一种非平稳、非线性振动信号检测方法的研究

排列熵作为一种统计测度，是通过相空间重构来衡量时间序列复杂度的一个参数。为研究机械设备非平稳信号的非线性动力学特征，将排列熵引入机械设备故障诊断，研究了不同工作状态下滚动轴承振动信号的排列熵和嵌入维数与时间延迟对计算机械振动信号排列熵的影响，观察设备状态变化及振动冲击对排列熵的影响并对其进行了分析。结果表明：排列熵可以有效地检测出机械设备状态的变化，可以作为检测机械设备状态变化的一个参数。     

排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。     

基于排列熵和神经网络的滚动轴承异常检测与诊断

针对轴承不同状态下的复杂性特征,提出基于排列熵和神经网络的异常检测与诊断方法。介绍异常检测与诊断的原理,采用排列熵算法检测信号异常,提取能够敏感反映轴承不同异常模式（滚动体异常、内圈异常和外圈异常）的排列熵、嵌入维数及关联维数等复杂度参数形成特征向量,通过神经网络对异常模式进行分类识别。结果表明：排列熵算法可以定位异常发生的时刻,以时间序列的复杂性特征参数为输入的神经网络诊断方法能够有效识别轴承的不同异常模式。     

局部均值分解和排列熵在行星齿轮箱故障诊断中的应用EI北大核心CSCD

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。     

小波方法在滚动轴承振动信号分析中的应用

通过分析滚动轴承表面损伤类故障信号的特点，提出了基于小波包分解和信号重构技术的滚动轴承故障精密诊断方法。试验表明，该方法是有效的，适用于滚动轴承早期故障的振动监测和诊断。     

基于振动信号排列熵和集成支持向量机的滚动轴承退化状态评估

针对滚动轴承振动监测信号的非平稳、非线性、非高斯等复杂特点,提出一种基于排列熵和集成支持向量机的退化状态评估方法.通过自适应噪声完备集合经验模态分解算法分解得到振动信号的本征模态函数,再以重构相空间分析本征模态函数的排序模式、提取排列熵作为滚动轴承状态特征,最后利用集成支持向量机来实现不同退化状态的智能评估.滚动轴承正...     

基于排列熵和VPMCD的滚动轴承故障诊断方法

VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。     

排列熵算法参数的优化确定方法研究

由于排列熵算法能够有效放大时间序列的微弱变化,且计算简单、实时性好,已在信号突变检测方面显示出良好的应用前景,但是排列熵算法中嵌入维数和延迟时间等参数的确定仍依赖于经验和尝试,该问题已成为排列熵算法走向工程应用的瓶颈问题。根据排列熵算法的原理,提出了基于重构时间序列最佳相空间来确定模型参数的方法。根据相空间重构的两种观点,介绍了延迟时间与嵌入维数独立确定和联合确定两种方法的基本理论,然后利用仿真信号和滚动轴承全寿命数据对两种算法进行了检验和对比。结果表明,模型参数的独立确定方法比联合确定方法对信号的异常检测更好。     

小波熵及其在状态趋势分析中的应用

研究了离散小波变换的若干特性．以及用信息熵来反映信号统计分布特征的方法．引进了多尺度．下小波熵和相对小波熵的概念，并且以此为参量对系统状态进行趋势分析．从而突出系统信号中短暂的异常信号．达到及早发现可能故障的目的。最后通过数值实验和应用实例说明：分析这两个参数的变化情况．可以反映系统的状态趋势，提高维修的针对性．降低设备维修的代价，提高设备的安全性和可靠性。     

基于小波的突变信号检测方法研究

突变信号检测在信号处理领域有着非常重要的应用。介绍小波方法进行突变信号检测的基本原理与算法,利用MATLAB软件进行突变信号检测的仿真分析,同时给出使用小波方法和傅里叶方法进行突变信号检测的对比性实验,结果表明,小波分析方法在检测信号突变点应用中具有明显的优势。     

多频信号经验模态分解的理论研究及应用

对多频信号的经验模式分解进行了理论分析 ,分析表明分解结果取决于各分量的频率和幅值。得到了一个正确分解的充分条件 ,仿真试验证明了这一充分条件。将经验模式分解用于分析一个包含故障轴承的实际齿轮箱表面振动信号 ,分析结果表明在经验模式分解得到的固有模态函数中 ,轴承故障特征信息比原始信号相比得到显著增强。     

