旋翼振动监测信号的演化分析与损伤跟踪方法

为获得一种对损伤敏感而对正常状态扰动不敏感的旋翼损伤观测信号、解决直升机旋翼在飞行状态下的损伤监测问题,研究了旋翼在重构相空间中的损伤演化特性并提出一种新的损伤跟踪方法。该方法首先应用嵌入技术将旋翼气弹有限元模型产生的振动监测信号重构到维数更高的相空间中,采用非线性Volterra级数建立旋翼基准状态预测模型,以基准状态预测结果与实测相轨迹之件的差异作为状态预测残差,在多个邻域内对其统计平均形成一个损伤观测特征向量;然后,应用奇异谱分解方法从损伤观测特征向量的时间序列中提取出桨叶损伤演化的维度和趋势信息,采用双指数平滑方法建立损伤演化趋势预测模型并估计出桨叶损伤故障剩余寿命。采用桨叶损伤模型和旋翼气弹模型仿真数据验证了所提方法的可行性和有效性。结果表明:该方法能充分利用监测信号的非线性特性在高维相空间中重建系统动力学本质,以不同的时间尺度来观测系统的演化特性;具有损伤模式自动识别能力,可用于难以事先确定系统损伤演化模型或维数信息的场合。     

EEMD和分形组合技术对ECS涡轮轴承故障特征提取的研究

针对飞机环控涡轮轴承运行时的非线性动力学特性,为了更加准确地分析轴承的故障,从振动信号分析的角度,提出基于EEMD和分形维数相结合的轴承状态特征量提取方法。先对轴承正常、内圈故障、外圈故障和保持架故障等不同运行状态下的振动信号进行EEMD分解,滤除噪声信号,提高信噪比,以减小背景噪声对分形的不利影响。然后对去噪信号再进行相空间重构,计算其关联维数并进行对比分析。实验结果表明:关联维数作为非线性几何不变量可以作为环控涡轮轴承运行状态的特征量;该方法能够准确有效地识别轴承的运行状态。     

大型复杂机械系统相空间的重构技术研究

在对大型复杂机械系统动力学分析时,由于存在大量的非线性因素,很难建立比较完备的力学模型,住往利用非线性时间序列的相空间重构的思想来研究上述问题。相空间重构是对时间序列进行深层次信息挖掘的一种有效的方法。在进行相空间重构研究时,参数的选取一直都是其最重要也是最难的部分。文中论述相空间重构中嵌入维数与时间延迟的关系,根据以往算法在确定参数时造成大量的冗余计算的不足,采用基于几何不变量的G-P算法和信息论中的互信息方法分别找出嵌入维数、时间延迟的优化算法,并仿真Lorenz方程采集的数据进行算法验证。     

基于平稳小波变换的相空间重构方法

针对非线性信号特征提取问题,提出一种基于平稳小波变换的相空间重构方法.对信号进行多层平稳小波分解,利用得到的不同尺度小波系数进行相空间重构,通过局部切空间变换方法提取蕴涵在相空间高维数据集中信号的低维形态特征.仿真试验结果表明,非线性信号经过平稳小波变换后,吸引子轨迹与原有轨迹具有相似的结构.利用局部切空间变换可获得带有高斯白噪声的非线性信号的低维形态特征,该低维形态特征与原有非线性信号的吸引子轨迹相似.这种相空间重构方法较传统的方法具有一定的优势,可以用于提取含有噪声的机械振动信号的故障特征.     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

基于非线性多参数的旋转机械故障诊断方法

应用关联维数、李亚谱诺夫指数等非线性多参数对旋转机械故障诊断进行研究。对所采集的模拟旋转机械振动故障信号,运用相空间重构理论对其时间序列重构。为使重构相空间能充分地反映系统运动特征,对不同故障信号的时间延迟与嵌入维数确定问题进行研究,计算出不同故障信号的关联维数、李亚谱诺夫指数、复杂度和近似熵四个非线性特征量。在此基础上对四个非线性参数进行融合,并定义为非线性度,用这一特征量对故障信号特征进行提取与识别。由于非线性度是关联维数、李亚谱诺夫指数、复杂度和近似熵多参数的综合,更有利于分析识别故障信号,增强可靠性。研究表明:故障类型不同,非线性度指数不同,验证了这一非线性特征量是表征不同故障信息的有效参数。此研究为复杂旋转机械故障诊断提供一种识别方法。     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

基于微分熵与RQA的电能质量扰动分析

基于非线性混沌和相空间重构理论,将电能质量扰动信号序列重构到高维相空间,进行递归图(RP)分析。采用微分熵法对电能质量信号进行相空间重构,避免分别求取嵌入维数和延迟时间的不一致性;引入递归定量分析(RQA)进行扰动的定量分析,克服传统特征提取方法对过程平稳的严格要求。利用能够表征信号发散程度的RQA参数-确定率(DET)和分层率(LAM)组成电能扰动信号识别的特征向量,根据不同电能质量扰动信号各自的分布情况,来区分不同的电能质量扰动信号。通过对6种电能质量扰动信号进行实验分析,结果表明:该方法不仅能够很直观地识别电能质量扰动信号,还能利用RQA的特征量对信号进行具体的定量分析,为电能质量扰动分析提供了高效、直观的方法。     

