基于拟合误差最小化原则的奇异值分解降噪有效秩阶次确定方法

为了最大限度地提高旋转机械设备故障振动信号的信噪比,研究了奇异值分解降噪的原理,提出了一种新的奇异值分解降噪有效秩阶次的确定方法。首先,对振动信号进行相空间重构,对吸引子轨迹矩阵进行奇异值分解;然后,按不同的阶数,将奇异值分成信号组和噪声组,对每次分组的结果,以阶数为自变量、以奇异值为因变量,拟合成信号特征奇异值曲线和噪声特征奇异值曲线,并求拟合误差;最后,将拟合误差最小值对应的奇异值阶数确定为有效秩阶次,并进行奇异值分解降噪。通过数值仿真和实际齿轮故障数据分析,表明该方法可以有效地提高信号的信噪比,为后期的故障特征提取创造有利条件。     

基于中值滤波－奇异值分解的胶合板拉伸声发射信号降噪方法研究

为了去除声发射信号中的随机噪声与脉冲干扰,提高有用信号质量,提出了一种中值滤波与奇异值分解相结合的降噪方法。该方法首先对原始声发射信号进行中值滤波,去除幅值较大的异常值,其次对去除异常值的信号序列进行相空间重构和奇异值分解,最后针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,并利用能量差分谱的较大峰值位置来确定奇异值的重构阶数,以实现降噪。数值仿真和五层胶合板脱胶和表板断裂测试的实测数据分析表明,该方法能够有效地保留原有信号的特征,并能最大限度地消除噪声,提高信噪比     

基于小波包分析的拉索损伤声发射信号特征提取

结合显式有限元和小波包分析技术开展了拉索损伤声发射信号特征提取的仿真分析。采用ANSYS/LS-DYNA模拟得到拉索损伤声发射信号的仿真信号,基于小波包能量谱对拉索声发射的有限元仿真信号进行了特征提取,从小波包分解层次、特征频带数量的选择及特征参数的噪声鲁棒性三个方面开展了讨论分析。结果表明:(1)通过选择适当的小波包分解层次,小波包能量谱可以精细地反映信号的特征;(2)选取少数特征频带就能使得小波包能量谱反映声发射信号的特征信息;(3)基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对拉索不同损伤类型的判别。     

基于奇异值分解的摩擦振动吸引子特征参数提取方法

为定量研究摩擦副磨损过程中摩擦振动吸引子的变化,根据相空间重构理论,应用C-C法重构摩擦振动吸引子相空间矩阵,对相空间矩阵进行奇异值分解,通过奇异值构建矩阵奇异值特征向量,定义其特征参数为摩擦振动吸引子特征参数K,并分析特征参数K在摩擦副磨合磨损过程中的变化规律。结果表明:磨合开始,摩擦振动能量较低,吸引子体积较小,K值亦较小,为9.36;随磨合进行,摩擦振动能量逐渐增加,吸引子体积逐渐增大,K值亦逐渐增大;43min后,摩擦振动能量保持平稳,吸引子体积趋于稳定,K值在24.72附近平稳波动。因此,摩擦振动吸引子参数K可用于定量分析磨合过程中摩擦振动能量的变化;K与摩擦因数对磨损阶段的判断一致,进而可用于磨损状态的识别。     

基于奇异差分谱和平稳子空间分析的滚动轴承故障诊断

探究了一种基于奇异差分谱的信号升维途径,并将其和平稳子空间分析结合提出基于奇异差分谱和平稳子空间分析(Stationary Subspace Analysis,SSA)的滚动轴承故障诊断方法。该方法首先对滚动轴承原始故障振动信号进行奇异差分谱分析,根据奇异差分谱的峰值分布,确定不同的有用分量个数进行信号重构实现信号升维,然后利用平稳子空间分析将高维信号分解为平稳源信号和非平稳源信号,最后通过对峭度值最大的非平稳源信号进行包络谱分析得到滚动轴承故障特征频率。仿真信号和滚动轴承早期故障信号分析表明该方法可以实现滚动轴承欠定故障信号的盲分离,验证了该方法的有效性。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

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。     

改进奇异谱分解及其在轴承故障诊断中的应用

针对强背景噪声下难以提取滚动轴承故障特征的问题,提出了基于奇异值差分谱的改进奇异谱分解方法。首先,为克服奇异值分解按经验选择嵌入维数的不足,运用一种新的信号自适应处理方法——奇异谱分解(Singular Spectrum Decomposition,SSD)分析振动信号,SSD法通过构建新的轨迹矩阵,自适应选取嵌入维数,将非线性、非平稳信号从高频至低频分解为多个奇异谱分量。然后,针对奇异谱分解方法重构的奇异谱分量仍包含较强噪声的问题,提出利用奇异值差分谱对重构过程进行改进,提高了奇异谱分解的降噪能力,有效提取了有用信息。最后,根据故障特征找到包含有用信息的分量,对该分量进行希尔波特包络解调,从而准确地提取出故障特征。仿真和实验结果验证了该方法的有效性,提供了一种新的故障诊断方法。     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。     

一种确定奇异值分解降噪有效秩阶次的改进方法

提出了一种基于奇异值差分谱单边极大值的降噪方法,实现了对旋转设备故障信号信噪比的提高。首先通过相空间重构Hankel矩阵的方法对原始振动信号进行处理,再进行奇异值分解,最后采用奇异值差分谱单边极大值原则确定所含的较大峰值降噪阶数。通过数值仿真和实际轴承故障数据的应用分析,表明了该方法可以有效地提高信号的信噪比,为后期的故障特征信号提取创造有利条件。     

