基于多重分形去趋势波动分析的齿轮箱故障特征提取方法

齿轮箱故障信号通常是具有多标度行为的非平稳信号,去趋势波动分析(Detrended Fluctuation Analysis, DFA)不能准确揭示隐藏在这类信号中的动力学行为。多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis, MF-DFA)是DFA方法的拓展,能够有效地揭示隐藏在多标度非平稳信号中的动力学行为。利用MF-DFA计算齿轮箱故障信号的多重分形奇异谱,而多重分形奇异谱的宽度、最大奇异指数、最小奇异指数和极值点对应的奇异指数都具有明确的物理意义,能够表征齿轮箱故障信号的内在动力学机制,适合作为齿轮箱振动信号的故障特征。提出一种基于MF-DFA的齿轮箱故障特征提取方法,将该方法用于包含正常、轻度磨损、中度磨损和断齿故障齿轮箱的故障诊断,并与DFA方法的结果进行了对比。结果表明,提出的方法对齿轮箱故障状态的变化非常敏感,能够完全分离相近的故障模式,有效地克服了传统DFA方法存在的缺陷,为齿轮箱的故障特征提取提供了一种新方法。     

基于多重分形去趋势波动的机械故障诊断新方法

针对旋转机械系统故障信号的非平稳性、非线性等复杂特征,给出一种基于多重分形去趋势波动分析的机械故障诊断方法。该方法首先对原始信号进行去趋势处理,再结合多重分形理论提取多重分形谱面积和多重分形熵两个分形参数,并将其作为故障诊断的新判据,最后通过实验结果证明了方法的有效性,从而为机械故障诊断提供了一种新的方法。     

一种基于ILCD融合与多重分形去趋势波动分析的退化特征提取方法

液压泵性能退化过程中,振动信号非线性强,导致退化特征提取困难、表征能力有限,为此,提出一种基于改良型局部特征尺度分解(ILCD)融合与多重分形去趋势波动分析(MF-DFA)的退化特征提取方法。在对信号进行ILCD分解的基础上,通过构建敏感因子从各内禀尺度分量(ISCs)筛选出包含关键故障信息的敏感分量,并依据融合规则实现多通道振动信号的融合处理,以改善重构信号中的特征信息;在此基础上,利用带有加窗分割的MF-DFA方法对融合信号作进一步处理,选取多重分形谱敏感参数作为液压泵性能退化特征向量;利用液压泵实测振动信号,验证了该方法的有效性。     

冻结立井爆破振动信号多重分形去趋势波动分析

针对基于配分函数的多重分形分析不利于局部标度特性突显的问题,把多重分形去趋势波动分析(MF-DFA)方法引入到爆破振动信号分析领域。研究表明:立井爆破振动信号具有多重分形特征,在周边眼不同装药形式下爆破信号MF-DFA谱和多重分形奇异谱具有显著差异,可作为判别周边装药结构形式的特征参数。MF-DFA谱图及其相关参数可以表征立井不同爆破方案下井壁振动响应状态特征,为炮孔装药结构和装药参数的识别与分类提供了一种有效的方法。     

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。     

基于排列熵与多重分形指数结合的特征提取算法在情感识别中的应用

通过对脑电信号的熵分析,进行了情感识别研究,并根据脑电信号的非线性特性以及多重分形特性的特点,提出了一种排列熵与多重分形指数相结合的情感脑电特征提取算法。该算法采用排列熵、Hurst指数、质量指数和奇异谱宽度相结合,实现情感脑电的特征提取,采用支持向量机(SVM))实现情感识别。结果显示,该算法两两情感识别,测试集最高正确率达到92.8%,除去激动对可怕外,正确率均在80%以上;与单独使用排列熵和分形指数特征的方法相比,最高正确率分别提高41.9%和31.2%。进一步分析了对积极和消极两类情感状态的识别效果,测试集平均正确率为78.3%,比排列熵与多重分形特征,测试集正确率分别提高了26.7%和1.6%。结果表明,基于排列熵与多重分形指数相结合的特征提取算法,能够充分挖掘脑电信号的非线性特性与多重分形特征信息,是一种有效的情感脑电特征提取算法。     

