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VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

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。     

相空间稀疏化的信号压缩感知与重构方法

针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。     

旋翼振动监测信号的演化分析与损伤跟踪方法

为获得一种对损伤敏感而对正常状态扰动不敏感的旋翼损伤观测信号、解决直升机旋翼在飞行状态下的损伤监测问题,研究了旋翼在重构相空间中的损伤演化特性并提出一种新的损伤跟踪方法。该方法首先应用嵌入技术将旋翼气弹有限元模型产生的振动监测信号重构到维数更高的相空间中,采用非线性Volterra级数建立旋翼基准状态预测模型,以基准状态预测结果与实测相轨迹之件的差异作为状态预测残差,在多个邻域内对其统计平均形成一个损伤观测特征向量;然后,应用奇异谱分解方法从损伤观测特征向量的时间序列中提取出桨叶损伤演化的维度和趋势信息,采用双指数平滑方法建立损伤演化趋势预测模型并估计出桨叶损伤故障剩余寿命。采用桨叶损伤模型和旋翼气弹模型仿真数据验证了所提方法的可行性和有效性。结果表明:该方法能充分利用监测信号的非线性特性在高维相空间中重建系统动力学本质,以不同的时间尺度来观测系统的演化特性;具有损伤模式自动识别能力,可用于难以事先确定系统损伤演化模型或维数信息的场合。     

基于相空间重构的独立分量分析及其工程应用

针对单通道信号无法满足独立分量分析的欠定问题,将相空间重构与独立分量相结合,通过相空间重构实现单通道信号的升维,并将升维信号进行独立分量分析,可以有效地分离出原信号中包含的独立信源。以提取冲击特征为例,通过仿真验证了该方法的有效性。将该方法运用于滚动轴承故障特征提取中,成功地从早期滚动轴承故障信号中提取了周期性故障冲击成分。与传统的小波包-峭度故障特征提取方法对比,此方法更有效。     

基于混沌相空间重构的数控机床运动精度演化分析

数控机床运动精度状态的变化是一个复杂非线性动力系统的时空演化过程,难以通过数学建模方法分析其演化规律。提出基于混沌相空间重构理论的数控机床运动精度演化分析方法。根据混沌系统内在的规律性和有序性,分析基于相空间重构的数控机床精度演化原理,对数控机床运动精度的一维时间序列进行相空间重构,从而得到与原系统拓扑同构的高维相空间。提出用相点轨迹描述运动精度在相空间中的演化规律,构造一个非线性演化模型,用相点的多维分量构成输入向量,对其精度趋势进行演化。实验结果表明,基于混沌相空间重构的演化模型,可以很好地追踪数控机床运动精度的演变趋势和规律,且具有较高的演化精度。     

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VMD阶比跟踪的变转速齿轮箱齿轮故障特征提取

针对变转速工况下齿轮箱齿轮阶比信号互相干扰故障特征难以提取的问题,提出了基于VMD(Variational Mode Decomposition)和阶比跟踪技术结合的齿轮箱齿轮故障特征提取方法。该方法通过计算阶比跟踪技术对振动信号进行角域重采样;获得重采样信号后,利用VMD按照中心阶比不同,自适应地将重采样信号分解,再利用峭度准则从IMF(Intrinsic Mode Function)分量中选取出故障信号;最后对故障信号进行快速谱峭图处理和滤波平方包络解调。通过变转速下齿轮箱的齿轮故障试验和对比分析,表明该方法能有效提取出变转速下齿轮箱的齿轮故障特征,且降噪效果明显,特征突出,适用于变转速齿轮箱的齿轮故障特征提取。     

基于相空间重构和K-L变换的压缩机故障诊断

为有效利用往复式天然气压缩机故障工作状态下振动系统的非线性特征,采用了一种集相空间重构技术K-L变换为一体的特征提取和特征压缩方案,并成功应用于对某型压缩机的故障诊断。用相空间重构提取了高维的征取量,为了降低特征维数,引入K-L变换进行特征压缩。通过对3类典型故障类别一定样本数量的振动数据进行仿真,仿真结果表明该方法提取的特征量,具有很好的聚类性,能很好地把3类故障区分,达到对故障诊断的目的。     

基于振动传递率函数和奇异值熵的结构损伤检测方法

为了直接通过结构振动响应提取损伤特征,对激励未知情况下的结构损伤进行检测,提出了基于振动传递率函数和奇异值熵的损伤检测方法。该方法首先通过振动响应获得振动传递率函数,然后对振动传递率函数序列进行相空间重构,求取其奇异值熵,通过奇异值熵的大小来识别损伤模式。实验结果表明,该方法能有效地识别结构的损伤模式。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法。首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴承正常期的退化指标为基础,采用长短期记忆神经网络预测滚动轴承退化趋势。试验表明,该方法不仅能及时发现轴承运行的衰退时间点,且相比于BP和RBF神经网络具有更高的寿命预测精度。     

