基于改进EMD的齿轮箱故障特征提取方法研究

针对经验模式分解(Empirical mode decomposition,简称EMD)方法在信号处理时普遍出现的端点效应问题,结合齿轮箱早期故障非稳态信号特点,提出了基于分段三次Hermit插值的极值截断法与相关筛选法相结合的改进EMD方法。该方法将信号用分段三次Hermit插值法求取包络线,在距离端点最近的极值点处对包络线及信号进行截断,取中间部分继续处理,将分解后得到的基本模式分量(Intrinsic mode function,简称IMF)与原信号计算相关系数,筛选主要IMF作为进一步分析对象。实验结果表明,本改进EMD方法可以有效提取齿轮箱故障特征。     

改进的HHT在复合材料盒段损伤检测中的应用

提出一种基于结构振动和改进希尔波特黄变换的结构损伤检测方法，利用改进的希尔波特黄变换技术，研究悬臂机翼盒段结构的损伤检测问题。改进的希尔波特黄变换由三部分组成，小波分析、希尔波特黄变换及一种简单但有效的经验模式函数选择方法。用改进的希尔波特黄变换处理完好盒段结构与损伤盒段结构在方波信号激励下的动力响应信号，从中提取出结构损伤信息指标——瞬时能量变化量作为损伤特征参数。结果表明，所构造的结构损伤特征量对表征复杂结构小损伤具有较好的灵敏度。     

改进的HHT在复合材料盒段操作检测中的应用

提出一种基于结构振动和改进希尔波特黄变换的结构损伤检测方法,利用改进的希尔波特黄变换技术,研究悬臂机翼盒段结构的损伤检测问题.改进的希尔波特黄变换由三部分组成,小波分析、希尔波特黄变换及一种简单但有效的经验模式函数选择方法.用改进的希尔波特黄变换处理完好盒段结构与损伤盒段结构在方波信号激励下的动力响应信号, 从中提取出结构损伤信息指标--瞬时能量变化量作为损伤特征参数.结果表明,所构造的结构损伤特征量对表征复杂结构小损伤具有较好的灵敏度.     

基于标准互相关函数的经验模态分解端点效应处理方法

在经验模态分解(Empirical mode decomposition,EMD)过程中由于信号端点处极值点的不确定,导致信号上下包络线拟合过程中存在端点效应,使得EMD的分解结果严重失真.在分析现有处理方法的基础上,提出一种基于标准互相关函数的包络线拟合法.该方法以标准互相关函数为判定依据,每次分解时在信号上下包络线内部分别寻找一段与端点处包络线波形最相似、幅值差异最小的波形,用此段波形代替产生端点效应的包络线进行迭代,实现端点处包络线与原信号包络线边界处的光滑过度,减小端点处包络线的拟合误差.通过仿真和油膜涡动试验表明该算法可以有效解决端点效应问题,具有较高的分解精度,同时对模态混叠现象也有一定的抑制作用,与其他几种常见算法相比具有算法简单、易于实现的特点.     

LMD时频分析方法的端点效应在旋转机械故障诊断中的影响

为评估局域均值分解(LMD)受端点效应影响的程度,提出了一种基于能量的端点效应评价指标,并将LMD的端点效应与经验模态分解(EMD)的端点效应进行了比较。因包络线的定义方法不同,LMD在端点附近未定义的包络线较短,端点效应的程度也较轻。提出的端点效应镜像延拓抑制方法经仿真证明效果良好。将LMD应用于提取转子裂纹的故障特征,可获得满意的实验结果。     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

在线信号的快速经验模态分解方法

传统经验模态分解(EMD)中存在端点效应和分解速度慢的问题,无法适用于在线信号的实时分析.针对这一问题,提出了一种在线信号的快速EMD分解方法,利用在线信号“无限长”特点,首先提取在线信号有效数据,然后采用LSSVR拟合信号上、下包络线,不仅有效抑制了EMD分解的端点效应,而且大大提高了EMD分解的质量和速度.仿真结果表明:该方法快速有效,基本可以满足在线信号的实时快速分解,具有一定的工程应用价值.     