隧道爆破振动信号畸变校正与混沌多重分形特征研究EI北大核心CSCD

受测试环境影响,隧道爆破监测信号中普遍包含噪声和趋势项干扰。针对爆破信号干扰项消除难题,选取典型地铁隧道工程监测到的畸变爆破信号为分析对象,采用稀疏化基线估计与去噪(baseline estimation and denoising with sparsity,BEADS)算法实现了噪声和趋势项成分的提取,得到反映真实爆破信息的校正信号。利用多重分形去趋势波动分析(multi-fractal detrended fluctuation analyses,MF-DFA)捕捉到三个分量信号的混沌分形特征,并根据小波相关性凝聚谱对三个分量信号与原始信号的时频域相关性进行了精确表征。结果表明:隧道爆破信号高频噪声、低频趋势项和校正信号三者的混沌分形特征具有显著差异。校正信号吸引子轨迹形态为反复周期性有序波动且具有持续性和反持续性分形谱特征,其递归图具有周期模式;低频趋势项吸引子形态表现为近似直线且具有持续性分形谱特征,其递归图具有对角线分布突变模式;高频噪声吸引子形态为杂乱无章的随机波动且具有反持续性分形谱特征,其递归图具有漂移模式。在置信度为95%的小波影响锥范围内,校正信号、趋势项和噪声分量与原始信号分别具有持续正相关、局部负相关和无相关性特征。三类信号的有效分离和混沌分形特征提取为爆破信号成分的准确辨识和归类提供了客观表征和量化指标。     

多传感器数据下基于MFDFA-BP的离心泵空化致振故障分析EI北大核心CSCD

针对单传感器所测数据存在的不全面性及离心泵故障信号的非线性非平稳性等问题,提出多传感器数据下基于多重分形去趋势波动分析法(multi-fractal detrended fluctuation analysis,MFDFA)与BP(back propagation,BP)神经网络的离心泵空化致振故障分析方法。采用MFDFA法对离心泵5种不同工况下的8类实测信号进行分析,提取多重分形谱特征参数Δf、α_(0)、Δα、α_(min)及α_(max)作为故障特征向量,并结合BP神经网络进行单传感器信号故障诊断,优选识别率较佳的信号拼接构成多传感器特征向量,进而开展多传感器离心泵空化致振故障研究。结果表明:MFDFA法提取的多重分形谱特征参数能准确反映泵的运行状态,其中Δf、Δα以及α_(max)等参数对故障分类效果更好;泵振动、扭矩及电机振动等信号对故障本质的反映更准确;在此基础上形成的多传感器故障诊断模型准确率比单传感器提升了13%以上,为离心泵不同程度空化故障的状态识别提供了一种新的方法。     

基于谐波小波和去趋势波动分析的摩擦振动信号研究

为实现摩擦振动信号的降噪和摩擦振动信号特征提取,在往复式摩擦磨损试验机上进行了摩擦副摩合磨损试验。应用谐波小波对获得的非线性、非平稳的摩擦振动信号进行分解,实现摩擦振动信号的降噪。应用去趋势波动分析算法对摩擦振动信号进行分析,获得不同阶数下的Hurst指数,判别数据序列的属性及其趋势增强的程度。研究结果表明,随着磨合磨损试验的进行,摩擦振动信号的标度指数呈现逐渐增大的变化趋势,去趋势波动分析算法能够实现摩擦振动信号特征提取,摩擦振动信号的标度指数变化能够用于摩擦副的磨合磨损状态监测和识别。     

振动信号多重分形分析改进算法

针对振动信号的变化特点,提出一种用多重分形谱描述振动信号复杂性的新方法.给出了振动信号多重分形谱的改进算法,并对振动信号多重分形谱的变化规律进行了仿真和试验研究.结果表明:改进后的多重分形谱反映了振动信号的特征,能够对振动信号进行识别.     

一种改进的自适应多元变分模态分解轴承故障信号特征提取方法

针对实际工程中轴承信号的非线性和非平稳性,提出一种自适应多元变分模态分解算法。多元变分模态的分解效果主要与本征模态数k和惩罚参数α相关,为了解决人为经验参数设置对多元信号分解结果的影响,一种自适应的信号分解算法被提出。具体内容如下:首先将混合灰狼算法与多元变分模态分解算法相结合,提出最小模态重叠分量指标,将其作为适应度函数来寻求(k, α)的最优解,按照最优解对多元信号进行分解,提取故障特征。采用仿真信号和实际数据来验证所提方法的有效性和准确性,通过与多元经验模态分解、级联变分模态分解的对比分析,验证该算法在滚动轴承故障特征提取方面的高效性和实用性。     

电阻点焊质量Hopfield神经网络在线评估方法

目的 电阻点焊广泛应用于汽车、家电等领域,但目前少有准确的无损质量评价方法。为此,研究一种基于低碳钢板焊接功率信号的焊接质量在线评估方法,并探索利用该信号来评价电阻点焊焊点质量的可能性。方法 对焊接电流、电压信号进行测量和分析,研究功率信号表征焊接质量的可靠性,提出一种有效的模式特征提取方法,将动态功率信号转换为二值图像并用二值矩阵表征,该方法避免特征提取和选择,且尽可能保留焊点质量信息。通过拉剪试验将焊接样本分为6种不同的焊接等级,利用Hopfield关联记忆神经网络建立焊接质量分类器,将具有不同焊接质量水平的焊接样本模式特征矩阵记忆为稳定状态。结果 将焊接样本的模式特征矩阵输入分类器,通过Hopfield网络关联记忆将其收敛到最相似的稳定状态,最终锁定了稳定状态对应的焊接质量。60个测试样本中59个样本都可以被正确分类,该分类器的分类准确率达到98%。结论 分类性能试验结果表明,所提出的模式特征提取方法快速、有效,并能可靠地在线评估低碳钢板的焊接质量。     

