基于RQA与GG聚类的滚动轴承故障识别

提出递归定量分析与GG聚类相结合的滚动轴承故障识别方法。利用能够表征信号发散程度的RQA参数--确定率和分层率组成轴承故障识别的特征向量,结合GG模糊聚类实现滚动轴承故障模式识别。对实际故障数据进行分析,结果表明,该方法不仅能够识别滚动轴承的不同程度损伤,而且能够实现不同部位的轴承故障诊断。研究结果为滚动轴承故障识别提供了一种高效、直观的新方法。     

基于LCD-RQA的滚动轴承故障诊断与健康评估

针对滚动轴承振动信号具有非线性和非稳态的特点,故障特征精确提取困难的问题,提出了一种基于局部特征尺度分解(LCD)和递归定量分析(RQA)的滚动轴承故障诊断与健康评估方法.首先,利用LCD将滚动轴承振动信号分解为若干个内禀尺度分量(ISC);然后,对各ISC分量进行相空间重构并构建递归图;最后,通过提取递归图的定量特征...     

基于混沌关联积分的暂态电能质量扰动分类

关联积分曲线基于时间序列重构,能够更全面反映时间序列扰动变化,并且作为扰动识别的特征量,可以避开关联维无标度区间确定这一问题。根据暂态电能质量信号在不同扰动下其关联积分曲线所呈现出的特有形态特征,将关联积分曲线作为扰动识别的特征量。不同扰动信号的关联积分曲线区别较大,直观明了。该方法操作简单方便,可以省去烦琐的数值分析,且具有较高的精确度和实用性。对几种典型的暂态扰动信号进行识别和分类,仿真结果证明了其有效性和优越性。     

基于递归定量分析的液压泵故障识别方法

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象，首先用局部投影消噪方法对振动信号进行消噪；其次对消噪后的振动信号绘制递归图，进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取，选择确定率（DET）和递归熵(ENTR)2个特征构成特征向量，构成故障特征样本；然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别；最后，将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明，基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。     

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RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。     

基于判别字典学习的电能质量扰动识别方法

电能质量扰动识别方法通常是先通过数字信号处理工具对信号进行检测和特征提取,再采用人工智能方法对特征进行分类识别,增加了识别过程的复杂性和冗余性。提出一种基于判别字典学习(DDL)的稀疏表示电能质量扰动识别方法,可有效减少识别步骤、降低复杂性,并提高识别率。该方法首先采用主成分分析方法将K类扰动训练样本集降维为扰动降维特征训练样本集,由各类样本分别训练出冗余子字典,然后级联成判别字典。接着基于l0范数算法求解出降维测试信号在该判别字典下的稀疏表示矩阵,最后利用不同的冗余子字典重构测试样本,由冗余残差最小值确定目标归属类,实现对电能质量扰动信号的识别。仿真实验结果表明该方法能有效地对不同电能质量扰动进行识别,过程简单、数据量少、抗噪声鲁棒性好,在信噪比20 d B以上的噪声环境中电能质量扰动识别准确率达到95%以上。     

递归定量分析在离心泵故障诊断中的运用

为了准确诊断离心泵的振动故障,针对振动信号的非平稳特征,提出了一种基于递归定量分析的离心泵振动故障诊断方法。采用递归定量分析(recurrence quantification analysis,简称RQA)方法提取离心泵振动信号的非线性特征参数,由这些特征参数构成特征向量,并以此作为改进Elman神经网络的输入,对神经网络进行训练,建立了离心泵运行状态分类器,用以诊断离心泵的不同状态。试验结果表明,递归定量分析与Elman神经网络相结合的方法可以准确诊断离心泵的振动故障。     

基于局部细节谱的齿轮故障识别研究

经典的递归定量分析方法(Recurrence Quantification Analysis,RQA)是通过研究递归图中递归点在水平、垂直及对角方向的分布规律,对递归图进行定量研究。提出了一种新的递归定量分析方法:局部细节谱(Local Detail Spectrum,LDS)。该方法更关注于递归图中有限区间内递归点局部分布规律的定量分析。将所提出的局部细节谱用于齿轮故障分类,实验证明,局部细节谱可取得较好的故障识别效果。     