旋翼振动监测信号的演化分析与损伤跟踪方法

基于非线性涡流(nonlinear eddy current,简称NEC)检测技术搭建了实验系统,对Q195碳素钢和304奥氏体不锈钢两种常用核电结构材料的塑性损伤程度进行无损定量评价研究。发现材料的塑性损伤程度与非线性涡流检测信号频谱图中基频幅值、三次谐波幅值存在一定线性关系。不同材料的线性关系存在差异,Q195碳素钢的检测信号随损伤程度增大而下降,304奥氏体不锈钢的检测信号随损伤程度增大而上升。通过开发实验系统、进行塑性变形导入和非线性涡流检测实验,分析检测信号与塑性变形程度的相关性,发现检测信号中基波幅值及三次谐波幅值与检测试件的塑性变形程度具有良好相关性,验证了本研究方法对两种典型核电结构材料塑性变形无损定量评价的有效性与可行性。     

转子碰摩的非线性运动特征及相关维数分析

在分析Ｊｅｆｆｃｏｔｔ转子碰摩模型的振动响应时,若不考虑静子振动,则碰摩转子系 统的运动具有高度非线性。本文探索了采用非线性和混沌信号的时域处理方法,通 过对碰摩转子系统响应的时间序列相空间重构及其相关维数估计,分析了碰摩转子 系统几种典型运动状态及其相应的相关维数。理论分析和计算结果表明,所估计的 相关维数在不同状态下有着显著的差别,可以对碰摩转子系统不同的状态进行分 类,对碰摩转子运动特性的研究提供了一种新的方法。     

影响往复式压缩机关联维数提取的因素分析

论述了相空间重构方法影响振动信号关联维数准确性的因素。通过小波包改进算法对信号降噪,利用自相关函数法和伪相图法结合技术选择时间延迟和最近邻域发散度法确定嵌入维数,并将此法应用在较难识别的往复式压缩机轴瓦与十字头故障征兆中,获得较均一稳定的关联维数,验证了此法的准确性和有效性。     

Feature extraction of kernel regress reconstruction for fault diagnosis based on self-organizing manifold learning

The feature space extracted from vibration signals with various faults is often nonlinear and of high dimension.Currently,nonlinear dimensionality reduction methods are available for extracting low-dimensional embeddings,such as manifold learning.However,these methods are all based on manual intervention,which have some shortages in stability,and suppressing the disturbance noise.To extract features automatically,a manifold learning method with self-organization mapping is introduced for the first time.Under the non-uniform sample distribution reconstructed by the phase space,the expectation maximization(EM) iteration algorithm is used to divide the local neighborhoods adaptively without manual intervention.After that,the local tangent space alignment(LTSA) algorithm is adopted to compress the high-dimensional phase space into a more truthful low-dimensional representation.Finally,the signal is reconstructed by the kernel regression.Several typical states include the Lorenz system,engine fault with piston pin defect,and bearing fault with outer-race defect are analyzed.Compared with the LTSA and continuous wavelet transform,the results show that the background noise can be fully restrained and the entire periodic repetition of impact components is well separated and identified.A new way to automatically and precisely extract the impulsive components from mechanical signals is proposed.     

基于相空间重构的半导体制造系统日产出预测

半导体制造系统的生产作业计划与调度优化困难、可行性较低的现状,对半导体制造系统的日产出预测提出了需求。在对预测研究现状进行分析的基础上,针对半导体制造系统的日产出时间序列体现的非线性的确定性而又类似随机的特点,提出一种基于混沌相空间重构的蚂蚁—神经网络模型的预测方法。混沌相空间重构理论用于日产出时间序列的重构;神经网络用于日产出预测模型的构建;蚂蚁算法用于神经网络预测模型的权值和阈值参数的训练。通过某企业的实际生产数据进行测试,并与传统的预测方法比较,证明了该预测方法的有效性。     

Multiple manifolds analysis and its application to fault diagnosis

A novel approach to fault diagnosis is proposed using multiple manifolds analysis (MMA) to extract manifold information from the vibration signals collected from a mechanical system. The basic idea of MMA is to reconstruct a manifold by embedding time series into a high-dimensional phase space. The tangent direction of the neighborhood for each point is then used to approximate its local geometry. The variation of the multiple manifolds representing different states of the mechanical system can be revealed by performing multi-way principal component analysis. The vibration signals acquired from roller bearings are employed to validate the proposed algorithms. Test results show that the proposed MMA-based approach can interpret different machine conditions and is effective to the fault diagnosis, and the MMA-based fault clustering and trend analysis algorithms have outperformed the conventional fault diagnosis methods.     

基于局部投影降噪的低频轴承故障诊断

本文将局部投影降噪算法结合共振解调技术对低频轴承进行故障诊断。局部投影算法将时间序列先进相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中背景信号和噪场分量。综合局部投影降噪算法及共振解调技术两都的优点,对低频轴承进行了故障分析与诊断。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。