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。     

一种改进的扬声器Volterra模型研究

在研究扬声器振膜的非线性振动时,通常使用Volterra模型进行建模分析。然而受到误差的影响,该模型仅适用于微弱的非线性现象。增大激励电压,频响预测结果的误差逐渐增大。针对这一问题,一种改进的扬声器Volterra模型被提出。该模型引入了振膜平衡位置偏移量对非线性参数的影响,并且在计算位移响应时引入高阶核函数的互调项,使位移响应预测结果更为精确。为了验证模型,搭建了一套可以测量振膜瞬时位移的激光测量系统。实验中测量并计算了振膜平衡位置偏移量和位移的基频响应。结果表明,改进的扬声器Volterra模型与实验结果的一致性较传统模型更好。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于EMD和VARMA模型的结构损伤识别

提出了基于EMD和VARMA模型的结构损伤识别方法。该方法首先将结构反应信号用EMD方法分解成一系列固有模态函数,然后将固有模态函数表示为时变VARMA模型并用Kalman滤波方法估计时变VARMA参数,最后根据时变VARMA参数定义一个新的损伤指标用于结构损伤识别。为检验该指标的实际性能,算例中选用ImperialCounty Services Building和Van Nuys Hotel作为基准结构。通过其实测地震反应记录的分析表明:该指标在实际的量测环境和噪声条件下具有较好的敏感性和抗噪能力,可有效地识别结构多处损伤的发生过程和严重程度;由于该指标定义在反应信号特征提取的基础上,无需其他额外的信息,它可同时用于结构整体和局部两个层次损伤的识别;同时,该指标还适于实时(在线)的结构损伤识别或健康监测,因其直接由时变VARMA参数推导得出。最后,对后续研究工作进行了展望。     

平衡特征正交分解及其在机翼气弹模型降阶中的应用

将平衡特征正交分解方法(Balanced Proper Orthogonal Decomposition, BPOD)应用于气弹控制系统降阶。该方法是平衡截断(balance truncation theory)与特征正交分解 (Proper Orthogonal Decomposition, POD)的结合,可以克服高阶系统为控制方法应用所带来的局限性。首先给出了BPOD方法的理论推导与降阶过程,然后以三元大展弦比机翼的 有限元模型为例进行仿真验证。根据仿真结果分析,BPOD方法可以有效减少系统阶数,计算开销较小并保留输入输出关系,非常适用于气弹控制系统。     

基于Volterra自适应滤波器的发动机运转噪声预测

摘 要：发动机运转噪声的预测对于减小发动机运转噪声干扰、提高发动机异响故障诊断正确率具有重要意义。基于相空间重构理论,采用三阶Volterra自适应滤波器,提出了两种分别采用双传感器、单传感器的发动机运转噪声建模与预测方法。所提方法有效利用了Volterra级数强大的非线性映射能力,充分考虑了发动机运转噪声内在的循环相关性、周期及相位信息等先验知识。试验结果表明,所提方法具有较好的鲁棒性,其精度可以满足实际应用要求。     

基于自适应蚁群优化的Volterra核辨识算法研究

提出了一种基于自适应蚁群优化(AACO)的Volterra核辨识方法。该方法将蚁群算法应用于Volterra时域核的辨识,并能够随着进化次数的增加,自适应调整基本蚁群算法的参数。同时,与相应的基于蚁群优化(ACO)的Volterra核辨识方法进行了对比分析。仿真结果表明,本文提出的方法与蚁群优化辨识方法不论在无噪声环境下,还是在有噪声干扰下,都能得到很好的辨识精度、收敛稳定性和较强的鲁棒抗噪性能,然而,在收敛速度方面,本文提出的方法优于蚁群优化辨识方法。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

岩石声发射信号能量分布特征的EMD分析

冲击荷载作用下岩石声发射信号具有瞬态性和多样性的特点,属于典型的非平稳信号。利用EMD方法对岩石声发射信号进行分解,得到一系列具有不同特征时间尺度的IMF分量,对每一个平稳的IMF分量提取能量特征。分析结果表明：冲击荷载作用下岩石声发射信号能量主要分布在前4个IMF分量内,且分布不均匀;岩石声发射信号各IMF分量的频谱与原始信号的频谱基本一致;随着岩石的密度、纵波波速、弹性模量的降低,冲击荷载作用下岩石声发射信号的优势频率越来越集中,且其优势频率有往低频发展的趋势;相比小波包分析,EMD分析法对于非平稳信号而言更具适应性。     

