基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用

提出了一种新的基于主流形识别的非线性时间序列降噪方法。新的降噪方法将一维时间序列重构到高维相空间,利用非线性降维方法找出动力学系统在相空间中具有全域正交坐标系的低维主流形,然后根据主流形反求一维时间序列,进而达到降噪的目的。对洛伦兹信号进行的数值试验证明,与奇异谱分解等现有非线性分析方法相比,基于主流形识别的降噪方法能更加有效地消除混沌时间序列中的高斯白噪声。将该方法应用于带有断齿故障的齿轮箱振动信号的故障分析中,成功地提取出了淹没在带噪信号中的冲击特征。     

小波包和小波脊线相结合的解调方法在液压泵故障诊断中的应用

针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点,提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法,将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析,明确故障振动信号反映出的能量集中频带带宽;根据确定的带宽和原始信号分析频率设定小波包分解的层数,采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构;利用小波脊线法对重构后的频带信号进行解调处理,通过信号的包络解调谱提取故障的特征频率,利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证,该方法能有效地对液压泵的故障信号进行解调,并能找出反映故障的敏感特征频率。     

发动机异响信号的小波包能量特征提取

在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题.发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中.发动机声响的分析在其故障诊断中显得极为重要.现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断.     

基于平稳小波变换的相空间重构方法

针对非线性信号特征提取问题,提出一种基于平稳小波变换的相空间重构方法.对信号进行多层平稳小波分解,利用得到的不同尺度小波系数进行相空间重构,通过局部切空间变换方法提取蕴涵在相空间高维数据集中信号的低维形态特征.仿真试验结果表明,非线性信号经过平稳小波变换后,吸引子轨迹与原有轨迹具有相似的结构.利用局部切空间变换可获得带有高斯白噪声的非线性信号的低维形态特征,该低维形态特征与原有非线性信号的吸引子轨迹相似.这种相空间重构方法较传统的方法具有一定的优势,可以用于提取含有噪声的机械振动信号的故障特征.     

基于双树复小波系数层间相关性的非线性超声谐波提取方法

非线性超声信号具有非平稳性、非线性和高次谐波信噪比低的特点,为提高非线性超声无损检测技术对缺陷的表征能力,提出一种基于双树复小波系数层间相关性结合软阈值滤波算法的超声谐波提取方法。首先采用双树复小波将信号分解为基频和二倍频等不同频带的分量;由于各分量存在一定程度的频率混叠,利用小波系数层间相关性对各分量信号滤波,消除频率混叠并得到修正后的细节子波;然后结合软阈值算法对修正后的小波系数进一步降噪;最后将滤波降噪后的各分量系数重构,即可实现对非线性超声信号中基波和二次谐波信号的提取。实验结果表明,该算法滤波效果良好,有效地提取了二次谐波信号,提高了非线性超声检测结果的准确性和鲁棒性。     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

小波包和峭度在轴承早期故障分析中的应用

为实现轴承故障的精确诊断,提出一种基于小波包与峭度准则的包络解调方法。当信噪比较小时,该方法可以剔除含噪信号,与现阶段经常使用的细节系数能量方法相比,可更为有效地提取轴承的故障信息。该方法首先利用小波包将振动信号分解,突出小波包降噪效果的明显性;然后以峭度准则提取降噪后信号所需的细节系数并对其重构;最终进行包络谱分析,准确地检测出轴承故障,提高轴承故障诊断的精确度。     

基于小波包变换的回转窑托轮轴承故障诊断

针对回转窑对象给出了水泥回转窑故障诊断框图。说明了水泥回转窑工艺流程和常见的水泥回转窑设备故障及原因。阐述了小波包分解方法和小波包分解的优缺点。阐述了基于小波包变换的水泥回转窑故障诊断算法,给出了基于小波包变换的轴承故障诊断流程图。对正常状态、外圈故障状态和内圈故障状态的轴承小波包变换进行分析。得到经小波包分解1~4层细节进行重构后的波形图,得到经4层小波包分解后各频带的能量分布以及重构信号的包络图。将正常状态下小波包分解后的能量频谱信号与故障状态下的进行比照,通过能量频谱信号的不同,确定正常状态和故障状态的特征信息。文中对采集到的振动信号进行小波包分解,对分解后不同频带上的信号进行功率谱计算,通过能量的改变表示某一种特征信号,再对提取到的特征信号进行Hilbert谱分析。最终,通过对特征信号的Hilbert谱分析来区分出不同的故障。     

