改进奇异谱分解及其在轴承故障诊断中的应用

针对强背景噪声下难以提取滚动轴承故障特征的问题,提出了基于奇异值差分谱的改进奇异谱分解方法。首先,为克服奇异值分解按经验选择嵌入维数的不足,运用一种新的信号自适应处理方法——奇异谱分解(Singular Spectrum Decomposition,SSD)分析振动信号,SSD法通过构建新的轨迹矩阵,自适应选取嵌入维数,将非线性、非平稳信号从高频至低频分解为多个奇异谱分量。然后,针对奇异谱分解方法重构的奇异谱分量仍包含较强噪声的问题,提出利用奇异值差分谱对重构过程进行改进,提高了奇异谱分解的降噪能力,有效提取了有用信息。最后,根据故障特征找到包含有用信息的分量,对该分量进行希尔波特包络解调,从而准确地提取出故障特征。仿真和实验结果验证了该方法的有效性,提供了一种新的故障诊断方法。     

符号动力学信息熵参数优化方法研究

在机械振动信号特征提取中应用符号动力学信息熵具有很好的效果,然而其算法中的嵌入维数和延迟时间等参数严重依赖人为经验确定,成为了符号动力学信息熵工程应用中的瓶颈。根据符号动力学信息熵的算法原理,提出符号动力学信息熵延迟时间和嵌入维数独立确定和联合确定等两种参数确定方法,并使用试验信号对此两种方法进行了检验和对比。结果表明,独立确定延迟时间和嵌入维数方法相比联合确定方法具有更好的效果,为符号动力学信息熵的应用提供了新思路。     

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。     

金属切削过程刀具磨损信号的混沌特征

针对刀具磨损过程中声发射信号非线性特征,提出基于混沌理论的信号分析及特征提取方法。采用延迟时间法对去噪后的时间序列进行相空间重构,分析延迟时间及嵌入维数随刀具磨损的变化规律;用关联维数、最大Lyapunov指数及Kolmogorov熵三种混沌特征参数定量分析刀具在不同切削条件下随磨损量增大所呈现的变化规律。研究结果表明,刀具磨损声发射信号具有明显的混沌特征,三种混沌特征参数、延迟时间及嵌入维数与刀具磨损状态具有明显的对应关系,可用作刀具磨损状态监测、磨损量预测的特征参数。     

基于EEMD和关联维数的小电流接地故障选线

提出一种基于总体平均经验模式分解(Ensemble Empirical Mode of Decomposition EEMD)和关联维数相结合的小电流接地故障选线新方法。EEMD对非线性、非平稳信号的处理,不仅能达到与(Empirical Mode Decomposition EMD)相同的分解效果,同时又能有效地抑制模式混叠,非常适用于对小电流接地故障信号的处理。关联维数是在故障诊断领域中应用最广泛的一种分形维数。关联维数作为反映系统状态的特征量,能定量分析故障状态,提高故障诊断能力。在计算关联维数前,需要进行相空间重构,采用极大联合熵算法求取最佳延迟时间,相比以往用互信息求取延迟时间的方法而言,该方法简化了算法,缩短了计算关联维数的时间。最后采用G-P算法计算零序电流相关分量的关联维数,通过比较关联维数,实现故障选线。实验结果表明上述方法能够快速准确地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。     

车辆动态称重压电信号的SSA降噪算法与试验

为提高车辆动态称重压电信号的信噪比,要在奇异谱分析(SSA)降噪算法中确定合理的嵌入维数与重构阶次。基于Cao算法,提出一种稳定性方法确定嵌入维数,并以累积能量贡献率变化量确定重构阶次,在Lorenz信号上加入不同方差的高斯白噪声进行实验仿真,验证SSA降噪算法的可行性和有效性,并评价噪声方差对结果的影响。在不同车速下,对五种载重不同的车辆进行工程实测试验。结果表明,车速在10~50 km/h,平均称重误差控制在2.72%~4.72%,利用SSA降噪算法处理车辆动态称重压电信号,达到较好的降噪效果,称重精度及稳定性均能满足实际工程要求。     

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．     

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出了一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。文中使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。     

基于奇异差分谱和平稳子空间分析的滚动轴承故障诊断

探究了一种基于奇异差分谱的信号升维途径,并将其和平稳子空间分析结合提出基于奇异差分谱和平稳子空间分析(Stationary Subspace Analysis,SSA)的滚动轴承故障诊断方法。该方法首先对滚动轴承原始故障振动信号进行奇异差分谱分析,根据奇异差分谱的峰值分布,确定不同的有用分量个数进行信号重构实现信号升维,然后利用平稳子空间分析将高维信号分解为平稳源信号和非平稳源信号,最后通过对峭度值最大的非平稳源信号进行包络谱分析得到滚动轴承故障特征频率。仿真信号和滚动轴承早期故障信号分析表明该方法可以实现滚动轴承欠定故障信号的盲分离,验证了该方法的有效性。     

