基于最优参数的改进Oustaloup滤波算法及其数字实现

针对基于推荐参数的改进Oustaloup滤波算法在拟合频域段端点附近对分数阶微分算子逼近精度较低的问题,提出了一种基于改进自适应混沌粒子群优化算法(IACPSO算法)的改进Oustaloup滤波算法的参数优化方法,该方法将拟合频域段内的频率与幅度、相位绝对误差乘积积分的加权和作为优化目标函数,利用IACPSO算法对常数b与d进行参数寻优,经多次独立计算确定一组最优参数(b=5.387 8,d=0.752 6),通过与标准Oustaloup算法、基于推荐参数(b=10,d=9)的改进Oustaloup滤波算法进行对比分析,验证了基于最优参数的改进Oustaloup滤波算法的有效性。     

自适应逆控制研究及其未来发展

由B.Widrow 教授提出的自适应逆控制方法经过十多年的发展,已经取得了很多成果.近年来,自适应逆控制以其自身的众多优点成为一个活跃的研究领域,并被成功应用到各个领域.本文对自适应逆控制的已有研究成果做了综述.首先分析了各种自适应滤波方法,尤其是线性变步长LMS自适应滤波算法的完善过程,每种算法的性能及优缺点;其次分析了基于X-滤波、ε-滤波和U-滤波的自适应逆控制系统在噪声扰动消除上的成功应用.然后介绍了跟随非线性系统的非线性滤波器,及各种针对非线性对象的自适应逆控制系统.最后介绍了自适应逆控制新的应用,并提出了其自身存在的问题,探讨了新的研究方向.     

基于BAACMD和BESDFIF的风电机组主轴承故障诊断

针对风电机组主轴承故障难以诊断的问题,提出一种基于带宽感知自适应啁啾模式分解(Bandwidth Aware Adaptive Chirp Mode Decomposition, BAACMD)和秃鹰算法优化直接快速迭代滤波(Bald Eagle Search Direct fast Iterative Filtering, BESDFIF)的故障诊断方法。首先采用加权频谱趋势法准确划分信号频段,诊断各频段的有效成分,随后利用模型拟合方法确定ACMD方法中惩罚因子α和初始中心频率f,并通过BAACMD方法实现对故障信号进行处理实现故障特征信息的提取;其次利用秃鹰优化算法对DFIF方法中影响参数及分量选取过程进行寻优;最后使用最优滤波区间参数的BESDFIF方法对所得分量进行分解降噪处理,从中诊断出微弱的风电机组主轴承故障特征频率成分。现场数据分析结果表明,所研究方法可以有效诊断风电机组主轴承的微弱故障特征,实现风电机组主轴承的故障诊断。     

基于字典学习和稀疏编码的振动信号去噪技术

针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。     

基于粒子群优化的形态学滤波器消噪方法

为了有效地消除信号的噪声,提出了基于粒子群优化的数学形态滤波器构造方法。首先,根据数学形态学算法的特性构造了形态学滤波器;然后,对于形态学滤波运算中的重要参数形态结构算子,采用具有全局优化性能的粒子群算法自适应选取,以最大信噪比作为整个优化过程的判定标准,从而实现了最优滤波器的构造;最后,通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

面向滚珠丝杠进给系统位移波动特性的自适应滤波方法研究

针对数控机床进给系统位移波动对加工精度、加工质量的影响等问题,将自适应滤波技术应用到了滚珠丝杠进给系统运动控制领域。采用了最小均方误差准则,根据误差源选取了参考信号矢量,确定了自适应滤波器的阶数;通过参考信号矢量各权值系数迭代求解,从而自适应调节滤波器输出,提出了一种基于多维参考信号的自适应滤波算法;在开放式伺服实验平台上对该算法进行了实验验证。研究结果表明:自适应滤波算法可以有效地抑制多频位移波动,算法作用下谐波幅值被抑制了50%～70%;在不同进给速度和不同负载力矩下,自适应滤波算法均有较好的谐波抑制效果,且可以有效地改善滚珠丝杠进给系统运动的平稳性。     

基于改进强跟踪滤波的室内RSSI自适应估计算法

针对室内无线接收信号强度指示(RSSI)难以快速准确估计的问题,提出了一种基于改进强跟踪滤波的室内RSSI自适应估计算法。该算法采用强跟踪滤波(STF)自适应跟踪RSSI阶跃变化,克服传统RSSI状态空间模型中未建模状态的不确定性。利用高斯分布数据的采样过程,分析STF算法跟踪系统未建模不确定状态的可靠性和有效性,确定强跟踪滤波弱化因子,并融合滑动平均滤波算法,提高RSSI的自适应估计能力。通过与传统的RSSI估计方法对比验证实验,结果表明所提算法能够准确估计室内RSSI,且收敛速度更快。     

风电叶片疲劳试验系统追踪控制策略研究

针对风电叶片疲劳试验过程中实际振幅与目标振幅的追踪控制关键问题,提出了一种基于RLS算法的实际振幅与目标振幅的追踪控制策略,设计出了一套风电叶片疲劳试验系统。采用基于RLS算法的自适应滤波和幅值响应策略,通过调整RLS算法中的加权数值,解决了实际试验过程中的干扰噪声和幅值振荡问题,实现了叶片振幅的有效追踪;通过构建基于Matlab/Simulink的测试系统模型,并结合现场试验,验证了算法的自适应滤波和幅值响应效果。研究结果表明:采用基于RLS算法的振幅追踪控制策略,能够有效地保证实际振幅与目标振幅的跟随性,振幅跟随误差不超过有效振幅的±5%,这对于风电叶片疲劳的理论研究与实际应用具有一定的指导意义。     