基于耦合信号包络分析的引线键合点剪切强度识别方法研究

键合点剪切强度是衡量键合质量的重要指标之一,以引线键合系统超声波发生器电信号作为信息载体,研究了超声电信号的特征提取方法以及在键合强度识别方面的应用。针对超声电信号的瞬态特性,提出一种基于信号子频带包络分段的特征提取方法。该方法将超声电信号滤波后的子频带包络分成信号上升、稳定和衰减三个阶段,提取每个阶段的敏感波形特征来表征键合过程。为了消除特征中的冗余信息并实现特征降维,采用了主分量分析(PCA)技术进行特征选择。建立了人工神经网络系统(ANN)对提取的特征进行识别,通过实验数据分析,验证了本文方法的有效性。     

基于小波包变换与核主成分分析的铣削颤振识别

提出一种基于小波包变换（wavelet packets transform, WPT）与核主成分分析（kernel principal component analysis,KPCA）的颤振识别方法。铣削颤振会抑制或增强某些频段内的信号,利用四层小波包分解与重构,得到16个频段内的重构信号,获得各重构信号的面积,并进行归一化处理,完成铣削颤振特征向量的选择。继而通过对比基于主成分分析（principal component analysis,PCA）与核主成分分析的特征提取方法的特征提取效果,选取KPCA对特征向量进行降维处理,最后以降维后的数据作为最小二乘支持向量机分类器的输入对铣削状态进行识别。结果表明,在小样本的情况下仍能有效、准确地对铣削状态进行分类,分类准确率达95.0 %。     

基于GST-ECNN的运动想象脑电信号识别方法

在对脑电信号的解码研究中,存在着现有时频分析方法对高频信号处理能力有限,多通道信号信息冗余,常用卷积神经网络分类器ReLU激活函数受学习速率的影响较大,对不同层采用相同的正则化很难获得满意结果等问题。为此,提出了一种基于广义S变换特征提取和增强卷积神经网络分类相结合的方法,同时提出一种结合Relief算法和向前选择搜索策略的包裹式方法进行通道选择。结果表明,提出的方法利用较少的信号通道,具有更强的特征提取和分类的能力,在第Ⅳ届BCI的数据集I上取得最高98.44±1.5%的分类准确率,高于其他现有算法。该方法良好的分类性能不仅减少了计算消耗,也有效提高了分类准确率,对脑电信号特征提取和分类具有一定的参考意义。     

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。     

Neural classification of Lamb wave ultrasonic weld testing signalsusing wavelet coefficients

This paper presents an ultrasonic nondestructive weld testing method based on the wavelet transform (WT) of inspection signals and their classification by a neural network (NN). The use of Lamb waves generated by an electromagnetic acoustic transducer (EMAT) as a probe allows us to test metallic welds. In this work, the case of an aluminum weld is treated. The feature extraction is made by using a method of analysis based on the WT of the ultrasonic testing signals; a classification process of the features based on a neural classifier to interpret the results in terms of weld quality concludes the process. The aim of this complete process of analysis and classification of the testing ultrasonic signals is to lead to an automated system of weld or structure testing. Results of real-world ultrasonic Lamb wave signal analysis and classifications for an aluminum weld are presented; these demonstrate the feasibility and efficiency of the proposed method     

基于匹配延拓的ITD边界效应抑制方法研究

作为一种新的非平稳信号处理方法,固有时间尺度分解法在将复杂的非平稳信号分解为若干个固有旋转分量过程中,存在着严重的边界效应问题。本文针对抑制边界效应提出了五种数据延拓方法：自适应波形匹配、基于AR模型的延拓方法、镜像延拓方法、多项式延拓方法、反对称周期延拓法。通过数学模拟实验比较这五种方法的抑制效果,选出最优方法。将最优方法用于仿真信号和轴承故障振动信号分析,结果表明该方法能够有效地抑制边界效应,可更好地提取机电设备故障特征。.     

基于小波包变换的爆破振动信号能量熵特征分析

爆破振动信号是典型的短时非平稳随机信号。应用多分辨率特点的小波包变换对爆破振动信号进行多层分解,得到信号能量分布的细节信息。根据建立在概率统计基础上的信息熵概念,推导得到爆破振动信号能量熵计算方法。分析了4种类型爆破振动信号的能量熵,熵值由大到小为:隧道爆破、管道爆炸、台阶爆破、塌落振动。结果表明,能量熵能够反映不同类型爆破对振动信号的影响。提出将能量熵作为爆破振动信号的新特征量,为爆破振动信号特征提取、不同爆破类型振动信号识别和爆破振动预测提供一种新思路。