结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

基于模型实时辨识自适应控制算法的时变机械系统振动主动控制

参数时变的现象广泛存在于机械系统。如果系统参数随着时间而发生较大变化,振动主动控制方案就需要考虑时变参数对控制算法的影响。针对动力学特性变化较大的时变机械系统振动,提出一种模型实时辨识自适应控制算法,该算法将传统的滤波自适应算法与递归预测误差方法相结合,利用改变梯度的递归预测误差方法实时估计控制通道模型。建立弹簧质量支承的非均匀截面杆纵向振动时域模型,模型中随时间而变化的弹簧刚度导致模型动力学特性发生较大变化。用模型实时辨识自适应控制算法对建立的杆模型进行振动控制数值仿真,仿真结果表明,所提出的控制算法能有效抑制时变系统的窄带和宽带振动。相对于现有的方法,该控制算法能实现更好的控制性能。最后,将所提出的控制算法应用到时变的摇摆系统振动控制,实验结果验证了所提出控制算法的可行性和有效性。     

信息熵和HQ准则在最大Lyapunov指数计算中的应用

最大Lyapunov指数是判断时间序列是否为混沌的一个重要判据,目前应用比较广泛的是小数据量法。将信息熵和HQ准则应用在最大Lyapunov指数的算法中,改进了小数据量法。信息熵优化了相空间重构参数,克服了独立求解重构参数的不足;利用HQ准则确定邻近点个数增加了计算时的精度。仿真实验表明该改进的小数据量法在计算最大Lyapunov时具有良好的准确性,对噪声具有良好的鲁棒性。     

基于重构相空间短时状态预测残差的直升机旋翼损伤跟踪方法

运用相空间重构技术与Volterra泛函级数提出基于短时状态预测残差的旋翼损伤跟踪方法。应用相空间重构方法将旋翼状态监测信号变换到不同维数的相空间内以不同时间尺度观测系统的动态行为特性,从新视角研究旋翼损伤的演化过程,据旋翼实测相轨迹与Volterra基准状态模型预测结果之间的残差生成新的损伤观测信号,采用Unscent-ed滤波器对Volterra基准模型预测残差进行滤波,可进一步优化估计旋翼的损伤状态。该方法可利用单个状态监测信号的非线性特性在相空间中重建旋翼系统动力学本质,可更有效地开展旋翼的损伤跟踪与使用监测。     

奇异谱分解在超声速无人机声振试验数据处理中的应用

将相空间重构和奇异谱分解相结合对受强气动噪声影响的超声速飞行器测试数据进行滤波,以实现对于试验参数的精确识别。首先通过数值仿真论证该方法的可行性,然后针对某型超声速无人机的声振试验对试验采集数据进行相空间重构,并对重构后的轨迹矩阵进行奇异值分解,得到反映真实信号信息的信号子空间和反映噪声信息的噪声子空间。通过定义奇异值差分谱这一指标来判定真实信号信息子空间维数,并针对现有最大差分谱理论缺陷提出了优选差分谱峰值理论,利用奇异谱分解的逆过程对真实信号进行重构。重构结果表明,该方法适用于超声速飞行下的飞行器声振试验数据处理,为超声速飞行器飞行状态的精确描述提供了良好的思路。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于响应面法的结构动力学模型修正

为了获得精确的结构动力学模型,提出了响应面和优化相结合的方法。利用参数化模型和优化拉丁方试验设计获取样本点构造多项式响应面模型,最小二乘法确定多项式系数并检验响应面的拟合精度。用响应面计算结果与实验结果的误差构造目标函数,自适应模拟退火算法来优化修正响应面参数,将修正后的参数值带入有限元模型得到修正模型。以欧洲航空科技组织的基准模型GARTEUR飞机模型为算例,对比修正前后模态频率,结果表明修正后的模型在测试频段和预测频段具有良好的复现和预测能力,进而验证了基于响应面法与优化方法相结合的结构动力学有限元模型修正的有效性。     

基于Volterra自适应滤波器的发动机运转噪声预测

摘 要：发动机运转噪声的预测对于减小发动机运转噪声干扰、提高发动机异响故障诊断正确率具有重要意义。基于相空间重构理论,采用三阶Volterra自适应滤波器,提出了两种分别采用双传感器、单传感器的发动机运转噪声建模与预测方法。所提方法有效利用了Volterra级数强大的非线性映射能力,充分考虑了发动机运转噪声内在的循环相关性、周期及相位信息等先验知识。试验结果表明,所提方法具有较好的鲁棒性,其精度可以满足实际应用要求。     

开孔结构内压传递方程孔口特征参数提取方法研究

对开孔结构内压传递方程孔口特征参数的影响因素和识别方法进行了系统的理论和实验研究。基于双参数内压传递方程,采用专门的实验设备考察了正弦外压的幅值和频率对于孔口特征参数的影响,从而由简谐荷载激励下参数的求解方法推广到随机荷载作用的情况。通过与不同开孔条件下参数最优解的比较来验证上述理论的可靠性,同时对该参数预测方法可能产生的误差进行了分析并给出相应的解决方法。研究结果表明该方法能较准确的预测随机荷载作用下的孔口特征参数值。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。     