柴油机振动信号的分形特征及故障诊断

把小波包降噪与关联维数相结合用在柴油机故障诊断中,讨论了关联维数计算中相关参数的选取。首先对柴油机缸盖振动信号进行小波包降噪处理,通过自相关函数法求延迟时间,用饱和关联维数法确定最小嵌入维数,并用改进的G-P算法求关联维数。分析发现,小波包可以有效降低噪声干扰,柴油机在不同工况下具有不同的关联维数,该方法可有效应用于柴油机的故障诊断中。     

一种新的差分奇异值比谱及其在轮对轴承故障诊断中的应用

因滚动体和保持架的随机滑动,轴承故障信号多为伪循环平稳信号。针对这种情况,提出了应用周期截断矩阵的奇异值分解的轮对轴承故障诊断方法。研究了轴承故障伪循环平稳信号的奇异值分布,结合奇异值能量差分和奇异值比,提出了一种新的能量差分奇异值比谱作为周期截断矩阵的嵌入维度计算方法;利用能量差分奇异值比谱计算嵌入维度并利用轮对轴承振动信号构造周期截断矩阵,对矩阵进行奇异值分解,并提出利用差分能量谱确定奇异值有效秩阶次并重构矩阵从而分离出周期信号;对该信号做包络分析以实现轮对轴承的故障诊断。应用轮对实验台的复合故障轴承振动数据对该方法进行验证,结果表明,所提方法能够有效提取轴承外圈、滚动体及保持架的特征频率的基频及其倍频,与传统应用Hankel矩阵进行奇异值分解降噪方法相比,该方法抗干扰能力显著,能够分离同频带的不同故障周期信号,且得到的包络谱谱线清晰,谐波丰富,使故障诊断的可靠性得到了显著提高。     

奇异谱分析在机械设备故障诊断中的应用

在重构相空间重构吸引子的基础上,提出一种基于奇异谱分析的设备故障诊断方法。基于奇异谱理论介绍了该方法的基本原理,并给出该方法的实现步骤。实验研究表明,该方法可以显著降低噪声信号,有效地提高信噪比,并且能保留与噪声信号的频谱相混叠的系统信号,突出故障的信息特征,可大大提高设备故障诊断的准确性,它同时还具有良好的瞬态信息提取能力。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

根据联合预测效果提取水声信号的非线性特征

在局部线性预测的基础上提出了联合预测方法,研究了预测效果与重构维数及时延两个嵌入参数的关系。发现各种信号的联合预测效果反映了信号自身的特征,可将其用于水声信号的非线性特征的分析和提取。初步提取了水声信号的数字特征,预测得到的平均斜率指标可以将一类目标同另外两类目标区分开。从而提供了一种新的目标特征提取途径。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障特征;最后,运用人工蜂群优化支持向量机(ABC-SVM)多故障分类器进行诊断识别。将SSO-VMD与经验模态分解进行对比,仿真信号分析结果验证SSO-VMD的优越性。将所提故障诊断方法应用于行星齿轮箱故障诊断实验分析中,结果表明:多域特征提取效果优于时域、频域和尺度域等单域特征提取效果;ISSL-Isomap降维效果优于等度规映射,t-分布邻域嵌入,线性判别分析,加权等度规映射和监督等度规映射等算法;所提方法故障识别率达到100%,能够有效识别出行星齿轮箱各工况类型。     

应用EMD分解下的Volterra模型提取机械故障特征

将混沌时间序列的Volterra模型引入到机械故障诊断中,提出了采用EMD与Volterra模型相结合的方法提取机械故障特征。该方法较传统的特征提取方法,具有提取特征明显,计算简单等优点。仿真实验表明,此法能够有效地提取特征参数。将其应用于机械转子故障特征提取中,取得了较为满意的结果。     

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。     

关联维数快速算法及其在机械故障诊断中的应用

基于GP算法的关联维数计算方法简单,但计算量大,无标度区间识别困难,难以实现自动化。分析关联积分计算量基础上,运用组合参数法减小关联维数计算量,并由关联积分曲线的二阶局部斜率实现无标度区间的自动识别,进而实现关联维数的自动计算,Lorenz系统实例证明了该方法的有效性。运用该方法计算不同汽车主减速器振动信号的关联维数,结果显示不同状态主减速器振动信号的关联维数具有明显的可分性,关联维数可作为判别机械产品故障特性的有效量化指标。