基于递归矩阵奇异熵的损伤识别方法

对递归图方法在土木工程结构损伤检测中的适用性进行研究,对环境激励的结构响应信号采用多变量融合的方法,并扩展到高维相空间中,研究信号在高维空间中临近点的分布规律和运动特点,采用递归图理论,结合奇异熵理论提出一个新的递归量化指标——递归矩阵的奇异熵,将其作为损伤敏感特征指标,用于结构的损伤识别。数值算例验证了该指标的有效性     

基于IRP和TD2DPCA的轴承故障诊断方法EI北大核心CSCD

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于图像的轴承故障诊断方法即基于递归灰度图(Improved Recurrence Plots,IRP)和双向二维主成分分析(Two directional,Two dimensional Principal Component Analysis,TD2DPCA)的轴承故障诊断法。该方法对递归图(Recurrence Plots,RP)中阈值选取的问题进行了优化,提出了IRP算法,对采集到的轴承振动信号进行IRP分析,生成递归灰度图;然后用TD2DPCA对生成的递归灰度图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,以实现轴承故障的自动化诊断。将该方法应用在轴承4种典型工况的故障诊断实例中,识别率高达99.8%,结果表明:基于IRP和TD2DPCA的轴承故障诊断方法能够自适应的对轴承进行故障诊断,具有故障识别精度高、噪声鲁棒性好等优点,为轴承振动诊断探索了一条新途径。     

Lamb波的交叉递归分析在金属板损伤量化中的应用EI北大核心CSCD

针对金属板疲劳损伤演变的非线性动力学特性,提出了基于Lamb波交叉递归分析的疲劳裂纹量化检测方法。该方法首先从结构动力学角度采用交叉递归图分析了损伤信号与无损信号在相空间中的非线性相关性,并在此基础上采用了交叉递归量化分析(cross-recurrence quantification analysis, CRQA)特征对Lamb波信号中的裂纹损伤进行表征。接着,结合CRQA特征的状态相关性、单调性、鲁棒性及特征间的关联性进行特征的优化选择,采用支持向量描述模型对优选特征进行了融合,构建了金属板疲劳损伤的统一量化指数。最后,采用铝板随机裂纹仿真试验与铝板弯折试验对该研究提出方法进行了验证。结果表明,基于Lamb波交叉递归分析的损伤评估方法突破了Lamb波的多模态性、散射性、损伤波包的微弱性造成的损伤特征提取困难的问题,不仅能够对金属板疲劳损伤进行有效的量化评估,还具有较好的噪声鲁棒性,在复杂结构疲劳损伤检测与评估领域具有较好的应用前景。     

时频流形自适应稀疏重构的遥测振动信号特征增强方法EI北大核心CSCD

针对遥测振动信号非线性、非平稳性、瞬态冲击性等特点,提出一种基于时频流形自适应稀疏重构的遥测振动信号特征增强方法,对振动信号进行相空间重构提取其时频流形;以时频流形为基础,采用KSVD算法自适应构建过完备字典,并从中找到最匹配的时频原子,根据得到的原子与相空间展开信号的时频分布,依次匹配计算获得其重构的稀疏系数;利用稀疏系数和时频原子对相空间中各维信号的时频分布进行重构,通过时频分布的逆运算和相空间还原得到特征增强信号。仿真和实测信号处理结果验证了算法的有效性。     

基于VMD-RQA的直线振动筛激振力不平衡故障诊断

针对直线振动筛早期激振力不平衡故障难以诊断问题,提出了一种基于变分模态分解(VMD)和递归量化分析(RQA)的故障诊断方法。对振动信号进行VMD分解,将直线振动筛基频信号分离,并得到被淹没的各阶高频分量;绘制不同信号分量的动力特性递归图,计算递归图的量化指标,组成故障信号的非线性、非平稳性评价特征向量,将高维特征向量输入机器学习分类器中进行识别诊断,并与传统的特征提取方法比较。试验结果表明:在直线振动筛激振力不平衡故障现场,该方法所提取的特征参数具有最高识别精度,综合识别率为99.13%;且应用于旋转机械滚动轴承实例数据,综合识别率为99.38%,说明该方法具有一定的通用性和工程应用价值。     

基于递归分析的微裂纹缺陷超声检测技术研究

为准确检测金属构件微裂纹缺陷,采用超声脉冲反射法对金属试块进行检测,并提取超声背散射信号进行分析。通过对背散射信号进行简单的建模,说明其组成要素。由于背散射信号的非线性特征,缺陷回波信号会对系统的递归特性产生影响;在此基础上提出了基于递归分析的方法分别对含人工微裂纹缺陷金属试块的无缺陷区、单裂纹区及双裂纹区背散射信号进行检测研究;通过合理的参数选择,对采样信号进行递归分析并绘制递归图;对比含缺陷信号与无缺陷信号,发现前者会在递归图中产生明显的白色交叉条纹带。使用递归定量分析进一步研究了含缺陷背散射信号的递归特征量。结果表明多种特征量对缺陷回波信号比较敏感,其中递归率(RR)和捕获时间(TT)在缺陷位置有明显的特征。     