弹性支承下弧齿锥齿轮系统参数平面中的域界结构研究

弹性支承下弧齿锥齿轮系统的振动分析属于高维非线性动力学问题,其参数平面中的域界结构研究对实施振动抑制与控制具有重要意义。以某新型航空发动机的中心轴弧齿锥齿轮传动系统为研究对象,建立了7自由度非线性动力学模型。采用Adomian分解算法求解振动方程的分级响应。基于胞映射和庞加莱截面的思想,在支承刚度与啮合频率、支承阻尼与啮合频率以及支承刚度与支承阻尼所构成的参数平面中,分析了弧齿锥齿轮非线性系统的不同周期振动之间以及周期振动和混沌振动之间的域界。借助平面域界图,研究了参数平面内系统振动分岔类型与分岔结构。研究结果为弧齿锥齿轮系统的支承参数设计与振动主动控制提供了依据,并可根据系统参数所处的范围对弹性支承下弧齿锥齿轮系统的振动形态进行预测。     

基于OVMD与SVR的水电机组振动趋势预测

为更好地预测水电机组振动趋势,研究提出了一种基于最优变分模态分解（OVMD）与支持向量回归（SVR）的水电机组振动趋势预测模型。首先基于中心频率观察法与残差指标最小化准则确定OVMD的分解参数,采用OVMD将非平稳振动序列分解为一系列模态函数,并对各模态函数分别进行相空间重构,构建状态矩阵,进而得到SVR回归预测模型的输入、输出,再采用交叉验证的网格搜索策略优化各SVR模型的参数,并分别进行回归预测,最后对所有SVR预测结果进行求和,得到原始振动趋势的预测值。研究对某大型混流式水电机组的振动监测数据进行预测试验,并进行对比分析,结果表明该模型可有效预测水电机组振动趋势。     

基于混沌时间序列的GPS单点定位误差预测方法

对由不同型号GPS-OEM板和不同型号天线所组成的GPS单点定位系统的定位误差时间序列进行了混沌特性分析,通过计算最大Lyapunov指数确定了其为混沌时间序列.在此基础上提出了基于混沌时间序列的GPS单点定位误差预测方法,分别将RBF神经网络和Volterra滤波器应用于预测模型,实现了对定位误差的一步预测.通过对比预测结果,发现Volterra滤波器比RBF神经网络具有更高的预测精度,且算法实时性强,可以有效地降低预测模型的复杂程度.     

Volterra小波变换最优阈值的混沌去噪方法

针对混沌信号小波去噪中难以确定最优阈值的问题,提出一种Volterra小波变换最优阈值的判定方法。利用小波变换将混沌信号分解,对不同尺度下的小波信号设定浮动因子以调节阈值大小,最后根据混沌序列Volterra自适应预测的相对误差选取最优阈值。利用该方法对不同维度的Lorenz混沌时间序列进行了去噪研究,结果表明所提方法是有效的。     

基于相空间重构和遗传优化SVR的机械设备状态趋势预测

针对机械设备振动信号序列的非线性、非平稳性特点,提出了一种基于相空间重构与遗传优化支持向量回归机的设备状态趋势预测方法。首先,采用相空间重构技术将一维振动信号时间序列转化成矩阵形式,自适应地选取特征,以相点作为输入特征训练SVR预测器;然后应用自适应遗传算法对惩罚因子、不敏感系数以及高斯核宽度进行同步优化,自动获取最佳的建模参数;最后构建SVR预测模型,并将其应用于某机组振动信号预测。实验结果表明,无论是单步还是24步预测,本文所提遗传优化SVR模型的预测精度都要比标准SVR模型的预测精度高,说明该方法对机械设备的运行状态趋势具有较好的预测能力。     

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。     

随机振动功率谱再现自适应控制算法研究

为提高电液随机振动实验的控制精度,提出了一种基于Kalman滤波器的随机振动功率谱再现实时自适应控制方法。基于参考谱的信息设计FIR滤波器,通过对白噪声信号的滤波生成时域驱动信号。采用Kalman自适应滤波器实时跟踪振动实验系统的阻抗特性,并基于自适应逆控制方法对系统的输入信号进行滤波修正,使得系统的响应信号能够高精度再现时域驱动信号,进而实现参考谱的高精度再现。功率谱再现实验验证了算法的有效性。     

基于无参数经验小波变换的风电齿轮箱故障特征提取

风电机组通常以集群规模化运行,机组结构复杂、振动测点多,所产生的振动数据量大,仅靠人工进行故障诊断具有较大挑战。提出基于无参数经验小波变换的风电齿轮箱故障特征提取方法,运用尺度空间方法和经验法则对振动信号的傅里叶谱进行自动分割,获得不同的滤波频带,据此设计一系列经验小波滤波器对信号进行分解和重构,获得不同频带下的经验模式,进一步采用裕度因子对分解后的经验模式进行排序,选取裕度因子最大的经验模式作为故障敏感模式;该方法能在无需预设任何参数的情况下对振动信号进行分解与故障特征提取,具有自适应性。风电试验台和实测风电齿轮箱故障案例验证了方法的有效性。     

隧道爆破振动信号的混沌特征分析

基于混沌理论,将邻近隧道爆破、上跨坑道爆破作用下既有隧道振动响应时间序列进行相空间重构,通过吸引子、Lyapunov指数、关联维数等核心参量计算,分析隧道爆破振动响应信号混沌特征。经过计算,邻近隧道爆破作用下既有隧道振动响应信号相空间重构后具有奇怪吸引子,且Lyapunov指数均大于0,可判定其具有混沌特征;上跨坑道爆破作用下既有隧道振动响应信号的Lyapunov指数也均大于0,表明其也具有混沌特征。研究表明,隧道爆破振动信号具有混沌特征,随着钻爆作业面与既有隧道爆心距减小,λ值变大,隧道爆破振动响应的混沌特征增强,应更加强钻爆参数的合理优化和爆破振动实时监测,确保施工质量和爆破安全。