基于局部投影降噪的低频轴承故障诊断

本文将局部投影降噪算法结合共振解调技术对低频轴承进行故障诊断。局部投影算法将时间序列先进相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中背景信号和噪场分量。综合局部投影降噪算法及共振解调技术两都的优点,对低频轴承进行了故障分析与诊断。     

基于局部投影算法的齿轮故障声信号特征提取

局部投影算法采用延时坐标将时间序列进行相重构，在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间，通过子空间中吸引子特性的不同来分离时序中的背景信号和弱特征信号分量。提出将局部投影算法用于设备故障声信号的降噪，通过齿轮故障信号的特征提取实验证实该方法用于识别设备故障的有效性。     

加权相空间重构降噪算法及其在设备故障诊断中的应用

加权相空间重构降噪算法在相空间重构与分解的基础上,将一维的时间序列延拓到高维的相空间,使得一维时序中不易识别的特征在高维相空间变为容易识别的吸引子,通过区分吸引子在高维空间的不同的属性与特征,采用汉宁加权窗将高维信号投影到一维,使得信号的本质特征得到充分体现.根据机械设备发生故I荤其振动信号中往往具有非线性、非平稳性的特点,提出将加权相空间重构降噪算法用于设备故障信号的降噪,并采用数值仿真试验及齿轮故障诊断对此算法进行了分析与验证,结果表明该算法对此类信号具有良好的降噪效果.     

基于关联距离熵的齿轮箱故障诊断

将非线性时间序列的局部投影消噪算法引入到故障诊断领域中,并应用改进的局部投影算法对齿轮箱箱体表面振动信号进行消噪,最后通过计算关联距离熵来进行齿轮箱故障诊断,实验证明,该方法能达到很好的诊断效果.     

基于局部主分量分析的胎儿心电信号提取算法

为了从孕妇腹部一个导联混合信号中提取微弱的胎儿心电信号,提出了一种基于局部主分量分析的非线性特征信号提取算法.该算法首先利用重构相空间理论从观测时间序列中重构系统的动力学特征,然后在每个相点的局部范围内利用主分量分析的算法提取母亲和胎儿心电信号.由于提取的胎儿心电信号中还含有噪声,再一次利用局部主分量分析算法就能分别提取纯净的胎儿心电信号和噪声.两组实测信号的仿真结果表明,算法具有较好的提取效果和鲁棒性.     

基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用

提出了一种新的基于主流形识别的非线性时间序列降噪方法。新的降噪方法将一维时间序列重构到高维相空间,利用非线性降维方法找出动力学系统在相空间中具有全域正交坐标系的低维主流形,然后根据主流形反求一维时间序列,进而达到降噪的目的。对洛伦兹信号进行的数值试验证明,与奇异谱分解等现有非线性分析方法相比,基于主流形识别的降噪方法能更加有效地消除混沌时间序列中的高斯白噪声。将该方法应用于带有断齿故障的齿轮箱振动信号的故障分析中,成功地提取出了淹没在带噪信号中的冲击特征。     

大型复杂机械系统相空间的重构技术研究

在对大型复杂机械系统动力学分析时,由于存在大量的非线性因素,很难建立比较完备的力学模型,住往利用非线性时间序列的相空间重构的思想来研究上述问题。相空间重构是对时间序列进行深层次信息挖掘的一种有效的方法。在进行相空间重构研究时,参数的选取一直都是其最重要也是最难的部分。文中论述相空间重构中嵌入维数与时间延迟的关系,根据以往算法在确定参数时造成大量的冗余计算的不足,采用基于几何不变量的G-P算法和信息论中的互信息方法分别找出嵌入维数、时间延迟的优化算法,并仿真Lorenz方程采集的数据进行算法验证。     

基于相空间重构的制造系统混沌研究

针对制造企业的生产效率时间序列体现的非线性的确定而又类似随机的特点,提出了基于相空间重构的制造系统的混沌研究方法。利用互信息法和CAO氏方法分别确定最佳延迟时间和最小嵌入维数,利用生产效率时间序列对制造系统相空间重构,通过Grassberger-Procac-cia算法和小数据量方法计算关联维数和最大Lyapunov指数这两个非线性特征量,结果表明制造企业在运行过程中出现混沌现象。     

基于非线性流形学习的磨粒特征提取方法

针对磨粒特征参数多、非线性突出的问题,提出一种基于非线性流形学习的磨粒特征提取方法。该方法将磨粒特征重构到高维相空间中,利用局部线性嵌入算法提取出隐藏其中的低维流形,并根据数据流形的弯曲性和邻域参数的关系,实现高维相空间中局部邻域参数的自适应选取。实验结果表明,该方法有效地克服了主成分分析和核主成分分析方法的不足,提取的磨粒特征敏感性更好,从而提高了磨粒识别的精度。     

