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。     

激励点优化和加速度信号的结构损伤识别

通过对激励点优化布置获取结构的响应信息,提出了一种以加速度信号差曲率函数作为损伤指标,直接利用输出信号快速判断结构损伤位置的方法.首先计算模态振型,以模态保证准则(MAC)矩阵非对角元素最小值作为适应度函数,采用改进粒子群算法(MPSO)优化激励点数量和位置,再运用平均加速度幅值和均方根评价准则选择较优的激励点布置方案;然后试验激励对应的位置,获取加速度信号后计算测点处损伤前后加速度差的平方的积分值,运用曲率指标函数确定损伤位置,并对加速度信号通过巴特沃斯滤波后作为改进多尺度样本熵(MMSE)的输入样本;最后根据MMSE均值的变化,判定各工况相对损伤程度变化.结果表明:利用结构响应的加速度信号差曲率函数适合作为损伤识别的判别指标,通过三维桁架振动台中螺栓连接的状态模拟损伤,可以对不同损伤工况进行损伤诊断.     

复合材料结构损伤联合定位法试验研究

提出了复合材料结构损伤联合定位法,该法需首先获得复合材料结构在随机激励下的振动响应信号,计算结构的互相关函数幅值向量,通过对损伤结构的互相关函数幅值向量进行光滑拟合作为参考向量,再对损伤情况下的互相关函数幅值向量和参考向量分别进行连续小波变换,得到各自的小波系数,进而求得小波系数差的模,根据小波系数差的模的极值进行损伤的定位。该方法无需进行结构建模和模态识别,在无完好结构信息的情况下就可准确进行损伤定位。最后,还通过蜂窝夹层梁和玻璃纤维层合板的损伤检测试验,验证了该方法的有效性。     

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型（cHMM）所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHMM,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。     

基于互相关函数幅值和SVM的输电塔损伤识别

针对目前输电塔结构损伤识别中需要布设大量传感器的问题,提出了基于互相关函数幅值和支持向量机(support vector machine,简称SVM)的损伤识别方法。首先,定义初始与当前状态结构模态响应近似信号的互相关函数幅值差为损伤特征;其次,将损伤特征作为输入样本来训练支持向量机分类器,将损伤识别问题转化为模式分类问题;最后,利用2层角钢塔模型的振动试验,验证了方法的可行性。该方法仅需要少量传感器测得结构的动力响应,且适用于环境荷载激励,对输电塔结构损伤有较好的识别效果和噪声鲁棒性。     

基于LMD多尺度熵和LSSVM的往复压缩机故障诊断方法研究

针对往复压缩机振动信号的非线性和非平稳多源冲击性,提出一种基于局部均值分解(LMD)、多尺度熵(MSE)和最小二乘支持向量机的诊断方法。首先,利用LMD将不同状态振动信号分解为一系列乘积函数(PF)分量,然后根据各PF分量与原信号的互信息值,选择相关性较大且包含故障状态主要信息分量,计算其相应的多尺度熵值,并构造能够定量描述往复压缩机状态的特征向量,最后利用LSSVM作为模式分类器,对上述不同状态下的特征向量样本进行训练和识别,诊断得出往复压缩机气阀故障类型。进一步与小波多尺度熵、EMD多尺度熵方法所提取特征向量识别结果进行对比,结果表明:该方法具有更高的识别率,为往复压缩机故障诊断提供了一种新途径。     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

基于二元多尺度熵的滚动轴承退化趋势预测

针对轴承振动信号随机噪声干扰大、多尺度熵表征轴承退化趋势偏差大的问题,提出了一种基于二元多尺度熵的滚动轴承退化趋势预测方法。首先对滚动轴承振动信号进行局部特征尺度分解,采用多元多尺度熵理论对二阶信号进行计算,提取了二元多尺度熵特征。然后采用互信息法和假近邻法对算法中的嵌入维数和延迟向量等参数进行了优化。最后采用极限学习机预测模型对二元多尺度熵退化趋势曲线进行预测,并对比了不同激活函数的预测性能。结果表明,相对于传统多尺度熵,二元多尺度熵偏差较小;激活函数为sigmoid时极限学习机模型预测精确度较高。     

改进离散熵在列车轴承损伤检测中的应用

针对轴箱轴承早期损伤的检测问题,提出一种基于改进多尺度离散熵算法（improved multiscale dispersion entropy, 简称IMDE）和支持向量机的诊断模型,通过提取振动信号中的关键信息有效识别轴承的健康状态。首先,考虑传统多尺度离散熵（multiscale dispersion entropy,简称 MDE）因数据点重合和粗粒化尺度不断增大而引起的熵值误差增加、分布混乱及波动明显等缺陷,通过对粗粒化过程和离散熵的优化改进算法; 其次,结合实际算例,针对高速列车轴箱轴承在不同运行状态下的振动数据进行试验验证。结果表明,相较于MDE,IMDE计算熵值的误差更小,鲁棒性更好,且支持向量机分类结果显示IMDE取得了更高的诊断精度。     

大型复杂钢管焊接结构损伤识别方法研究

将支持向量机引入响应面重构计算中,利用支持向量机对小样本数据优秀的拟合和泛化能力,提出了一种最小二乘支持向量机响应面新方法,并将其应用于大型钢管焊接结构的模型修正及损伤识别中。对最小二乘支持向量机响应面的核函数进行了加权,提出一种综合了一次多项式核函数的线性模拟能力和高斯核函数非线性拟合能力的线性-高斯组合核函数。同时对训练样本进行了尺度变换,并对训练样本的选择方法进行了改进。通过损伤识别数值仿真及实验验证,与传统灵敏度方法进行了对比,结果表明改进响应面方法的识别效果更好,且收敛性及精度也大大提高了,为解决大型复杂结构的损伤识别问题提供了新的思路。     

