基于分形盒维数和多重分形的爆破地震波信号分析

为深入研究爆破地震波特性,采用分形盒维数和多重分形理论相结合的数学方法,通过其算法的理论推导和MATLAB软件编程计算得到地震波信号的盒维数值和多重分形谱图,对地震波信号的分形特征进行了分析。研究表明:盒维数D值的大小反映了地震波曲线的复杂程度和频率结构特征,说明盒维数只是对地震波信号整体性的描述;多重分形能够更加精细地描述地震波信号的局部特征,其谱图描述了不同奇异性指数α的概率信息。因此提出使用分形盒维数和多重分形相结合的信号分析方法,获取爆破地震波信号的整体强弱、频谱结构特征和局部的奇异性等重要信息。     

爆破振动信号时频特征的三维分形特性研究

为进一步研究爆破振动信号能量特征,基于小波包变换方法对爆破振动信号时频能量特征进行分析。在二维矩形盒维数模型的基础上建立了计算三维曲面分形盒维数模型,并计算得到实测爆破振动信号时频能量谱的三维分形盒维数D3d=2.148 8。该分形维数满足空间分形条件2D3d3,验证了爆破振动信号时频能量谱具有三维分形特征。经研究三维分形曲面盒维数D3d与其剖面二维分形盒维数D2d之间的数值关系,表明计算空间分形曲面分维数的常规假设D3d=D2d+1并非严格成立。研究表明,所提出的长方体覆盖空间曲面的分形维数计算方法可行、有效,为进一步研究爆破振动信号特征、控制爆破地震效应提供了新的研究思路。     

小波包与分形组合技术在爆破振动信号分析中的应用研究

基于小波包、分形技术的相似性,提出采用小波包、分形组合技术对爆破振动信号进行组合分析。采用小波包对爆破振动信号进行分解,通过各主分析小波包的重构系数验证了爆破振动信号的分形特性,通过对各主分析小波包的盒维数值进行分析及对比,更加细致地分析出爆破振动信号不同频带分量分形维数的变化。组合分析表明,盒维数值随着爆破振动信号小波分量频率高低而变化,提出将盒维数作为反映爆破振动信号频率成分的一个重要参量。小波包与分形组合分析技术的提出为研究爆破振动信号分形特征提供了新的研究思路。     

基于数学形态学的分形维数计算及在轴承故障诊断中的应用

滚动轴承故障信号是一种典型的非线性信号,分形几何为描述轴承故障信号的特性提供了一个有力的分析工具。基于数学形态学的分形维数是在Minkowski-Boulingand维数基础上拓展的一种采用形态学操作计算分形维数的新方法。本文较详细的阐述了基于数学形态学的分维数计算方法,对比分析了与传统计盒维数方法的区别与联系,并对实际的滚动轴承正常、滚动体故障、内圈故障和外圈故障信号进行了分析,结果表明,基于数学形态学的分维数计算方法具有计算速度快,估计准确稳定的特点,为准确判断滚动轴承故障状态提供了一种快速有效的新方法。     

形态学广义分形维数在发动机故障诊断中的应用

发动机故障信号是一种典型的非线性信号,分形几何理论为描述非线性故障信号的特性提供了一个有力的分析工具。广义分形维数能够很好的描述信号的几何特征和局部尺度行为,所蕴含的信息比单一的分形维数要深刻而全面。针对传统的广义分形维数计算方法的缺陷,本文提出基于数学形态学操作的广义分形维数计算方法,并对发动机正常、失火和气门间隙过大故障信号进行了分析,结果表明,与传统的盒计数法计算的广义分形维数相比,形态学广义分形维数能够更加有效地区分发动机在不同状态下的信号,并且数学形态学只涉及简单的加减和取大、取小运算,因此计算简单快速,为准确判断发动机故障状态提供了一种快速有效的新方法。     

基于EMD和分形盒维数的旋转机械耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,提出一种基于EMD（Empirical Mode Decomposition）和分形盒维数的诊断方法。该方法结合EMD对非线性信号处理的自适应性和分形盒维数能对非线性行为定量描述的特点,先对故障信号进行EMD处理,得到含有故障特征的本征模式函数(Intrinsic Mode Function,简称IMF),然后求出各IMF的盒维数,通过盒维数的比较分析进行故障诊断。构造了含有裂纹-碰摩-松动耦合故障的转子-轴承系统动力学模型,用龙格库塔法求出故障模型振动信号。通过对耦合故障信号进行分析,得到耦合故障特征向量,并与传统的边界谱诊断方法比较,证明该方法对旋转机械耦合故障诊断的有效性和优越性。     

EMD降噪的关联维数在齿轮故障诊断中的应用研究

本文运用分形理论中的关联维数计算方法,对齿轮正常、齿根裂纹和断齿三种不同工况的振动信号进行识别。为了降低噪声对关联维数计算结果的影响,提出EMD滤波方法对采集的信号进行预处理。通过对仿真信号和齿轮箱实测信号的诊断,证明了该方法的可行性和有效性。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