Application of RLS adaptive filtering in signal de-noising

针对信号中混有噪声的问题,介绍了一种基于RLS算法的自适应信号消噪系统,并阐述了自适应滤波的原理以及RLS算法的步骤与流程。通过实例仿真,得到了基于RLS算法的自适应消噪系统仿真图。经过对比分析可知,RLS自适应滤波能较好地消除噪声,获得有用信号,从而验证了该方法的有效性和系统的合理性。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

基于ALE的自适应滤波在轴承故障诊断中的应用

提出了一种基于谱线增强的变步长自适应滤波方法,从滚动轴承的振动信号中分离出故障冲击信号,便于包络分析获取故障特征频率.介绍了该方法的原理及算法实现,并对未知高频固有振动的滚动轴承进行了故障诊断,效果明显优于传统带通滤波方法.     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

Early fault detection method for rolling bearing based on multiscale morphological filtering of information-entropy threshold

The scale of structure element is especially important to obtain good filtering results in multiscale morphological filtering (MMF) method. In general, the optimal scale of structure element is set to be a fixed value in traditional morphological filter, therefore it is difficult to extract the fault feature from rolling bearing vibration signal effectively. A novel multiscale morphological filtering algorithm is proposed based on information-entropy threshold (IET-MMF) for early fault detection of rolling bearing. Compared with traditional MMF method, several optimal scales of structure elements are achieved according to the energy distribution characteristic of different vibration signals. The information entropy theory is applied to quantify the analyzed signals, and the optimal threshold of information entropy is obtained by iterative algorithm to ensure integrity of useful information. The simulation and rolling bearing experimental analysis results show that the IET-MMF method can extract fault features of vibration signals effectively.

     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

数学形态学和HHT在轴承故障诊断中的应用

数学形态学滤波算法具有很强的抑制脉冲干扰的能力,但滤除白噪声的能力却不及小波算法。针对这一不足,在对信号进行形态滤波之前先进行小波消噪,再进行HHT分析提取故障特征频率。通过仿真和示例证实了该方法可以有效地消除信号干扰噪声,提取轴承故障特征,达到对滚动轴承故障诊断的目的。     

基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障

利用峭度指标识别滚动轴承共振频带,结合包络分析解调故障特征,是滚动轴承故障诊断的常用方法。峭度指标虽然能够表征瞬态冲击特征的强弱,却无法利用瞬态冲击特征循环发生的特点,导致其难以区分脉冲噪声和循环瞬态冲击,无法准确识别共振频带,进而容易导致错误的故障诊断结果。受峭度和信号自相关的启发,重新定义相关峭度,提出平方包络谱相关峭度新指标;并结合Morlet小波滤波和粒子群优化算法,提出一种滚动轴承最优共振解调方法。通过与峭度、谱峭度等进行对比,仿真和试验分析结果表明平方包络谱相关峭度能够准确识别循环瞬态冲击;最优共振解调能够稳健确定共振频带的最优中心频率和带宽,准确解调诊断滚动轴承故障,验证了平方包络谱相关峭度在检测循环瞬态冲击和识别最优共振频带中的有效性和优越性。     

A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking

The fault characteristics of rolling bearing with variable rotational speed are usually related to shafting speed and vary with time. Moreover, the rolling bearing fault characteristics are easily submerged by the noises. To address these issues, an adaptive time-varying comb filtering (ATVCF) method that combines the merits of comb filter and adaptive time-varying filtering (ATVF) is proposed and applied to extract the fault-related component from the envelope signal of rolling bearing. And on this basis, via the joint application of ATVCF and order tracking (OT), a fault characteristics extraction methodology for rolling bearing with variable rotational speed, namely ATVCF-OT, is developed. In the ATVCF-OT, the ATVCF method can adaptively extract time-varying harmonic components containing rolling bearing fault information from the rolling bearing fault vibration signal, and the OT analysis can effectively stabilize the time-varying rolling bearing fault features. Therefore, the ATVCF-OT methodology is particularly suitable for fault feature extraction of rolling bearing with variable rotational speed. Simulation and experimental results indicate that the ATVCF-OT method can effectively remove the fault-unrelated components and highlight the fault features of rolling bearing. The comparisons with the direct envelope order method and the ensemble empirical mode decomposition (EEMD)-based envelope order method demonstrate the advantages of the proposed ATVCF-OT method.

     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

广义形态学闭开差值运算在滚动轴承弱故障诊断中的应用

采用局部极值步长法和峭度准则,实现了形态学运算结构元素的自适应选择。改良了基于广义形态学闭开差值运算的相关算法,改善了获取轴承弱故障特征的效果。仿真信号及实测故障振动信号的分析表明,所提出诊断方法的诊断效果优于传统的广义形态学分析方法,该诊断方法能够较准确地提取滚动轴承微弱故障特征。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。