基于混沌理论的设备状态监测应用研究

以汽车变速箱中齿轮系统疲劳实验为例，充分利用混沌方法与小波方法各自在状态监测与故障诊断领域中的优点，进行机械系统状态监测与故障诊断。通过对实验所得振动信号进行小波包分解与重构，得到反映目标部件的特征信号，借助于混沌方法，对信号进行了二次处理，进而对所得特征量的变化趋势进行比较研究，确定了各监测部位的运行状态，并实现了故障定位。计算结果和实验结果相吻合，证明了该方法的可行性。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

用于遮挡形状匹配的弦角特征描述

为了在兼顾形状匹配算法的检索率和运算效率的同时实现部分遮挡目标的精确匹配,提出了一种基于弦角轮廓特征的形状描述算法。该算法基于轮廓点的空间位置关系构造每个轮廓采样点的弦角轮廓特征描述子,利用描述子的自包含属性描述开轮廓的形状特征。采用L1度量方法计算两个轮廓点的弦描述子之间的距离,获得匹配代价矩阵。最后利用积分图算法计算匹配代价矩阵的相似度,实现部分遮挡目标的识别。基于MPEG-7形状数据库和Kimia216形状数据库进行了目标识别实验。实验结果表明:该算法对部分遮挡目标具有良好的鲁棒性,而且有较高的运算效率,部分匹配的检索率达到83.63%,提高了19.09%,实验结果优于现有部分遮挡形状匹配算法。该算法较好地满足了遮挡形状的匹配和识别对速度、准确率和抗遮挡能力等方面的要求。     

基于同底三角形面积描述的形状检索

为了在形状匹配的过程中提高形状特征对边界噪声和图像变形的鲁棒性,同时兼顾形状匹配算法的检索精度和运算效率,提出一种基于同底三角形面积的形状匹配方法.该方法首先计算每个轮廓采样点的同底三角形面积描述子,并对该描述子进行局部平滑,使其更加鲁棒.然后采用加权L1度量方法计算两个形状所有轮廓点的同底三角形描述子之间的距离,获得匹配代价矩阵.最后利用动态规划算法计算匹配代价矩阵的相似度,获得形状距离,实现形状匹配.通过在MPEG-7、Kimia以及铰接形状数据库上测试分析表明,该方法对变形目标具有良好的鲁棒性,且提高了运算效率和检索精度.     

基于SALSA优化算法的变转速轴承故障特征稀疏表示方法研究

变转速工况下轴承等设备的关键部件出现故障后对设备的危害十分严重,而且此类工况下振动信号更加复杂。为了克服此类问题,引入分裂增广拉格朗日收缩算法建立变转速轴承故障特征稀疏表示方法,实现变转速下轴承故障冲击特征的准确提取。首先,基于变转速轴承故障振动响应模型,分析不同转速下轴承故障振动响应形态变化规律,构造Laplace小波基底过完备字典;然后运用分裂增广拉格朗日收缩算法实现故障信号的稀疏表示与重构,通过提取重构信号的特征阶次实现轴承的故障诊断。轴承故障诊断实例验证了所提方法在变转速工况下轴承故障诊断的有效性。     

基于变步长多尺度 Lempel-Ziv 复杂度融合 指标的旋转设备损伤评估

损伤程度评估对于旋转设备的故障预测与维护至关重要。Lempel-Ziv复杂度已被广泛用于旋转设备的定量故障诊断。但是传统Lempel-Ziv复杂度指标只能在单一尺度提取故障信息,难以全面挖掘故障特征。为此,学者提出了多尺度Lempel-Ziv复杂度。然而,多尺度分析会缩减时间序列的长度,易于导致评估结果不准确。因此,提出了一种基于变步长多尺度Lempel-Ziv复杂度融合的旋转设备损伤程度评估指标。首先采用变步长策略优化粗粒化过程,更全面地挖掘故障信息;然后运用基于拉普拉斯得分加权的融合方法来评估每个尺度的重要性,将变步长多尺度复杂度序列转化为一个单一但全面的评价指标,即所提的变步长多尺度复杂度融合指标,用以全面挖掘振动信号的特征,实现对旋转设备的损伤评估。本文采用轴承单点缺陷数据、轴承全寿命数据和齿轮箱疲劳试验数据验证所提方法的有效性,并与其他复杂度指标进行比较分析,结果表明：所提指标可100%准确地对轴承故障严重程度及齿轮磨损程度进行评估,发现早期故障,实现旋转设备的定量诊断。     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

基于傅里叶幅值检验扩展法的轨道车辆垂向模型全局灵敏度分析

为筛选明显影响轨道车辆垂向振动特性的设计参数,简化车辆模型参数优化设计过程,采用傅里叶幅值灵敏度检验扩展法对典型轨道车辆垂向模型进行参数灵敏度分析。研究结果表明,二系悬挂与一系悬挂阻尼变化对车体沉浮运动影响较一系悬挂刚度大;调整车辆定距也会影响车体点头运动;模型设计参数间存在微弱的交互作用。所用该研究方法及结论对轨道车辆模型的振动特性研究及参数优化设计具有一定参考价值与工程意义。     

周期特征的极坐标同步增强及其在轴承故障检测中的应用

提出一种信号周期瞬态特征的极坐标检测方法,该方法在小波变换的基础上,针对信号中有限种可能的周期瞬态情况,将信号的小波变换的时频特征表示为极坐标图上某一区域的显著增强的特征,实现了周期瞬态特征的检测与增强.针对轴承的3种典型故障,采用极坐标同步增强策略,将轴承故障特征以显著的形式表示在极坐标上,实现了轴承故障的检测.     

应用神经网络对测量仪器进行校准

本文介绍了人工神经网络的基本原理及BP网络学习算法，提出了对测量仪器进行校准的一种新方法，并用万用表的校准实验证明了该方法的有效性。