一种用于混沌信号去噪的循环相关算法

基于局部相关原理,提出了一种可以有效实现混沌信号和噪声分离的方法。通过分析混沌信号在一定维数的相空间中存在的局部相关性,阐明了混沌信号内在的局部特征,引入循环相关算法对相空间中的相点进行有限次相关迭代以重新估计各个相点的值,利用相空间重构技术从这些新的相点中恢复出原始信号序列。试验仿真结果表明,该方法具有良好的噪声抑制能力和计算收敛性,算法简洁等优点。滤波效果与背景噪声类型无关。     

参数自适应选择的局部投影滤波算法研究

针对常规局部投影滤波算法中对邻域半径及噪声子空间维数的选取问题,提出了一种参数自适应选择的局部投影改进算法。利用相点与其近邻点形成的空间矢量方向随邻域半径的变化趋势,自适应地选取最优邻域半径;并采用MInka Beyasian模型选择(MInka Beyasian Selection,MI-BS)准则确定该邻域内噪声空间维数的大小。对Henon映射序列及实际采集的碰摩转子振动信号序列进行的仿真实验结果说明,该自适应滤波算法能够更精确地识别出噪声中的混沌数据,从而具有更强的混沌信号恢复及非线性降噪能力。     

基于小波包分解与主流形识别的非线性降噪

为解决工程实际中强噪声、非线性且频率成分复杂的振动信号降噪问题,提出了基于小波包分解和主流形识别的非线性降噪方法。采用小波包分解将原始振动信号正交无遗漏地分解到各频带范围内,根据各子频带中信噪空间分布,分别采用相应参数对小波包分解系数进行相空间重构;采用局部切空间排列(local tangent space alignment,LTSA)主流形识别方法在高维相空间中实现信号与噪音的分离,并重构出降噪后的一维小波包分解系数,最后进行小波包分解重构得到降噪后的振动信号。通过仿真实验和实例应用对本文所提方法的有效性进行了验证,试验结果表明本文方法具有良好的非线性降噪能力。     

Feature extraction of kernel regress reconstruction for fault diagnosis based on self-organizing manifold learning

The feature space extracted from vibration signals with various faults is often nonlinear and of high dimension.Currently,nonlinear dimensionality reduction methods are available for extracting low-dimensional embeddings,such as manifold learning.However,these methods are all based on manual intervention,which have some shortages in stability,and suppressing the disturbance noise.To extract features automatically,a manifold learning method with self-organization mapping is introduced for the first time.Under the non-uniform sample distribution reconstructed by the phase space,the expectation maximization(EM) iteration algorithm is used to divide the local neighborhoods adaptively without manual intervention.After that,the local tangent space alignment(LTSA) algorithm is adopted to compress the high-dimensional phase space into a more truthful low-dimensional representation.Finally,the signal is reconstructed by the kernel regression.Several typical states include the Lorenz system,engine fault with piston pin defect,and bearing fault with outer-race defect are analyzed.Compared with the LTSA and continuous wavelet transform,the results show that the background noise can be fully restrained and the entire periodic repetition of impact components is well separated and identified.A new way to automatically and precisely extract the impulsive components from mechanical signals is proposed.     

基于Lyapunov指数的非线性Lamb波的微裂纹检测

为了提高在背景噪声干扰下非线性Lamb对于结构微裂纹的检测精度,提出了利用Duffing振子和Lya-punov指数对噪声干扰下的非线性Lamb波特征进行增强与量化分析的方法。首先,采用了庞加莱图确定Duffing系统外策动力参数;其次,将周期延拓滤波后的非线性Lamb波输入调整好的Duffing系统中,对系统输出时间序列进行相空间重构,计算出相应的最大Lyapunov指数。通过多个模型数据的仿真分析结果表明,即使在噪声干扰情况下,Lyapunov指数与裂纹大小也存在着良好的线性关系。该方法对噪声干扰下的微裂纹缺陷识别具有明显的优势,对提高非线性Lamb波的检测灵敏度具有重要意义。     

基于小波及非线性预测的轴承故障诊断方法

在非线性时间序列预测研究的基础上,提出非线性预测效果的特征提取方法.首先对采集到的足够长轴承数据采用小波变换进行消噪处理及边界延拓,使其满足预测需要的无限长、无噪声的条件,这样延迟时间取任意值均能重构原系统相空间;然后采用基于可预测性的选取嵌入维数的方法确定轴承各种状态信号的嵌入维数,进行相空间重构.应用实验结果表明:该方法提取的特征值能明显地区分轴承各种状态信号,且对数据分段长度的稳定性好,可以作为识别轴承故障的一种新途径.