基于双谱和变精度粗糙集理论的柴油机故障特征自动提取

采用双谱对柴油发动机曲轴轴承非稳态振动信号进行了分析,根据双谱对称性,对第一象限的对角线及对角线以下区域划分成若干等分区域,计算每个等分频率面内的双谱平均幅值,作为分析对象特征值,利用变精度粗糙集理论提取与特定故障部位强相关特征参数。分析结果表明：双谱能有效消除曲轴轴承非稳态振动信号中的噪声,变精度粗糙集能提取出与分析对象相关的关键因素,双谱和变精度粗糙集相结合能实现故障特征的自动提取     

基于改进EMD与形态滤波的齿轮故障特征提取

针对齿轮故障特征往往被强背景噪声淹没的问题,提出一种改进EMD与形态滤波相结合的齿轮故障特征提取新方法。首先采用开－闭、闭－开级联而成的组合形态滤波器对原始故障信号进行消噪处理,然后通过EMD方法将包含在齿轮故障信号中的各个频率族信号分离,再采用互信息方法消除传统EMD分解结果中包含的虚假分量,最后利用分解得到的各阶固有模态函数为单一分量调制信号的特点,通过差值形态滤波的方式对分量信号进行解调以提取故障特征。齿轮故障实验信号的研究结果表明：该方法可有效的提取齿轮故障特征信息并抑制噪声,而且能够取得比传统包络解调分析更好的效果。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

EMD降噪的关联维数在齿轮故障诊断中的应用研究

本文运用分形理论中的关联维数计算方法,对齿轮正常、齿根裂纹和断齿三种不同工况的振动信号进行识别。为了降低噪声对关联维数计算结果的影响,提出EMD滤波方法对采集的信号进行预处理。通过对仿真信号和齿轮箱实测信号的诊断,证明了该方法的可行性和有效性。     

遗传算法在EMD虚假分量识别中的应用

针对EMD(经验模态分解)产生虚假分量这一问题,将遗传算法和K-L散度相结合,对虚假分量进行研究。该方法是先将原始信号进行EMD得到固有模态分量(IMF);将遗传算法和基于均方积分误差的窗宽最优化原则相结合,分别对原始信号和各个IMF分量优化选取窗宽;然后运用核密度估计方法分别得到它们的概率密度函数估计;最后计算原始信号与IMF分量之间的K-L散度值,设定K-L阈值,将K-L散度值大于阈值的IMF分量去除。实验证明,该方法能准确而又快速地获得实验数据的窗宽,虚假成分与真实分量的K-L值有明显差别,根据设定的阈值能准确识别虚假分量。     

应用加权法处理EMD方法中的边界问题

经验模态分解(EMD)是一种非常有效的非平稳信号处理技术,但是其利用样条曲线构造信号上下包络线的过程中存在严重的端点问题.本文在已有的算法基础上提出了一种基于加权的方法对边界进行处理,由加权法得到原始信号两端极值点,利用三次样条函数得出上下包络线,实现信号的分解.仿真表明,此方法有效地处理了经验模态分解方法中的边界问题.     

基于声振信号EMD分解的轻微碰摩故障诊断方法研究

针对转子系统局部碰摩故障特征及声音振动信号特点,采用一种基于声振信号经验模式分解(Empirical Mode Decomposition简称EMD)的轻微局部碰摩故障诊断方法对滑动轴承碰摩故障进行特征提取。由于EMD分解不需要固定的基函数,根据信号特征自适应的调整,从而实现碰摩特征及旋转激励背景信号自动分解。通过设计滑动轴承缺油工况轴承碰摩试验,并进行振动全息测试分析,将所得声振信号本征模式函数时域特征和边界谱特征与转子径向位移及轴承座加速度信号对比分析,确定了碰摩部件;从而证明基于声振信号EMD分解的碰摩故障诊断方法的有效性。     

经验模态分解（EMD）新算法及应用

经验模态分解(EMD)算法是Hilbert-Huang变换(HHT)的核心算法,它的分解效果依赖于端点延拓算法.介绍一种新的EMD的端点延拓算法,并通过一个仿真实验表明该算法分解信号更完全.     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

一种EMD改进方法及其在旋转机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)中存在的端点效应问题,提出一种波形特征匹配延拓与余弦窗函数相结合的改进方法。首先对信号进行波形特征匹配延拓,实现延拓数据与原信号交界处的光滑过渡,避免边界处瞬时频率的跳跃;其次针对该延拓方法存在延拓误差的问题,对信号加余弦窗处理,将延拓误差控制在信号两端,使其无法(或以较慢速度)向数据内部发展,保证信号有效数据的正确分解,提高信号的分解精度,实现EMD算法的改进。通过仿真分析和不对中故障诊断实例研究表明,该方法能较好地抑制EMD端点效应,实现旋转机械故障的有效诊断。