故障滚动轴承振动信号的半盲处理方法研究

利用旋转机械的振动信号的循环平稳特性,采用基于二阶统计量（Second Order Statistic,SOS）的盲均衡技术从多个传感器信号中恢复出“真实的”振动源信号,实现了同类信号的数据级融合。以滚动轴承故障信号的阶次谱结构为先验知识,提出了用于滤波性能评价的两个指标,实现了盲均衡滤波器参数的优化,从而给出了一种可用于滚动轴承故障诊断的半盲信号处理方法。采用某型单级减速齿轮箱的实验数据验证了该方法的有效性。     

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。     

振动信号随机与周期成分分离技术研究

本文运用傅立叶谱估计方法对振动信号中周期成分进行估计和精确定位，设计出V型滤波器和梳状滤波器并由程度实现振动信号中的随机和周期成分的分离。     

一种弱故障特征信号的提取方法及其应用研究

由S变换推导出的时序分解算法可以将一个任意的初始时间序列变换成一组突出时间序列局部信息的二维时间序列，该时序分解的可逆性表明了它可用于时域信号的滤波与特征提取。希尔伯特变换可有效地对时域信号进行解调，其实质是对原始信号作一次特殊的滤波。综合前述两种变换的优点，提出了结合希尔伯特变换及时序分解的弱故障特征信号提取算法，采用数值仿真实验及齿轮故障诊断进行了验证，结果表明，此种方法能有效地提取混在强背景信号中的弱故障特征信号。     

基于动态信号分析仪的便携式振动校准器的测量方法

以便携式振动校准器工作原理和窗函数理论为基础,以B&K公司的PULSE 3560C动态信号分析仪和标准加速度计套组8305/2626为检测工具,以实验数据为佐证,研究并归纳出便携式振动校准器检测过程中窗函数的选择对检测数据准确性的影响程度。     

振动信号频谱相对幅值的计算方法研究

针对高速列车振动信号因速度变化而导致的谱密度参数幅值不一致问题,提出一种振动信号谱密度相对幅值的计算方法.该方法通过希尔伯特变换对振动信号求取瞬时相位,并对信号相位曲线进行傅里叶谱计算,求取振动信号的归一化谱密度,将列车在不同速度集下的振动谱密度统一起来.通过仿真测试和列车在160,200,250km/h速度集下的实测齿轮箱振动信号频谱相对幅值计算,表明该方法在列车不同速度下结果具有良好的一致性,受噪声影响小,较好反应列车的真实运行状态,具有一定可靠性.     

时频分布的弱信号检测技术的研究及其应用

双线性时间-频率变换在时间域与频率域都具有较高的分辨率,有利于复杂背景条件下微弱瞬时信号的探测。研究发现,频谱图的分辨率较低,W igner-V ille分布存在很强的交叉项,不适合瞬时信号的检测。Cho i-W illiam s分布存在频率混叠及信息丢失现象,检测效果也不理想。提出了一种无混叠时频分布,能够避免CW D中的信息丢失,有效抑制交叉项,而且具有较高的分辨率。通过数字仿真与齿轮箱故障检测实例,证明新的时频分布能够有效检测复杂信号中的瞬时分量。     

行星轮不均载的行星齿轮箱振动信号模型EI北大核心CSCD

行星齿轮箱有多个行星轮构成的平行传动路径可以分担输入的扭矩负载。行星轮之间的载荷分布不均会降低效率和加速疲劳。为了充分揭示行星轮载荷分布不均的故障特征,建立了行星轮不同载荷分布情况下的振动信号模型;推导出傅里叶频谱,说明行星轮载荷的不均匀分布会引起附加的信号频率成分,并可能导致系统固有频率的偏移;总结了输入扭矩和行星轮位置误差的严重程度对信号频谱结构的影响。仿真和实验结果与理论模型较好吻合。     

改进的局部均值分解法在爆破振动去噪中的应用

为了解决爆破振动信号的处理精度极易受到噪声信号的干扰的问题,在局部均值分解法(LMD)和总体平均局部均值分解法(ELMD)的基础上,提出了利用自适应互补集合局部均值分解方法(CELMDAN)分解原始信号,然后采用小波阈值法对获得的乘积函数(PF)分量进行去噪,提高了爆破振动信号去噪的精度。结果表明CELMDAN-WT方法有效地识别破振动信号中的噪声信号,实现了信号与噪声的分离,具有良好的自适应性,在爆破信号去噪中有良好的效果。