基于检测指数判决的子空间方位估计方法

针对子空间高分辨方位估计方法稳健性差的问题,根据协方差矩阵稳定估计所需累积次数和各子空间强度谱检测指数差异性,提出一种基于检测指数判决的子空间方位估计方法。该方法将协方差矩阵频域求取过程转换为经相参补偿的时域求取,降低空间数据稳定性对协方差矩阵估计的影响;依据各子空间强度谱检测指数差异,提取各子空间强度谱判决统计量;根据判决统计量实现对目标子空间判决,降低空间背景噪声对最终合成空间强度谱影响。数值仿真及实测数据处理结果表明,相比现有子空间高分辨方位估计方法,该方法能有效降低空间非稳定数据对协方差矩阵估计产生的影响;同时通过对各子空间判决处理,进一步降低了对最低信噪比的需求。     

基于多尺度高阶奇异谱熵的信号特征提取方法

提出了基于变分模态分解(VMD)的高阶奇异谱熵的特征提取方法,并应用在滚动轴承故障诊断中。首先,使用4阶累积量切片代替奇异谱熵分析(SSEA)的协方差矩阵,引入VMD分解实现方法多尺度化,提出信号多分辨高阶奇异谱熵分析(M-HSSEA)方法;通过信号分析,VMD解决了模态混叠的问题,且能够实现信号滤波,同时该方法提取的熵特征向量增强了相空间重构参数鲁棒性;通过和小波奇异谱提取特征的方法对比,结果表明所提出的方法在克服频率混叠现象,提取的特征点总体离散度小等方面更具优势;最后,结合深度信念网络分类器实现了对故障的分类,实验结果验证了所提方法的有效性和可行性。     

基于统计能量法的飞行器结构声振响应分析

基于统计能量分析(SEA)原理,对高超声速飞行器X-43A建立SEA模型,采用理论、经验公式及试验数据确定SEA模型的三个参数。将数值模拟计算结果与噪声试验值进行对比,结构声振响应的统计能量分析与试验结果趋势上较为一致,但低频段二者差异较大,高频段较为吻合;结构舱内响应噪声声压的计算值与试验测量值相比,不论在高频还是中低频,二者都较为一致,误差约3 dB,说明统计能量分析法对振动噪声环境预测是比较可靠的。     

Reconstructing slow-time dynamics from fast-time measurements

This paper considers a dynamical system subjected to damage evolution in variable operating conditions to illustrate the reconstruction of slow-time (damage) dynamics using fast-time (vibration) measurements. Working in the reconstructed fast-time phase space, phase space warping-based feature vectors are constructed for slow-time damage identification. A subspace of the feature space corresponding to the changes in the operating conditions is identified by applying smooth orthogonal decomposition (SOD) to the initial set of feature vectors. Damage trajectory is then reconstructed by applying SOD to the feature subspace not related to the changes in the operating conditions. The theory is validated experimentally using a vibrating beam, with a variable nonlinear potential field, subjected to fatigue damage. It is shown that the changes in the operating condition (or the potential field) can be successfully separated from the changes caused by damage (or fatigue) accumulation and SOD can identify the slow-time damage trajectory.     

利用子空间法识别统计能量分析参数

利用统计能量分析进行高频动力学环境响应预示的关键步骤之一是确定可靠的统计能量分析参数。该文研究了基于子空间的统计能量分析一阶功率流模型辨识和模型修正理论,基于多变量输出误差状态空间(MOESP)算法和约束优化思想,提出一种利用子空间法识别统计能量分析参数的新方法。通过算例对该方法进行了仿真验证,结果表明方法可行并具有较好的抗噪性能。最后,对L 型板结构进行了实验统计能量分析,比较了子空间方法和功率输入法结果,两者吻合很好,从而进一步验证了子空间方法的正确性。该文验证了利用瞬态时域数据进行统计能量分析模型修正和参数识别的可行性,也是对实验统计能量分析的补充和发展。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

基于声辐射模态的声场重建中的测点优化方法

少测点条件下,利用声辐射模态理论重建声场时,测点布置方式是决定声场重建精度的一个关键因素。为求得最佳测点布置方式,提出了一种基于声辐射模态的最优测点选择方法,即基于声辐射模态矩阵的奇异值分解,采用循环迭代的方式,逐次去除对其最小奇异值最敏感的测点,从而得到了一组使重建方程条件数最小的测点。实验结果表明,利用文中提出的最优测点选择方法布置测点,能够对声场进行有效的重建,重建效果优于均匀布置方式,显著提高了声场重建精度。     

双层网壳结构动力响应分析的修正反应谱法

为了使反应谱法分析大跨度空间双层网壳结构具有较高的精度,通过对该结构用反应谱法和时程分析法进行全面分析,找出反应谱法和时程分析法结果之间的差异,将回归理论引入其结果分析中,对如何得出修正系数以修正反应谱法得出的结果进行研究,从而提出一种修正反应谱的方法.通过实例分析可以看出,用这种方法得出的抗震分析结果具有较高的精度,说明此修正反应谱法适合于该结构形式的抗震分析,为该形式结构的工程抗震设计提供理论依据和指导.     

基于声发射信号EMD-WPD特征融合的航天器在轨泄漏辨识方法

长期运行在空间环境中的航天器可能由于撞击、振动、老化等因素而发生气体泄漏,在轨泄漏辨识对航天器安全保障具有重要意义.提出了一种基于声发射信号经验模态分解(empirical mode decomposition,EMD)和小波包分解(wavelet packet decomposition,WPD)特征融合的航天器泄漏...     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。