基于正态反高斯模型的自适应小波消噪方法

提出一种基于正态反高斯分布模型局部逼近小波系数的降噪算法。该算法以db5小波作为振动信号的分解小波,对噪声信号进行分解。对于分解过程中包含大量噪声的小波系数,利用具有良好细节逼近性能的正态反高斯分布构造先验模型,在先验模型的基础上,运用贝叶斯最大后验概率估计从含噪的小波系数中估计出真实的小波系数。在后验估计的过程中,对于估计模型中的关键系数采用粒子群算法进行优化选取。利用估计的小波系数来重构信号,得到降噪后的信号。通过仿真实验和实际轴承的故障信号对该方法进行了验证,结果表明,该方法具有较好的降噪效果,可以有效的消除信号的噪声。     

改进小波包多阈值去噪法及其工程应用

针对机械振动信号提取时面临的去噪问题,在小波包多阈值准则去噪法的基础上,提出一种改进的小波包多阈值准则综合去噪方法(改进FMC去噪法)。该方法首先采用探测插值法对机床原始振动信号进行预处理,剔除受外界干扰产生的突变噪声信号;再以小波包分析为基础,根据有用信号的最小频率确定最大分解层数,并按最小代价原理确定信号分解的最佳小波包基;最后采用小波包多阈值降噪准则对振动信号进行重构,得到去噪后的机床振动信号。针对含噪blocks信号、doppler信号及模拟的含噪振动信号进行的仿真实验结果表明,改进后的FMC去噪法去噪效果优于传统方法。将该方法应用于气囊修整机振动信号分析中,结果表明,改进FMC去噪法能够有效剔除振动信号各频段的噪声,提高信号特征的可分离性。     

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.     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

基于多域空间状态特征的高端装备运行可靠性评价

机械设备运行可靠性对设备状态监测及故障诊断具有重要意义。传统可靠性评估方法依赖于大量故障样本,运用在单台设备可靠性评估上的实际意义有限。本文提出一种基于设备状态特征空间的运行可靠性评价方法。采集设备运行过程中的振动信号,获取时频域信息特征;采用小波包分解提取能量分布特征,构建高维特征空间。应用流形学习优化算法进行降维,获得其低维敏感特征空间,计算当前状态与正常状态的特征子空间的夹角,建立其映射关系,表征设备的当前运行可靠性。将该方法应用于不同状态下的转子实验台和滚动轴承实验台振动数据,实验结果表明:该方法对设备进行运行可靠性评价合理有效,具有很好的工程应用价值。     

A fault identification method of rotating machinerybased on t-SNE

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.     

A fault identification method of rotating machinerybased on t-SNEEI北大核心CSCD

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.     

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。     

对偶树复小波流形域降噪方法及其在故障诊断中的应用

滚动轴承工作环境比较复杂,现场测得的振动信号往往含有大量噪声且滚动轴承早期故障特征比较微弱容易被噪声所淹没,如何有效降低滚动轴承故障信号中的噪声准确提取故障特征是一个难题。将流形理论与对偶树复小波(Dual-tree complex wavelet transform, DTCWT)方法结合,提出一种对偶树复小波流形域降噪方法。将轴承振动信号进行对偶树复小波分解构造高维信号空间,然后利用最大方差展开流形算法(Maximum variance unfolding, MVU)提取高维信号空间中的真实信号子空间,去除噪声子空间,充分利用了MVU的非线性特征提取能力以及DTCWT的完全重构特征和平移不变性。运用仿真数据和滚动轴承工程信号对降噪方法进行检验,结果表明DTCWT_MVU可以有效消除轴承信号中的噪声成分,保持信号特征波形,提高信噪比,具有较强的工程使用价值和通用性。