基于频域形态滤波的低速滚动轴承声发射信号降噪新方法

声发射检测技术以其灵敏度高、频响范围宽、信息量大等优点,为机械故障诊断提供了一条新的检测途径,但应用于旋转机械设备时,容易混入各种有色噪声。当噪声频率与声发射信号重叠时,传统的降噪方法难以满足要求。将形态滤波应用到信号频域,可以有效消除有色噪声的干扰。根据声发射频响特性,对频谱进行拟合平滑高斯白噪声的影响,最后重构到时域。仿真和实际低速轴承信号表明此方法具有较好的降噪效果,有利于信号后续的处理和分析。     

奇异谱分解在超声速无人机声振试验数据处理中的应用

将相空间重构和奇异谱分解相结合对受强气动噪声影响的超声速飞行器测试数据进行滤波,以实现对于试验参数的精确识别。首先通过数值仿真论证该方法的可行性,然后针对某型超声速无人机的声振试验对试验采集数据进行相空间重构,并对重构后的轨迹矩阵进行奇异值分解,得到反映真实信号信息的信号子空间和反映噪声信息的噪声子空间。通过定义奇异值差分谱这一指标来判定真实信号信息子空间维数,并针对现有最大差分谱理论缺陷提出了优选差分谱峰值理论,利用奇异谱分解的逆过程对真实信号进行重构。重构结果表明,该方法适用于超声速飞行下的飞行器声振试验数据处理,为超声速飞行器飞行状态的精确描述提供了良好的思路。     

不同方向爆破振动信号的分形特征

应用分形理论的盒维数方法,建立双尺度矩形盒维数模型,对井下深孔爆破地表振动实测信号进行分析。介绍了爆破振动信号盒维数D和拟合参数b的计算方法,并获得所测各点的T(切向)、V(垂向)、L(径向)三个方向的爆破振动信号的盒维数D和拟合参数b;结合爆破振动信号的频谱图,对不同方向爆破振动信号的分形特征进行了探讨。初步研究表明:不同方向的爆破振动信号都表现出盒维数D值越大,信号高频成分越多,反之则越少的特征;爆破药量对拟合参数b值大小的影响呈类似规律。     

基于偏最小二乘法分形计盒维数的冲击定位方法

针对航空板结构健康监测需求,提出一种基于分形计盒维数的板结构分布式光纤冲击载荷定位方法。使用分形维数能够定量描述与刻画非线性系统行为的复杂性以及度量信号的不规则度。研究发现,光纤布拉格光栅(FBG)传感器冲击响应信号频谱的分形计盒维数与冲击距离以及冲击位置与光纤轴向角度存在关联,以此为特征参数可以实现对冲击位置定位。由于冲击响应信号频谱的分形计盒维数与冲击位置之间存在重复性、非线性等问题,采用偏最小二乘回归法,对多个传感器数据进行数据融合,提高了冲击点位置预测提高定位精度。该方法与时差冲击定位方法相比,无需高速FBG解调设备。     

柴油机缸盖振动信号分形特征研究

针对柴油机振动信号的非线性特征,将小波变换与分形理论结合;由此进行缸盖振动信号的分析及故障特征的提取,进而对柴油机气阀间隙异常故障进行诊断。随后计算信号小波包频带盒维数、小波变换模极大及信号的多重分形谱。结果表明,这种将分形维数和多重分形谱的结构作为系统的衡量指标和故障的表征参数,使诊断结果简单、现实可行。     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

Visual signal detection with two-component noise: low-pass spectrum effects

Detection of signals in natural images and scenes is limited by both noise and structure. The purpose of this study is to investigate phenomenological issues of signal detection in two-component noise. One component had a broadband (white) spectrum designed to simulate image noise. The other component was filtered to simulate two classes of low-pass background structure spectra: Gaussian-filtered noise and power-law noise. Measurements of human and model observer performance are reported for several aperiodic signals and both classes of background spectra. Human results are compared with two classes of observer models and are fitted very well by suboptimal prewhitening matched filter models. The nonprewhitening model with an eye filter does not agree with human results when background-noise-component power spectrum bandwidths are less than signal energy bandwidths.     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。     

基于形态滤波与灰色关联度的滚动轴承故障诊断

针对滚动轴承故障振动信号的强噪声背景与故障样本不易大量获取的问题,提出一种基于形态滤波与灰色关联度的滚动轴承故障诊断方法。采用形态闭与形态开相减构成的差值滤波器对故障信号进行滤波,不需要考虑振动信号的频谱特征与分布,即能够有效的提取故障频率特征;灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。首先对故障信号进行形态滤波,然后提取滤波后信号的故障特征频率的归一化幅值作为特征向量,最后通过待识别样本与标准故障模式的关联度来对故障模式进行分类。实例表明该方法能够取得良好的效果。