新型经验模式分解端点效应消除方法

对经验模式分解(Empirical mode decomposition, EMD)的端点效应进行深入分析,指出现有延拓方法的不足,对基于正弦函数延拓的方法进行改进,分析不同的延拓周期、延拓信号长度及信号端点值对EMD分解的影响,并与镜像延拓EMD分解方法进行了分析比较。在此基础上,提出一种基于指数正弦型延拓方法的EMD分解,它从原理上减小了延拓信号端点包络线的发散程度,从而提高了EMD分解精度和速度,并对其进行了仿真分析。研究结果表明,新的延拓方法优于传统的延拓方法,能较好地抑制EMD端点效应。     

基于改进EMD和FastICA的旋转机械耦合故障诊断方法研究

为研究旋转机械的耦合故障诊断问题,提出一种新的经验模态分解(Empirical Mode Decomposition,EMD)改进方法。该方法采用分段三次Hermite插值解决包络线过冲和欠冲问题[10],并结合斜率再优化的极值点延拓加窗函数实现端点效应抑制,进而对EMD分解中包络线拟合的结果进行优化,得到更加精确的内禀模态函数(Intrinsic Mode Function,IMF)。运用包络解调对IMF进行处理,再基于负熵的快速独立分量分析(Fast Independent Component Analysis,Fast ICA)方法对所得到的解调信号进行分离,最后求解分离信号的包络谱,通过谱分析确定故障的特征频率,实现故障诊断。通过转子不对中-碰摩耦合故障诊断仿真实例表明,该方法能够提取出故障系统转子圆盘振动信号中存在的倍频、分频及2倍频峰值,与不对中-碰摩耦合故障特征吻合,证明了该方法的有效性。     

基于改进EMD的结构损伤特征量提取

为促进振动利用工程、超声电机技术及其相关研究方向的进一步发展,第五届全国振动利用工程学术会议暨第四次全国超声电机技术研讨会将于2012年10月13—15日在南京召开。本次会议是由中国振动工程学会振动利用与控制专业委员会和南京航空航天大学机械结构力学及控制     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波 波场分析方法. 首先,以 VGG-Net 网络为框架,建立了基于 VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的 导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得 了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型 能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在 67% 以上,损伤形貌的可视化效果好。     

基于压缩频响函数的结构损伤识别

结构的损伤识别可作为一个优化问题来处理。本文直接应用频响函数(FRF)进行结构的损伤识别。通过对FRF的主成分分析(PCA)实现数据压缩和特征提取,建立基于压缩FRF的优化目标函数。为了提高算法的收敛速度,以结合局部搜索算法(LS)的遗传算法(GA)为优化工具,并进一步结合子结构识别法来求解。基于桁架的计算结果表明,这种方法具有很好的鲁棒性和识别效果。     

Novel Laplacian scheme and multiresolution modal curvatures for structural damage identification

Modal curvature is more sensitive to structural damage than directly measured mode shape, and the standard Laplace operator is commonly used to acquire the modal curvatures from the mode shapes. However, the standard Laplace operator is very prone to noise, which often leads to the degraded modal curvatures incapable of identifying damage. To overcome this problem, a novel Laplacian scheme is proposed, from which an improved damage identification algorithm is developed. The proposed step-by-step procedures in the algorithm include: (1) By progressively upsampling the standard Laplace operator, a new Laplace operator is constructed, from which a Laplace operator array is formed; (2) by applying the Laplace operator array to the retrieved mode shape of a damaged structure, the multiresolution curvature mode shapes are produced, on which the damage trait, previously shadowed under the standard Laplace operator, can be revealed by a ridge of multiresolution modal curvatures; (3) a Gaussian filter is then incorporated into the new Laplace operator to produce a more versatile Laplace operator with properties of both the smoothness and differential capabilities, in which the damage feature is effectively strengthened; and (4) a smoothened nonlinear energy operator is introduced to further enhance the damage feature by eliminating the trend interference of the multiresolution modal curvatures, and it results in a significantly improved damage trait. The proposed algorithm is tested using the data generated by an analytical crack beam model, and its applicability is validated with an experimental program of a delaminated composite beam using scanning laser vibrometer (SLV) to acquire mode shapes. The results are compared in each step, showing increasing degree of improvement for damage effect. Numerical and experimental results demonstrate that the proposed novel Laplacian scheme provides a promising damage identification algorithm, which exhibits apparent advantages (e.g., high-noise insusceptibility, insightful in damage revealment, and visualized damage presentation) over the standard Laplace operator.     