基于相空间的滚动轴承振动特征参数的乏信息分析

用混沌理论进行相空间重构,恢复轴承振动时间序列的原始动力学特征,然后在相空间里,用最大熵自助法并结合Bayes统计理论,建立轴承振动特征参数的动态Bayes后验概率密度函数,最后对特征参数进行点估计、区间估计及趋势估计等。试验研究表明,估计结果和试验结果在数值上很接近,满足工程要求。因此,用乏信息数学模型可以真实地评价轴承振动的统计特征。     

基于多嵌入维数的时用水量LSSVM组合预测

为解决供水系统调度所需混沌时用水量高精度预测等问题,将最小二乘支持向量机(LSSVM)组合预测模型应用到城市时用水量预测中。在分析不同嵌入维数和预测方法对模型预测精度影响程度的基础上,提出了基于多嵌入维数的LSSVM组合预测模型。采用互信息法和G-P方法求取多个嵌入维数,并建立了不同相空间模型,通过LSSVM算法对上述多个预测模型进行了组合预测,既综合了各不同嵌入维数各预测方法下的信息,又对单一模型下的预测偏差进行了融合,以有效地提高预测精度;最后在某地进行了时用水量序列的仿真实验。研究结果表明,该模型预测精度平均误差小于2%,明显优于各单一模型的预测结果,证实了该组合模型的有效性和实用性。     

小型水下作业设备相变热控技术研究

小型水下作业设备在海洋资源探测与利用领域扮演着重要角色。随着水下作业设备不断向多功能、智能化、长续航和大深度方向发展,设备内部功率元器件不断增多,散热问题日益严峻。文中提出了一种小型水下作业设备储热模块,采用相变材料被动吸热方式对设备内部发热元器件进行散热。研究了典型热功率条件下相变储热模块的热控性能,并对比了不同类型相变材料的热控效果。结果表明：相比于原有的自然冷却方式,低熔点金属镓相变储热模块可显著抑制热源的温升,将设备的正常工作时间有效延长至原来的2.7倍,起到良好的热防护作用;而有机相变材料因其传热性能差,反而阻碍了热量向外壳传递,恶化了设备的散热性能。文中提出的相变热控模块具有零功耗、储热密度大、工作性能稳定等特点。利用设备原有的壳体空间填充相变材料,不额外增加体积,不影响设备内部空间,可实现相变吸热和自然冷却耦合并行散热,有效防止设备内部器件或设备发生过热损坏,为水下无人作业设备持续、安全、稳定、高效工作提供热防护保障。     

基于贝叶斯更新的机电作动器健康因子构建方法

机电作动器(EMA)由于重量轻、体积小、可靠性高等优势成为多电/全电飞机的核心部件,逐步广泛应用于各类多电/全电飞机中。然而,EMA动态变化的运行模式和载荷工况给其退化建模和健康因子(HI)估计带来较大挑战。因此,提出一种基于贝叶斯更新的EMA HI构建方法。首先基于历史监测数据构建HI先验模型,在此基础上,结合贝叶斯更新理论和实时监测数据对EMA HI先验模型参数分布进行迭代更新,最终实现不同运行模式和载荷工况下EMA退化状态的准确表征。为解决变工况条件下EMA HI构建模型失配问题提供了一种新颖的思路,并基于NASA公开数据集进行了实验验证。结果表明,与基于模型辨识的EMA HI构建方法相比,基于贝叶斯更新的EMA HI构建方法具有更强的工况适应能力,能够在变工况条件下有效地构建出EMA HI。     

驾驶员驾驶习惯识别与车辆自动变速换档修正

根据不同驾驶员的不同驾驶习惯对自动变速器换档策略进行适应优化。在对驾驶员驾驶操纵行为分析的基础上,提出基于相空间重构与驾驶习惯评价指数的驾驶习惯识别方法实现驾驶习惯识别。首先利用相空间重构方法对驾驶操纵信号时间序列进行相空间重构,建立基于关联维数和Kolmogorov熵的驾驶习惯评价指数进行驾驶习惯识别与换档修正控制,根据不同的驾驶习惯选择不同的换档修正系数,以满足驾驶员的不同换档需求。仿真与实车试验表明,基于相空间重构方法和驾驶习惯评价指数的识别方法可准确识别驾驶员的驾驶习惯,基于驾驶习惯识别的换档修正控制策略可有效完成对车辆自动变速换档规律的修正,充分满足不同驾驶员对车辆换档性能的不同需求,提高车辆自动变速的智能化程度。