基于灰色关联度的框架式断路器故障诊断方法

针对断路器故障诊断技术中智能识别算法过于复杂的问题,提出了一种基于灰色关联度的框架式断路器故障诊断方法,该方法利用灰色综合关联度描述故障特征序列曲线之间的几何相似度来判断故障的归属,充分利用故障特征本身的变化趋势。其首先提取触头振动信号局部均值分解能量矩或分合闸线圈电流信号集合经验模态分解能量矩,经归一化后形成能量矩序列,将该能量矩序列与不同故障状态下的参考序列进行灰色综合关联分析,根据最大关联度原则确定故障类型,其中灰色综合关联度各指标的权值系数利用熵值赋权法得到。对断路器触头分合闸机械结构故障和操作附件分合闸线圈回路故障进行了诊断测试,结果表明,该方法能够准确有效地完成对断路器不同故障的诊断。     

排列熵算法在水工结构损伤诊断中的应用

提出一种基于排列熵算法(permutation entropy,简称PE)的水工结构损伤诊断方法。首先,运用小波阈值-经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰,提高信号的信噪比;其次,运用排列熵算法检测降噪后信号的复杂度,并计算其排列熵值。通过不同工况下信号熵值变化规律的对比,实现水工结构损伤的诊断。将该方法应用于泄流激励下悬臂梁模型的试验研究,结果表明,正常无损状态下结构振动信号的排列熵值最大;结构发生损伤时,其熵值降低,且损伤程度越大,熵值越小;排列熵对结构的初期损伤比较敏感;结构未发生损伤时,不同工况下的排列熵基本不变,说明排列熵能够有效确定结构的损伤,且具有较高的诊断精度。     

基于多尺度熵偏均值的液压泵故障特征识别

针对不同故障类型下的液压泵振动信号具有不同复杂性的特点,将多尺度熵引入到液压泵故障识别中。多尺度熵是在样本熵的基础上通过引入尺度因子,从而能够分析信号在不同尺度因子下的复杂性。在多尺度熵的基础上定义一个同时考虑多尺度熵熵值大小和熵值变化趋势的指标--多尺度熵偏均值(PMMSE),该指标定量地刻画故障信号的复杂性。将该指标用于液压泵的故障识别中。通过对液压泵4种不同运行状态的实测振动信号进行分析,结果表明PMMSE能够很好地区分出液压泵的不同故障类型,验证了该指标在故障特征提取中的有效性。     

滚动轴承振动性能的混沌特性与不确定性之间的灰关系评估

鉴于滚动轴承振动性能的失效概率分布呈现多变性、非线性、不确定性等特征,提出分别用振动数据序列的Hurst指数和最大熵指标表征滚动轴承振动性能的混沌特性和不确定性。基于滚动轴承服役过程中的振动数据序列,在对数坐标系中运用最小二乘法拟合得到Hurst指数值,判断各个振动序列对应时间段内轴承运行性能状态的混沌特性。运用最大熵法求解各振动序列的最大熵值,进而对轴承振动性能的不确定性进行定量分析。运用灰关系分析法,计算均值归一化后的Hurst指数和最大熵序列之间的灰置信水平,分析轴承振动性能的混沌特性和不确定性之间的非线性相关程度。两个案例中Hurst指数与最大熵序列之间的灰置信水平分别为96.99%和82.1%,表明轴承振动性能的混沌特性和不确定性之间的关系非常紧密。     

基于多尺度排列熵的液压泵故障识别

将排列熵引入液压泵的故障识别中,分析了排列熵作为液压泵故障特征指标的性能;采用互信息法和伪近邻法优选排列熵计算中的延迟时间和嵌入维数,基于优选参数得到了能够更好区分液压泵故障的排列熵。针对单尺度排列熵只能在单个尺度上衡量振动信号复杂度的不足,在对多尺度排列熵进行研究的基础上提出了一种综合多尺度排列熵熵值和排列熵变化趋势的指标--多尺度排列熵偏均值,对液压泵实测信号的分析结果验证了该指标作为液压泵故障特征的有效性和优越性。     

多尺度能量熵与优化极限学习机的航空液压管路故障诊断方法

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。     

基于贝叶斯思想的框架结构损伤检测方法研究* .txt

摘要：基于单自由度体系的统计矩理论,以位移四阶矩和加速度八阶矩为损伤指标,使用贝叶斯思想和Gibbs抽样相结合方法,提出一种框架结构损伤检测新方法。以理论分析为基础选取3种典型损伤指标,在信噪比40及30 dB环境噪音的不同损伤工况下,使用贝叶斯思想和Gibbs抽样相结合方法,对某12层标准框架数值模型的不同损伤指标进行了损伤识别效果的对比研究,并在此基础上与其他相似检测方法进行对比分析,发现使用贝叶斯思想和Gibbs抽样相结合的新方法,提出的损伤指标更适合框架结构损伤检测,与标准结果偏差均在5%以内。进一步分析12层标准框架振动台试验数据,选取3个典型振动工况中所有梁柱单元及前20个振动工况累积下的典型梁柱单元分别进行损伤检测,结果表明,所提方法避免了多次采样进行贝叶斯分析的局限性,且一定程度上能反映各损伤单元随振动台试验工况累积而表现出来的损伤程度变化,有助于推动所提方法在框架结构损伤检测中的实际应用。 .txt     

基于LCD和排列熵的滚动轴承故障诊断

排列熵（permutation entropy,简称PE）是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解（local characteristic scale decomposition, 简称LCD）和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量（intrinsic scale component,简称ISC）;其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。