自动机机箱振动分析与诊断研究

自动机射击动作时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性;针对自动机实射动作冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析。根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量,并用比例梯度动量共轭算法训练的神经网络模型进行自动机状态定位与故障识别。     

基于混沌理论的自动机故障诊断研究

针对某型号自动机的结构特点、运动过程和几种常见的故障模式进行分析。结合自动机的运动过程分析及其振动信号的非线性短时冲击特性,提出用混沌理论对自动机的故障进行诊断研究。提取了所测信号的李雅普诺夫指数,验证其为混沌系统,运用关联维数和Kolmogorov熵几个混沌参量提取出实测信号的特征。最后应用Elman神经网络进行了故障模式的识别,实现了基于试验测试的自动机故障诊断。为自动武器的故障诊断提供了一种新思路,对高速自动机的故障诊断有着重要的理论和现实意义。     

基于神经网络的自动机冲击振动信号混沌特征识别

针对武器自动机含噪冲击振动信号的混沌特性识别问题,提出了基于神经网络的混沌特征识别算法.将信号进行降噪处理,利用神经网络强大的学习和非线性处理能力,逼近信号真实相空间映射建立Jacobian矩阵,通过Jacobian矩阵计算出最大Lyapunov指数,并判断信号是否含有混沌特征.分别采用Lorenz仿真系统和自动机动作的冲击振动实测信号进行算法验证,仿真和试验结果表明提出的算法可以有效地解决自动机冲击振动信号混沌特性识别问题.     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

基于高阶累量谱的轴承故障诊断

在轴承故障诊断中，故障信号的提取是一个关键问题。实际测得的轴承振动信号一般是非平稳和非高斯分布的信号，信噪比很低，微弱的故障信息往往完全淹没在噪声中，信号特征的提取非常困难。信号的高阶累积量对加性高斯噪声和对称非高斯噪声不敏感，应用在轴承的故障诊断中，可以有效地分离信号与噪声，提高信噪比，增强故障信息。对轴承在不同状态下的振动信号进行对比分析，提取了不同状态下轴承振动信号的功率谱与高阶累量谱（双谱），建立了用于故障诊断的双谱特征向量，并利用BP神经网络进行了故障诊断。分析结果表明，从高阶累积量提取的特征与功率谱相比，对故障特征比较敏感，容易实现智能诊断中的数字特征提取，可有效地区分轴承的故障。     

基于小波变换信息熵的自动机故障特征提取研究

研究了根据自动机机箱的短时冲击振动信号,从信息的定量描述方法出发,通过小波能谱熵、小波奇异谱熵、小波时间熵算法建立信息熵提取模型,实现故障特征提取.针对典型模拟信号的仿真分析,验证了所提出的信息熵指标可以对信号进行多层次特征提取.结合自动机故障诊断试验,进行自动机运动形态分解时域特征与不同空间信息熵指标特征提取.可用于小口径火炮高速自动机的在线监测与故障诊断.     

EMD和Elman神经网络在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的特点,提出EMD和Elman神经网络结合的滚动轴承故障诊断方法。以滚动轴承振动信号为研究对象,首先对信号进行经验模态分解（EMD）,提取包含主要信息成分的本征模函数（IMF）分量,将IMF的能量比作为特征向量输入Elman神经网络进行网络训练和故障识别,实现滚动轴承的故障诊断。结果表明,EMD方法能按频率由高到低把复杂的非平稳信号分解成有限个IMF分量,具有自适应的特点,有效地突出轴承故障特征;而Elman神经网络能直接反映动态过程系统的特性,达到很好的识别效果。     

基于主成分分析和多元支持向量的旋转机械故障诊断方法

针对旋转机械运行过程中的非线性、非平稳突变性等复杂特征,提出一种基于主成分分析（PCA）和支持向量机（SVM）的精确故障诊断方法。该方法对振动信号进行EMD分解,得到多个基本模态分量IMF后,通过Sha-noon能量熵测度后将多个IMF分量进行主成分分析,提取有效的振动特性,再将其作为特征矢量输入到多元支持向量机SVM进行精确的故障诊断和分类。以一个滚动轴承为例进行分析,结果表明该方法具有强的鲁棒性和可靠性。     

