基于改进EEMD与混沌振子的配电网故障选线

提出改进的集合经验模态分解(MEEMD)和混沌振子相结合的电网故障微弱信号检测方法。首先,建立神经网络预测模型,通过神经网络对配网各线路零序电流进行短时预测,滤除故障信号中的背景信号;其次,为了检测配网发生单相接地故障后微弱的5次谐波信号,提出结合多尺度排列熵和完备集合经验模态分解(CEEMD)改进的改进的集合经验模态分解算法;处理已经滤除背景信号的故障信号,提取其第一固有模态函数作为混沌振子的输入。混沌振子对和内驱动力信号同频的外策动力信号有较高的敏感性,通过混沌振子输出的相图完成电网故障选线。     

基于混沌理论的微弱信号检测及自跟踪扫频电路实现

为解决工程实际中因待测信号常常被淹没在噪声背景中而传统信号检测方法难以检测等问题,将基于混沌理论的非线性信号检测技术应用到实际工程故障诊断中,开展了基于Duffing振子的微弱信号检测原理的分析,建立了混沌振子与微弱信号检测之间的关系,提出了基于Duffing振子的微弱信号检测方法,利用混沌系统相变对周期小信号的敏感性和对噪声具有免疫力的特点,设计制作了基于Duffing振子的微弱信号检测电路;对微弱信号检测的自适应进行了研究,利用AVR单片机及AD9850等芯片实现了信号检测电路的自动跟踪扫频功能,最后开展了该信号检测电路对不同频率微弱信号的检测试验。研究结果表明,用该电路可以实现在工程中常见的噪声背景下的中、低频率微弱周期信号的检测。     

用相位差值判别Duffing振子相变的新方法

针对Duffing振子微弱信号检测中相变(即混沌态与大尺度周期态状态的转变)判别算法复杂、计算量大等问题,推导了对Holmes型Duffing振子的增量谐波法求解方程,根据计算结果分析了相变过程中系统解的谐波特性,利用系统解与周期策动力的相位变化规律,提出一种用相位差值来判别相变的新方法.数值仿真和实验测试表明,在强噪声背景下系统相轨迹波动严重,但该方法仍能对系统相变实时准确地判别.     

基于Duffing振子的噪声背景下微弱周期信号检测

为有效地实现噪声背景下弱信号的提取,阐述了间歇混沌模型Duffing振子的混沌特性。利用Duffing振子对微弱信号具有敏感性、对噪声与频率差较大的周期干扰信号具有免疫力的特性,研究了基于Duffing振子在噪声条件下检测微弱周期信号、复合频率信号和未知频率信号的方法,用数值仿真验证了该方法的可行性。研究结果表明,基于Duffing振子的信号检测方法对极微弱周期信号检测有其独到的优势,其频率误差率在控制范围之内。     

基于混沌振子的低信噪比语音端点检测新方法

Duffing振子相变对与参考信号频差较小的周期小信号具有敏感性,对白噪声和与参考信号频差较大的周期干扰信号具有免疫力.利用语音的准周期性提出了一种基于混沌理论的语音端点检测新算法,讨论了如何利用Dufilng振子的间歇混沌特性来检测语音端点.将含噪语音作为Duffing振子的外部参考信号的摄动,根据系统相图是否改变来检测语音段和噪声段.通过尺度变换并设计了振子阵列以榆测频率范围较大的语音信号.实验结果表明,基于混沌的语音端点检测算法在低信噪比下明显优于传统的能量语音端点检测法.     

基于噪声和混沌振子的微弱信号检测

利用混沌振子来检测淹没在强噪声背景中的微弱信号，详细研究了Duffing振子检测微弱信号的原理和过程。理论分析和仿其实验均表明混沌振子能有效地检测微弱信号。     

基于混沌理论的滚动轴承故障信号检测

针对滚动轴承早期故障信号十分微弱的问题,提出采用Duffing混沌振子对故障微弱信号进行检测的方法。对Duffing方程进行改进,实现对任意频率微弱信号的检测。分析微弱周期信号相位角对检测系统的影响,提出采用多相位混沌振子阵列来消除微弱周期信号相位角对检测系统的影响。通过仿真实验,确定检测系统由3个混沌振子构成。使用该检测系统成功检测出轴承外圈故障微弱信号,相比传统的混沌振子检测系统,缩小了检测盲区,提高了检测信噪比。     

