本方法与多层感知机(MLP)方法及K均值聚类方法进行了比较,验证了方法的有效性和正确性.     

基于AR自相关峰态值的一类轴承故障检测方法

针对轴承故障检测系统中异常样本数据不易收集以及异常样本数据分布不均导致传统分类算法出现过适应现象等现实应用问题,提出了一种基于自回归(AR)模型自相关系数峰态特征的一类故障检测方法.该方法利用正常样本生成AR模型参数,其他样本在该模型的投影形成残差序列,计算残差序列的自相关系数并取其峰态特征作为相似性的度量.实验结果表明该方法能有效地克服以AR模型参数为特征计算复杂度高且检测性能易受样本大小影响的不足.同时,文章给出了单一故障诊断模型并提出基于粒子群优化算法的阈值设定决策方法.实验中将本方法同其他以AR模型为特征的多层感知机(MLP)及自组织映射(SOM)方法进行比较,实验结果验证了本文建议方法的正确性和有效性.     

Application of the Duffing Chaotic Oscillator Model for Early Fault Diagnosis- Ⅰ.Basic Theory

In this paper, the well-known Duffing equation and the nonlinear equation de-scribing vibration of the human eardrum are introduced from elastic nonlinear system theory. According to the fact that the human ear can distinguish weak sound with small difference , the idea that the Duffing oscillator can be used to detect a weak signal and diagnose early fault of machinery is proposed. In order to obtain a model for weak signal detection via the Duffing oscillator, the first step is to week all forms of solutions of the Duffing equation. The second step is to study global bi furcations of the Duffing equation using qualitative analysis theory of a dynamic system. That is to say, a series of bi furcations thresholds of the Duffing equation can be analyzed by the Melnikov function and a subharmonics Melnikov function. Then the three types of bifurcations thresholds varying with damping and external exciting amplitude are discussed. The analysis concludes that the bi furcation threshold corresponding to the ma     

差分振子时间历程在微弱调制信号检测中的应用

单一的差分振子仅可实现对周期信号中某一频率成分进行检测,对于强噪声背景下的边频带,尽管可以利用多个差分振子组成差分阵列进行逐个检测,进而确定边频带的间隔,但这种做法无疑会带来巨大的计算量。在对调制信号进行Hilbert变换包络分析时,所得到的时域信号是原始调制信号中的低频分量,亦是调制波信号,若该低频分量仍然包含较强的噪声成分,传统的频谱分析将会失效。此时,我们可借助差分振子时间历程对含较强的噪声的包络进行检测。因此,提出基于差分振子时间历程的微弱调制信号检测方法,即首先对信号进行Hilbert包络解调,然后利用差分振子时间历程对含较强的噪声的幅值包络进行检测,并成功应用于风机早期故障检测中。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于偶树复小波和改进型阈值函数的降噪方法 及其应用

为更好地保留原有用信号信息,有效恢复强噪声背景下微弱故障信号,提出了一种基于对偶树复小波和改进型阈值函数的降噪方法,将其应用于机械故障诊断,取得了较好效果。运用对偶树复小波变换滤波器设计方法和改进型阈值函数,以实施降噪的具体步骤。该法充分利用了对偶树复小波变换的平移不变的优良特性,同时,改进型阈值函数与传统软、硬阈值降噪算法相比,克服了软阈值信号失真和硬阈值信号不连续、振荡等缺点。实验表明：此法有效去除了噪声,是一种较好的提取微弱故障信号的方法。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

采用改进遗传神经网络的多载荷振动信号故障诊断

根据柴油机气阀机构运动规律,利用小波包分解提取缸盖振动信号的特征向量;针对多种载荷混合诊断的问题,采用二进制与实数混合编码的方式对使用遗传算法的误差反向传播（BP）神经网络的隐层结点数目、权值和阈值进行优化。通过实验检测,证明该方法在多种载荷混合振动信号诊断上,较一般方法学习、收敛速度快,检测准确率高。     

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。     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。