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。     

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。     

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。     

基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。     

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。     

递归图和近似熵在设备故障信号复杂度分析中的应用

将一维时间序列采用相空间重构算法将其扩展到高维相空间中，通过研究时间序列在高维空间中的邻近点分布规律和运动特点，提出采用递归图和近似熵获取原始时间序列的动力学行为的方法。对递归图受噪声的影响，近似熵的数值稳定性进行研究，结果表明两种算法在较短的数据集下就能有效地对信号的复杂度进行描述。同时将近似熵和递归图用于设备振动信号的复杂度描述，对两组不同的信号的递归图和近似熵进行比较，得出的结论与实际相符。     

基于FastICA的超声A波信号降噪研究

为便于缺陷可视化和提高缺陷定量分析精度,必须降低超声检测过程中多种未知噪声源对超声A波信号的干扰。首先将超声A波信号进行相空间重构,得到一个相空间重构矩阵;然后进行基于FastICA算法的独立分量分析;最后从独立分量中提取出所需的超声信号。为了验证降噪效果,将该降噪方法与小波去噪方法进行对比。实验结果表明:该方法与小波去噪方法效果接近,极大地提高了超声信号的信噪比。同时,该方法与小波去噪方法相比具有自适应能力强、简单且易于实现等优点。     

基于改进相空间重构的压缩机运行状态预测

精确的状态预测对于压缩机的平稳运行至关重要,同时,振动信号能够表征绝大多数压缩机的运行状态。为提高预测精度,文中提出改进的相空间重构法和神经网络相结合的预测模型。首先利用相空间重构技术,将一维时间序列振动信号扩展到高维空间。针对传统的G-P算法中无标度区识别过于依赖人工经验的不足,提出了DBSCAN聚类与粒子群优化算法相结合的无标度区自动识别方法,并以相关性指标最大和残差平方和最小为目标建立无标度区识别优化模型,使用粒子群算法获得最优解,实现无标度区的自动识别。使用BP神经网络对重构后的振动信号进行预测。预测结果表明相空间重构后的信号预测效果更好。     

基于PCA和LMD分解的滚动轴承故障特征提取方法

局部均值分解(LMD)是一种自适应时频分析方法,并在轴承的故障诊断中成功应用,但是受噪声的影响比较大。为了最大程度地降低噪声的干扰,提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号,然后利用主分量分析提取主要成分实现降噪,最后把降噪之后的信号进行LMD分解,分解成若干个乘积函数(PF)之和,对能量最高的PF1进行包络谱分析,提取出故障特征信息。通过仿真试验和轴承故障试验,结果表明该方法能够有效地提取出信号的故障特征,证明了该方法的有效性。     

基于奇异值分解的欠定盲信号分离新方法及应用

提出一种利用相空间重构和奇异值分解实现信号升维,从而对欠定信号进行盲分离的新方法。选择合理的时间延迟和嵌入维数对信号进行相空间重构而得到吸引子轨迹矩阵,对该矩阵进行奇异值分解,并根据不同信号的奇异值分布特性选择合适的奇异值进行逆变换,从而可以得到源信号的新的线性组合,实现了信号升维。随后对新混合信号与原混合信号之间的关系进行讨论,分析二者之间的相关性,证明了该方法的合理性。利用该方法首先分析几种常见信号如正弦信号、调频信号、调幅信号等的奇异值分布特性,研究这些信号与白噪声混合时的欠定盲分离,并将其用于实测齿轮故障信号的盲分离,研究表明该方法能够识别齿轮系统的典型故障,取得了较好效果。     

基于非线性多参数的旋转机械故障诊断方法

应用关联维数、李亚谱诺夫指数等非线性多参数对旋转机械故障诊断进行研究。对所采集的模拟旋转机械振动故障信号,运用相空间重构理论对其时间序列重构。为使重构相空间能充分地反映系统运动特征,对不同故障信号的时间延迟与嵌入维数确定问题进行研究,计算出不同故障信号的关联维数、李亚谱诺夫指数、复杂度和近似熵四个非线性特征量。在此基础上对四个非线性参数进行融合,并定义为非线性度,用这一特征量对故障信号特征进行提取与识别。由于非线性度是关联维数、李亚谱诺夫指数、复杂度和近似熵多参数的综合,更有利于分析识别故障信号,增强可靠性。研究表明:故障类型不同,非线性度指数不同,验证了这一非线性特征量是表征不同故障信息的有效参数。此研究为复杂旋转机械故障诊断提供一种识别方法。     

对偶树复小波流形域降噪方法及其在故障诊断中的应用

滚动轴承工作环境比较复杂,现场测得的振动信号往往含有大量噪声且滚动轴承早期故障特征比较微弱容易被噪声所淹没,如何有效降低滚动轴承故障信号中的噪声准确提取故障特征是一个难题。将流形理论与对偶树复小波(Dual-tree complex wavelet transform, DTCWT)方法结合,提出一种对偶树复小波流形域降噪方法。将轴承振动信号进行对偶树复小波分解构造高维信号空间,然后利用最大方差展开流形算法(Maximum variance unfolding, MVU)提取高维信号空间中的真实信号子空间,去除噪声子空间,充分利用了MVU的非线性特征提取能力以及DTCWT的完全重构特征和平移不变性。运用仿真数据和滚动轴承工程信号对降噪方法进行检验,结果表明DTCWT_MVU可以有效消除轴承信号中的噪声成分,保持信号特征波形,提高信噪比,具有较强的工程使用价值和通用性。     

基于奇异谱的降噪方法及其在故障诊断技术中的应用

提出一种将振动信号在相空间进行重构,并利用重构吸引子轨道矩阵的奇异谱的特性来提高信噪比的方法。该方法已应用于滚动轴承和齿轮箱的故障诊断中,试验表明该方法能够有效地降低噪声,提高信噪比,突出振动信号的故障特征,从而提高设备故障诊断的准确率。     

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.     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。