基于多分形特征的枪械自动机裂纹故障诊断

为更好地利用振动信号对枪械自动机的裂纹故障进行诊断,提出基于振动信号多分形特征的故障诊断方法。该方法利用Wavelet Leader 来估计振动信号的多分形谱,通过6个特征量描述多分形谱的形态特征以实现多分形谱的降维,并使用基于Mahalanobis距离的分类器对不同的裂纹故障进行分类。应用该方法对某12.7 mm高射机枪自动机闭锁机构的裂纹故障进行了诊断,诊断正确率达到了82.5%,验证了将振动信号的多分形特征用于自动机裂纹故障诊断的可行性。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

基于支持向量数据描述的火炮自动机故障状态监测技术研究

针对火炮自动机故障状态监测问题,提出了一种基于支持向量数据描述的故障状态监测模型。利用搭建的自动机振动测试平台获取自动机振动信号,采用变模态分解方法将振动信号分解为多个本征模态分量,计算各个分量的样本熵值作为故障特征,并以正常状态下的自动机故障特征为训练样本进行SVDD模型的训练,训练过程中根据模型特点找到合适的模型参数,完成自动机状态监测模型的构建。在自动机测试平台上设置多种预制零件故障进行模型的验证,结果表明所建立的状态监测模型对异常状态的发生有很强的敏感性,具有较高的检测准确率;同时设计了关重件模拟性能退化试验,试验结果验证了所提出的模型具有良好的早期故障检测能力,可较为准确地反映自动机故障性能退化过程,可为火炮自动机故障状态监测提供一定的借鉴和指导。     

非高斯噪声下基于Unscented粒子滤波器的非线性系统故障诊断方法

非高斯噪声下非线性系统的故障诊断中,一般是基于粒子滤波器的方法,但普通粒子滤波器通常会发生“退化”现象,严重影响故障的检测和诊断品质。本文通过引入Unscented粒子滤波器方法,利用Unscented变换对随机分布的非线性概率传递能力来产生建议分布,能明显地改善普通粒子滤波器的性能;然后,提出了基于该滤波器的序贯式故障诊断策略,采用负对数似然比方法监控系统的运行状态,故障发后利用状态联合估计器进行故障隔离。计算实例表明,该新方法能实时检测诊断出非线性系统的故障,同时能抑制非高斯噪声的影响。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

HHT方法在遥测振动信号检测中的应用研究

介绍了HHT的基本原理、特点、存在问题及解决手段,应用该法对仿真振动信号和遥测振动信号进行了处理分析,结果表明其能够有效地对非线性、非平稳振动信号进行分解,且具有自适应性,在时域和频域内具有较好的分辨能力,分解出的分量具有较为清晰的物理意义,由于其表示结果的多样性,可以对单个分量做进一步精确分析,能够检测出信号的突变,并能定位突变的时间点,为飞行器飞行状态判定、优化方案设计以及故障检测提供重要依据。     

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解（EEMD）和乔-威廉姆斯分布（CWD）的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数（IMF）分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明：该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。     

局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.     

基于多层双向长短时记忆网络的装甲车辆柴油机喷油器故障诊断

针对装甲车辆柴油机喷油器故障诊断不能满足实时在线监测的问题,提出一种基于多层双向长短时记忆 网络(bidirectional long short term memory,Bi-LSTM)的装甲车辆柴油机喷油器故障诊断方法。对柴油机喷油器故障 进行模拟实验,利用多层双向长短时记忆网络具备较长距离的时序分析能力的优势,分别将压力波特征值和压力波 时序信号作为输入进行故障模式识别验证。结果表明：该方法具有较高的识别精度和较快的分类速度,能够满足实 时在线监测的要求。     

装甲车辆齿轮箱故障诊断中的信息增强技术

利用时域平均技术完成对周期信号的提取，通过对信号的内插处理、解调分析、重新抽样和时域平均，完成对轴频信号和啮频信号的提取；通过对故障信号特点的研究，提出了故障信息增强方法，给出了故障敏感因子。通过对装甲车辆齿轮传动箱振动加速度信号测试结果分析，得到了良好的效果。与未采用故障信息增强方法相比，不仅提高了信号的信噪比，而且提高了故障信息。