基于超分辨率改进Faster R-CNN的点阵结构内部缺陷判识方法

利用增材制造技术制备金属三维点阵结构件过程中,结构内部经常会出黏连、断裂等多种细小缺陷,导致样件结构功能下降。根据缺陷结构与正常结构之间的特征区别,提出了一种针对金属点阵结构内部出现的细小缺陷自动判识的方法。利用X-射线微聚焦CT扫描金属点阵结构获得原始输入图片,在Faster R-CNN （Faster region-based convolutional neural networks）框架的基础上,改进原有特征提取网络,开发图像超分辨率重建模块。通过对工业CT图片的局部细节特征增强,实现了快速有效地识别细小缺陷的类型,以及缺陷位置信息的标注。试验证明,改进Faster R-CNN模型对金属点阵结构样件内部的两种典型细小缺陷识别的平均正确率高达93.5%。研究结果表明,通过超分辨率网络对图像进行放大,可以提高细小缺陷的特征提取,通过加深网络加强特征学习,从而实现了点阵结构内部细小缺陷的自动判识。     

基于注意力机制的水果损伤检测及分类

水果作为人们日常必备的食物,其越来越高的消费需求使得行业对自动损伤检测和自动分类的要求日益提高。针对这一需求,近年来水果损伤自动检测成为研究的热门话题。针对现有的深度学习技术,即卷积神经网络在水果的特征提取和分类方面的应用进行了探讨,提出了一种以ResNet34作为主干网络,并在此基础上引入注意力机制SE和CBAM模块的方法来实现水果损伤的检测和基本分类。在fruit fresh and rotten for classification数据集上完成了该方法的验证。经过与VGG16,GoogLeNet,MobileNetV2等常见网络的比较分析,结果显示改进后的模型分类准确度达到98.8%。通过加入新的苹果数据集,该模型相比原网络ResNet34,在性能方面进一步提升,有效提高了模型的泛化性。该模型提升了水果损伤检测和分类处理的精确性,在实际中,可为复杂的水果图片的多特征分类处理提供借鉴。     

风力机叶片蒙皮初始裂纹的盲信号提取

针对风力机叶片初始裂纹特征难以提取的问题,提出了一种逐步提取并消减噪声源信号从而获得微弱裂纹故障特征的盲提取方法.首先基于卷积混合模型极小化改进代价函数推导自适应学习迭代算式,在仿真实验中确定非线性激励函数和滤波器的传输函数,根据输出信号的性能参数证明了改进算法对尖峰噪声的异常点更加敏感稳健.在风力机叶片疲劳实验台上模拟叶片蒙皮的初始横向裂纹,通过声发射信号采集系统获得观测信号,分析噪声源的特性并提取了初始裂纹的声发射信号特征,为风力机叶片状态监测和预警提供了依据.     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

基于数据融合和“能量-损伤”的结构状态特征提取

基于一致性数据融合算法和小波包分析,提出了结构状态特征提取方法。采用改进的一致性算法融合多传感器的测量数据,克服了一致性算法中两传感器在测量精度不同时置信距离不同的缺点,对支持矩阵进行模糊化处理,并采用"能量-损伤"特征提取技术对融合后的多传感器测量数据进行处理。利用5层框架结构的数值算例对比了结构各层加速度信号与融合后加速度信号构造的特征向量。结果表明,融合后加速度信号构造的特征向量包含了结构不同位置的不同状态信息,能够全面描述结构的工作状态。