基于混沌理论的滚动轴承故障信号判据

滚动轴承的故障信号往往是具有一定特性的微弱正弦信号,而混沌系统对特定频率的微弱正弦信号具有敏感依赖性,可以有效地判断出故障部位。因此,基于混沌理论对传统的Duffing振子方程进行了改进,并利用改进的Duffing方程分别对已知参数和未知参数的滚动轴承进行故障检测。结果表明,改进后的方法能够有效的判断出滚动轴承的故障位置。     

Lyapunov指数算法在应答器信号混沌振子检测中的应用

针对为提高在强噪声环境下应答器上行链路传输信号的检测精度,利用混沌系统对初始条件敏感以及对噪声免疫的特性,将混沌振子应用到应答器上行链路信号检测解调中.结合微弱信号Duffing振子检测原理和应答器上行链路信号特征,给出了使用Duffing振子检测应答器信号的方法和步骤,并使用Lyapunov指数算法计算Duffing振子检测系统的临界阈值,定量判断系统的输出状态,实现应答器信号的解调.在理论分析的基础上,进行了实验仿真验证.仿真结果表明,基于Lyapunov指数算法的应答器信号混沌振子检测方法提高了阈值设置的准确性和效率,并确保了应答器信号检测的可靠性.     

Lyapunov指数算法在应答器信号混沌振子检测中的应用（英文）

针对为提高在强噪声环境下应答器上行链路传输信号的检测精度,利用混沌系统对初始条件敏感以及对噪声免疫的特性,将混沌振子应用到应答器上行链路信号检测解调中。结合微弱信号Duffing振子检测原理和应答器上行链路信号特征,给出了使用Duffing振子检测应答器信号的方法和步骤,并使用Lyapunov指数算法计算Duffing振子检测系统的临界阈值,定量判断系统的输出状态,实现应答器信号的解调。在理论分析的基础上,进行了实验仿真验证。仿真结果表明,基于Lyapunov指数算法的应答器信号混沌振子检测方法提高了阈值设置的准确性和效率,并确保了应答器信号检测的可靠性。     

混沌背景中微弱谐波信号检测的SVM方法

为了提高混沌背景下的微弱谐波信号检测能力，提出了一种提取混沌背景中微弱谐波信号的支持向量机（support vector machines，SVM）方法。该方法的突出特点是针对小样本或嵌入维数未知的情况，建立混沌噪声的一步预测模型，抑制噪声对混沌背景信号预测的影响，起到预滤波作用，然后从预测误差中提取微弱谐波信号。实验结果表明，该方法具有比传统RBF神经网络预测方法更强的稳健性和泛化性，在信噪比（SNR）为-47．931dB时仍可检测出强混沌中的微弱谐波信号。     

基于经验模态分解的混沌噪声背景下弱信号检测与信号提取

基于经验模态分解方法,研究了在强混沌噪声背景下进行弱信号的检测与信号提取。对仿真信号的研究表明:用该方法可以直接提取出微弱的偶然性和周期性冲击时域信号,对弱谐波信号可能不能直接提取,但可以直接提取出其频率特征,这些弱冲击信号和弱谐波信号完全淹没在强的混沌噪声背景信号中,无论从时域上还是频域上基本上都看不出来。对齿轮箱的实际信号的研究也表明:尽管某些故障信号有时极其微弱,EMD方法也能有效地实现这些非线性非平稳信号的分离和提取,从而为机械设备故障诊断提供直观的有效的参考。     

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat, AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio, FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。     

基于自适应谐波分量提取的航空发动机附件传动系统变速故障诊断方法

针对当前基于无键相阶次跟踪(TLOT)的故障诊断所面临的转速谐波分量提取存在误差累积效应、瞬时相位难以准确估计等问题,本文提出了一种基于自适应谐波分量提取的航空发动机附件传动系统变速故障诊断方法。首先,通过低通滤波和降采样优化搜索空间并提升计算速度,在此基础上利用自相关平均周期进行自适应辛几何模态分解;其次,采用基于替代数据检验的伪谐波分量识别方法,完成转速谐波分量自适应分离结果的稀疏化表征。最后,基于转速谐波分量瞬时相位计算结果,对原始非平稳信号进行等角度重采样,利用傅里叶变换获取阶次谱以实现旋转机械装备的变速故障诊断。通过与典型信号分解方法对比,验证了所提方法的有效性;此外,对法国Safran某型航空发动机扫频试车过程中附件传动系统实测数据进行分析,所得阶次相对误差为0.059%,优于同类方法计算结果,进一步显示了其工程应用价值。     