采用最优多分辨率快速S变换的电能质量分析

为兼顾电能质量信号分析的类型识别与参数估计需要,设计一种最优化多分辨率快速S变换(OMFST),用于电能质量信号识别与参数估计。首先,分析不同时-频分辨率下时间-幅值曲线与频率-幅值曲线中,扰动起、止处峭度与扰动参数估计误差间的关系;之后,根据离差最大化法,确定不同频率范围内最优窗宽调整因子,并通过3次样条插值法进行拟合,自适应调整不同扰动信号识别和参数估计所需最优窗宽;然后,针对扰动信号基频与扰动所在的中、高频频域范围进行OMFST处理;最后,从原始信号、原始信号傅里叶谱和OMFST变换结果中提取5条特征,构建基于模糊决策树的扰动分类器,识别13种电能质量信号,并估计电能质量信号参数。仿真实验和实测数据分析表明,新方法能够满足电能质量复合扰动参数估计需要,参数估计误差低于广义S变换等方法,同时保留了良好的分类能力。     

Identification of Localized Void Defects in Composite by Recurrence Quantification Analysis of Ultrasonic Backscattered Signal

Voids usually have a detrimental effect on the performance of carbon fiber reinforced polymer (CFRP). This paper presents a nonlinear dynamic method, known as recurrence quantification analysis (RQA), for the identification of localized void defects. First, five standard CFRP specimens with known porosity ranging from 0.2 to 5.94% are tested using ultrasonic pulse-echo technique, and the obtained backscattered signals are subsequently analyzed by RQA. The result shows that two RQA characteristic parameters, the recurrence rate and the Shannon entropy, both clearly increase with increasing porosity. Next, the RQA is performed on another CFRP specimen with unknown porosity. Two regions in this specimen containing localized void defects are detected based on the above finding. This result is finally verified by a destructive experiment. The research demonstrates that RQA is an effective new method for the identification of localized void defects in CFRP.

     

厚截面碳纤维复合材料远表面微缺陷超声检测

为了识别厚截面碳纤维复合材料(CFRP)远表面的微缺陷,使用递归分析方法对超声检测信号进行分析。首先在厚截面CFRP材料上打孔以模拟微缺陷,采用水浸超声脉冲反射法对不同大小的模拟缺陷进行检测。然后选取缺陷位置附近信号段,确定嵌入维数m、延迟时间τ、阈值ε等参数,对各信号段进行递归分析,得到递归图及递归定量分析结果。比较无缺陷信号和有缺陷信号的递归图,从宏观上定性确定微缺陷对超声信号的影响;比较无缺陷信号和有缺陷信号的递归定量分析结果,根据每个递归定量参数的物理意义,对缺陷产生的影响作出合理的解释。最后,使用不同中心频率探头进行实验,确定合适的探头参数。分析结果表明,使用7.5MHz高分辨率超声探头时检测效果最好;当嵌入维数为7、延迟时间为2、阈值为2时,递归图中出现异常白色区域、递归点增多且对角线结构变长,同时所选取的递归定量参数随缺陷增大而上升,表明厚截面CFRP远表面超声信号可能存在混沌结构,而微缺陷的存在会改变原有信号结构。所研究内容为实际微缺陷的定量识别及分类打下基础。     

基于递归复杂网络的房颤术后监测

提出了基于递归复杂网络预测房颤术后复发的方法.先通过动物实验得到房颤复发前的犬心外膜信号,将心外膜信号转换为递归网络,提取网络的平均度、聚群系数和四阶节点模体的参数,采用支撑向量机来预测房颤是否复发及复发的严重程度.采用由犬心外膜信号组成的数据来评价该方法预测房颤复发的准确率,数据包括A(不会复发)、B(复发类型为阵发性房颤)和C(复发类型为永久性房颤)3类.同时研究了基于递归思想的定量递归分析方法.实验结果表明:该方法预测房颤复发的敏感性、特异性和准确率分别达到86.79％、93.36％和91.14％,均高于定量递归分析方法的结果.可见,该方法具有预测房颤复发及复发严重程度的能力,对射频消融手术后监测有重要的临床意义.     

Damage detection using multivariate recurrence quantification analysis

Recurrence-quantification analysis (RQA) has emerged as a useful tool for detecting subtle non-stationarities and/or changes in time-series data. Here, we extend the RQA analysis methods to multivariate observations and present a method by which the “length scale” parameter ε (the only parameter required for RQA) may be selected. We then apply the technique to the difficult engineering problem of damage detection. The structure considered is a finite element model of a rectangular steel plate where damage is represented as a cut in the plate, starting at one edge and extending from 0% to 25% of the plate width in 5% increments. Time series, recorded at nine separate locations on the structure, are used to reconstruct the phase space of the system's dynamics and subsequently generate the multivariate recurrence (and cross-recurrence) plots. Multivariate RQA is then used to detect damage-induced changes to the structural dynamics. These results are then compared with shifts in the plate's natural frequencies. Two of the RQA-based features are found to be more sensitive to damage than are the plate's frequencies.     

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.