结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

Hanoi塔问题非递归算法的比较与研究

作者对Hanoi塔问题现有的五种递归算法和非递归算法进行了时间测试,发现现有的非递归算法随着盘子数n的增大,在时间效率上不如递归算法,在空间效率上的优势也不明显.作者采用编码的方法提出了一种新的非递归算法.本算法在时间效率上较大地优于现有的非递归算法,也明显地优于递归算法.并且可以根据需要,增大编码的重数,从而使时间效率成倍提高.     

基于递归定量分析与高斯混合模型的齿轮故障识别

针对递归图只能对信号进行定性分析,不利于其深入应用的缺点,应用递归定量分析方法对各种故障模式振动信号进行定量分析.采用确定率和层流率组成齿轮故障识别的特征向量,并结合高斯混合模型实现齿轮故障模式识别.以齿轮故障实验台上所测取的实验数据为对象,分别采用Re-substitution检验法,Jackknife检验法和Independent dataset检验法对提出的方法和RBF人工神经网络分类算法进行检验.结果表明,递归定量分析与高斯混合模型相结合应用于齿轮故障模式识别具有更高的识别率.     

基于相空间重构与独立分量分析的局部独立投影降噪算法

针对故障分析信号中存在噪声问题,提出一种将相空间重构与独立分量分析相结合的局部独立投影降噪算法。其中相空间重构的目的在于从高维相空间中恢复混沌吸引子,独立分量分析能够找到信号的主流形,选择邻域是为了将特征相近的相点结合在一起。使用该方法对正弦仿真信号和Lorenz仿真信号进行降噪处理,结果表明局部独立投影降噪算法的降噪效果与局部独立分量分析算法降噪效果接近,但优于全局投影降噪算法。运用该方法对低速重载轴承振动信号进行分析,准确判断出轴承故障。     

基于IRP和TD2DPCA的轴承故障诊断方法

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于图像的轴承故障诊断方法即基于递归灰度图(Improved Recurrence Plots,IRP)和双向二维主成分分析(Two directional,Two dimensional Principal Component Analysis,TD2DPCA)的轴承故障诊断法。该方法对递归图(Recurrence Plots,RP)中阈值选取的问题进行了优化,提出了IRP算法,对采集到的轴承振动信号进行IRP分析,生成递归灰度图;然后用TD2DPCA对生成的递归灰度图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,以实现轴承故障的自动化诊断。将该方法应用在轴承4种典型工况的故障诊断实例中,识别率高达99.8%,结果表明:基于IRP和TD2DPCA的轴承故障诊断方法能够自适应的对轴承进行故障诊断,具有故障识别精度高、噪声鲁棒性好等优点,为轴承振动诊断探索了一条新途径。     

基于相空间重构和非线性流形的滚动轴承复合故障诊断

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于相空间重构和非线性流形的滚动轴承复合故障诊断方法。该方法首先将滚动轴承一维振动信号重构到高维相空间,然后计算重构信号协方差矩阵的特征值,以此组成轴承故障诊断原始特征集;采用局部切空间排列算法对原始特征集作特征压缩后,将获得的新的特征输入到K-means分类器中进行轴承故障的识别与聚类。实验结果表明,与经典的线性分析方法PCA相比,该方法的聚类效果更好。     

基于同步压缩变换和局部替代数据的非平稳振动信号分解方法

实际工程振动信号往往包含非平稳信息,时频分析是一种目前最为常用的非平稳信号分析方法。同步压缩变换把小波时间-尺度平面转化成了时间-频率平面,提高了时频分辨率。替代数据在时频上可对信号平稳性进行检验。采用同步压缩变换时频分析和替代数据检测信号平稳性。结合局部替代数据,在时频面上通过评价时频幅度谱的统计特性,对平稳和非平稳成分进行分解。保持原信号相位谱,将分解的成分用同步压缩反变换恢复出时域信号,提供了一种将非平稳信号分解成平稳和非平稳两部分成分的方法。数值算例验证了该方法的有效性。     

柴油机故障的振动特征提取及故障识别

针对柴油机等周期性循环工作方式的机械,研究和分析了其工作过程、受力及振动的周期性循环非平稳性的特点.在分析的基础上本文给出了一种适合于周期性循环非平稳振动信号的特征提取和识别方法.实验数据分析结果表明该方法能有效地识别汽缸部分的故障.     

