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。     

加权相空间重构降噪算法及其在设备故障诊断中的应用

加权相空间重构降噪算法在相空间重构与分解的基础上,将一维的时间序列延拓到高维的相空间,使得一维时序中不易识别的特征在高维相空间变为容易识别的吸引子,通过区分吸引子在高维空间的不同的属性与特征,采用汉宁加权窗将高维信号投影到一维,使得信号的本质特征得到充分体现.根据机械设备发生故I荤其振动信号中往往具有非线性、非平稳性的特点,提出将加权相空间重构降噪算法用于设备故障信号的降噪,并采用数值仿真试验及齿轮故障诊断对此算法进行了分析与验证,结果表明该算法对此类信号具有良好的降噪效果.     

基于递归分析的齿轮故障识别方法

为简便准确的识别齿轮故障类型,针对齿轮振动信号的非线性及非平稳特性,编写了基于递归图的Matlab程序。利用相空间重构原理,运用C-C算法获得最优延迟时间τ,运用G-P算法得到最佳嵌入维数m,将一维的齿轮振动信号重构为m维的相空间,在重构的高维相空间中提取时间序列的递归特性,构建了齿轮振动信号的递归图。分析递归图发现,齿轮在不同的状态下,递归图呈现不同的特征,主要体现在递归点的个数和分布规律上,表现为集中区域、层状结构的位置和大小不同。通过与传统频谱分析的方法对比,证明递归图方法是一种有效的齿轮故障识别方法。     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。     

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。     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

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。     

一种风力发电机轴承故障智能诊断方法

准确识别轴承故障是提高双馈风力发电机运行稳定性的重要手段,声音信号包含大量设备运行状态信息。该文人为预制4种不同的轴承故障,并将故障轴承安装在风力发电机上,在4种转速下对不同故障轴承的运行声音信号进行采集;对采集到的声音信号进行EMD分解,依据相关系数法选取分解的模态分量。基于混沌理论采用相空间重构法将一维数据序列转换为二维序列,利用CNN对二维序列进行特征提取与故障诊断。结果表明该方法对不同转速下滚动轴承故障能够实时准确识别。     

局部投影算法及其在非线性时间序列分析中的应用

引入了非线性时间序列的局部投影消噪算法。该算法将时间序列先进行相重构,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,来分离时序中不同的分量。通过Lorenz模型的数值仿真分析,证实了该算法在消除非线性时间序列中随机噪声的效果。此外还讨论了局部投影算法在提取微弱特征信号中的应用。     

基于小波及非线性预测的轴承故障诊断方法

在非线性时间序列预测研究的基础上,提出非线性预测效果的特征提取方法.首先对采集到的足够长轴承数据采用小波变换进行消噪处理及边界延拓,使其满足预测需要的无限长、无噪声的条件,这样延迟时间取任意值均能重构原系统相空间;然后采用基于可预测性的选取嵌入维数的方法确定轴承各种状态信号的嵌入维数,进行相空间重构.应用实验结果表明:该方法提取的特征值能明显地区分轴承各种状态信号,且对数据分段长度的稳定性好,可以作为识别轴承故障的一种新途径.     

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.     

基于非线性流形学习的磨粒特征提取方法

针对磨粒特征参数多、非线性突出的问题,提出一种基于非线性流形学习的磨粒特征提取方法。该方法将磨粒特征重构到高维相空间中,利用局部线性嵌入算法提取出隐藏其中的低维流形,并根据数据流形的弯曲性和邻域参数的关系,实现高维相空间中局部邻域参数的自适应选取。实验结果表明,该方法有效地克服了主成分分析和核主成分分析方法的不足,提取的磨粒特征敏感性更好,从而提高了磨粒识别的精度。     

基于高维空间流形变化的设备状态趋势分析方法

以机械设备的运行状态为研究对象,提出一种基于高维空间流形变化的趋势分析方法.该方法将一维时间序列重构到高维相空间中,利用相点邻域的切空间信息逼近流形的局部几何结构,从而得到描述流形变化的切方向矩阵;通过多向主元分析方法对不同状态下的流形切方向矩阵进行计算,获得各个状态的权重得分,从而实现对设备状态变化的趋势分析.对混沌信号添加幅值大小不同的冲击进行数值仿真试验,与LYAPUNOV指数、近似熵等传统非线性分析方法相比,该方法能够更有效地描述系统状态变化的过程.将该方法应用于轴承外圈故障的振动信号分析中,成功地刻画了轴承疲劳劣化的趋势.     

基于局部约束字典学习的数据降维和重构方法

针对目前已有的非线性降维算法存在计算复杂度高、难以处理大型数据集和增量化降维问题,本文提出了一种基于局部约束字典学习的非线性降维算法。该方法通过重构一些潜在标志点的局部内在流形,并在数据处理过程中将训练数据和未知数据一起嵌入到内在流形中,使得数据的内在几何结构特征得以保持。与已有非线性降维方法相比,该算法具有计算复杂度低、存储空间小和通用性强的特点,可以很好地解决增量化降维问题,易于处理大型数据集。另外,该算法也可以解决高维数据的重构问题,与已有重构方法相比具有计算简单、重构误差较低的特点。实验结果表明了算法的有效性。     

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。     

关联维计算及其在旋转机组振动故障征兆提取中的应用

关联维是描述非线性动力系统复杂性的一个量化指标，它从动力系统行为的时间演化序列计算得来，它对系统初态，故障引发的动力特性和环境因素等方面具有敏感性，本文利用重构相空间方法计算关联维，并探讨嵌入维数，采样频率，环境噪声和非线性藕合等因素对计算结果的影响，最后应用关联维来刻划不同的旋转机组振动故障类型。