Fault feature extraction of rolling bearing based on an improved cyclical spectrum density method

The traditional cyclical spectrum density(CSD) method is widely used to analyze the fault signals of rolling bearing. All modulation frequencies are demodulated in the cyclic frequency spectrum. Consequently, recognizing bearing fault type is difficult. Therefore, a new CSD method based on kurtosis(CSDK) is proposed. The kurtosis value of each cyclic frequency is used to measure the modulation capability of cyclic frequency. When the kurtosis value is large, the modulation capability is strong. Thus, the kurtosis value is regarded as the weight coefficient to accumulate all cyclic frequencies to extract fault features. Compared with the traditional method, CSDK can reduce the interference of harmonic frequency in fault frequency, which makes fault characteristics distinct from background noise. To validate the effectiveness of the method, experiments are performed on the simulation signal, the fault signal of the bearing outer race in the test bed, and the signal gathered from the bearing of the blast furnace belt cylinder. Experimental results show that the CSDK is better than the resonance demodulation method and the CSD in extracting fault features and recognizing degradation trends. The proposed method provides a new solution to fault diagnosis in bearings.     

非线性齿轮系统单齿故障动力学特性

针对齿轮系统运行过程中具有非线性动力学特性,借鉴混沌振子检测理论中根据系统相轨变化检测信号的原理,分析了齿轮单齿故障冲击信号出现的成因及其出现故障后非线性动力学特性的变化,建立了基于冲击分析的非线性齿轮系统单齿故障动力学模型。通过分析发现,齿轮系统模型在一定的参数条件下,其动力学特性会进入混沌状态。而在相同参数条件下,出现单齿冲击故障并达到一定程度后,齿轮系统会在故障冲击的激励下进入大周期运动,从而表现出明显异于无故障条件下齿轮系统的动力学特性。仿真结果表明,该方法能有效区别齿轮系统单齿故障状态。     

Non-dominated solution set based on time–frequency infograms for local damage detection of rotating machines

The determination of an index to balance the impulsiveness and cyclostationarity of an expected component is an interesting research topic in mechanical health monitoring. Many proposed indices focus on evaluating the impulsiveness or cyclostationarity of an analyzed signal, thus resulting that an expected component cannot dominate other modes using these indices under the interferential circumstance of occasional shocks and harmonic signals. Moreover, several parameters have to be determined in advance, thereby leading to taxing consumption even if some methods can achieve a trade-off between impulsiveness and cyclostationarity via multi-objective optimization algorithms. A non-dominated solution set based on time–frequency infograms is then proposed in this study to preferably synthesize the impulsiveness and cyclostationarity of detecting the local damage of rotating machines. Specifically, the proposed method is conducted through four steps: (a) decompose the measured signal into certain levels, (b) construct the time–frequency infograms, (c) define the non-dominated solution set by Pareto filtering, and (d) perform Hilbert transform on these non-dominated solutions to diagnose the health condition of the rotating machines. Several case studies, including a simulated signal, and experimental data from defective bearing and gear respectively, were conducted to validate the proposed method. Analysis and comparison results indicated that the proposed method outperforms the fast kurtogram, infograms and some advanced indices in identifying fault features from rotating machines.     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD

Incipient Fault Detection of Rolling Bearing with heavy background noise and interference harmonics is a hot topic. In this paper, a new method based on parameter optimized fast EEMD (FEEMD) and Maximum Autocorrelation Impulse Harmonic to Noise Deconvolution (MAIHND) method is proposed for detecting the incipient fault of rolling bearing. Firstly, the FEEMD method with parameters optimization is used to reduce the noise and eliminate the interference harmonics of the fault signal. As a noise assistant improved method, the FEEMD can reduce the mode mixing and enhance the calculation efficiency significantly. Secondly, a new indicator is developed to select the sensitive IMF. Finally, a novel MAIHND method is employed to extract impulse fault feature from the sensitive IMF. Simulation and experiments results indicated that the proposed parameter optimized FEEMD–MAIHND method can effectively identify the weak impulse fault feature of rolling bearing. Moreover, the excellent performance of the proposed indicator for sensitive IMF component selection and MAIHND method is verified.