基于相空间重构和遗传优化SVR的机械设备状态趋势预测

针对机械设备振动信号序列的非线性、非平稳性特点,提出了一种基于相空间重构与遗传优化支持向量回归机的设备状态趋势预测方法。首先,采用相空间重构技术将一维振动信号时间序列转化成矩阵形式,自适应地选取特征,以相点作为输入特征训练SVR预测器;然后应用自适应遗传算法对惩罚因子、不敏感系数以及高斯核宽度进行同步优化,自动获取最佳的建模参数;最后构建SVR预测模型,并将其应用于某机组振动信号预测。实验结果表明,无论是单步还是24步预测,本文所提遗传优化SVR模型的预测精度都要比标准SVR模型的预测精度高,说明该方法对机械设备的运行状态趋势具有较好的预测能力。     

基于GAMP和EEMD的滚动轴承故障诊断研究

针对实验中采集到的滚动轴承的振动信号具有成分复杂和较强的非平稳性等特点,提出采用基于遗传算法优化的匹配追踪算法(GAMP)和总体平均经验模式分解(EEMD)相结合的方法,实现对滚动轴承振动信号的处理与分析。首先,利用GAMP算法将滚动轴承振动信号线性展开成能够较好的匹配该信号特征结构的一系列高斯函数,达到消除干扰噪声锁定信号的局部特征的目的;然后,针对GAMP消噪后的振动信号中可能存在的虚假频率成分或不连续的分量,利用EEMD方法来予以剔除,通过傅里叶变换将处理后的振动信号从时域转化到频域,提取出故障振动信号的故障频率;最后,采用支持向量机(SVM)对滚动轴承的正常和故障振动信号进行分类,实现了对滚动轴承的故障诊断。     

基于多尺度递归图理论的桥梁微弱信号非线性非平稳检验

针对恶劣测试环境下桥梁结构微弱动力测试信号易被噪声淹没、非线性非平稳检验困难的问题,将改进的经验模态分解方法与递归图理论相结合,提出一种多尺度非线性非平稳检验分析方法。对微弱信号进行自适应分解,得到各阶信号分量。采用递归图及递归量化方法,分析了不同信号分量的非线性非平稳特征信息。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:多尺度的非线性非平稳检验分析方法能有效提取强噪声背景下桥梁微弱信号的非线性非平稳特征信息,可用于实际桥梁测试信号的非线性非平稳检测。     

基于噪声水平自适应估计的往复压缩机振动信号局部投影降噪方法

局部投影降噪算法在其应用过程中,邻域的选择对降噪效果有较大影响。提出了改进算法以解决传统算法中邻域难以选取的问题。该方法利用小波包分解技术,依据频带能量的差异将原始信号分解为噪声频带和系统信号频带,将噪声频带能量占原始信号能量的比值估计为噪声水平。在一定程度内逐步增加分解层数,直至该噪声水平收敛。根据收敛时的噪声水平估计相空间中相点的邻域半径,此外利用该噪声水平可实现对原始信号的盲信噪比估计。对含噪的Lorenz和Rossler序列进行数值仿真,结果表明该方法的降噪效果优于一些传统方法和基于定量递归分析的局部投影降噪算法。对实测往复压缩机振动信号的降噪研究,进一步表明了该方法的有效性。     

非平稳振动信号的角域重采样小波解调分析方法

对于旋转设备的非平稳多分量振动信号,在已知转速变化规律的情况下,采用转速跟踪分析中的角域重采样方法使其变成阶比值固定的信号,再利用小波解调方法的带通滤波与解调分析两重功能,就能从混合振动信号中提取出各个阶比分量并获得对应的解析信号。该方法成功地解决了旋转设备严重非平稳振动信号的分析问题,并可拓展应用于至其它非平稳信号的分析。拓展算法具有类似HHT的算法结构,适用面广。文中同时给出的数值计算方法配合采用了细化分析及快速解卷积运算,保证了整体算法的稳定性、精确性和快速性,克服了HHT稳定性差的缺陷。论文最后对航空发动机试车过程中的振动数据采用本文方法和其它方法的应用效果进行了分析对比,证明了本文方法的有效性。     

车辆驱动桥噪声分析及试验研究

利用逆序法对驱动桥噪声信号的平稳性进行了验证，指出其噪声信号为非稳态信号。通过对6480型驱动桥的噪声功率、表面声强、表面声压、表面振动加速度以及相应的时频谱进行了全面、系统的测量和分析。研究结果表明：驱动桥噪声能量主要集中在400Hz-3800Hz范围内，驱动桥凸缘和后盖是驱动桥的主要噪声辐射源。驱动桥噪声产生的根本原因是主从动锥齿轮在传动轴的驱动下啮合时产生的啮合冲力和振动引起的；噪声产生的直接原因是驱动桥表面受到各种动态力的激励而产生的振动。因此如果要降低驱动桥噪声，必须从减振入手。