Lorenz系统的混沌信号分析与噪声分离

现实系统中采集到的时间序列往往包含有很大的噪声,这就需要实现混沌信号和噪声相分离。混沌行为是从无序到有序的中间过渡状态,非线性系统产生的确定性信号在时域或频域往往表现出类似噪声的行为。传统的线性滤波器不能分离混沌与噪声。基于混沌动力学可知,虽然混沌信号是宽谱类噪声,但它是有限维的。如果嵌入维数足够高,混沌信号就可以被吸引到一个有限维的吸引子流形上去。与之对应,在有限维的相空间中,噪声并不表现任何规律性。因此在已知系统动力学结构的情况下,可积极利用吸引子的动力学和几何特性有效地去除噪声。在Lorenz系统对混沌信号分析,利用吸引子的动力学和几何特性提出了基于局部Neymark分解的混沌信号与噪声的分离方法。即在一个局部的轨道空间内进行Neymark分解、重构,使得信号与部分噪声分离,随后利用反嵌入,纠正由于噪声影响而畸变的局部轨道,实现混沌信号的噪声抑制。完成了基于局部Neymark分解的LID检测。仿真实验的结果证明了方法的有效性。     

混沌时间序列的一种降噪算法

基于奇异谱分析的基本思想 ,提出了一种降低混沌信号中噪声的算法。对一个混沌时间序列进行奇异谱分析 ,得到各个主分量和经验正交函数 ,选择合适的阶次重构信号 ,即可得到降噪后的混沌时间序列。数值仿真证实了本算法的有效性     

基于奇异值和奇异向量的振动信号降噪方法

针对复杂的转子振动信号中同时存在随机噪声干扰和工频噪声干扰的问题,提出了基于奇异值和奇异向量相结合的降噪方法。首先,对振动信号进行奇异值分解(singular value decomposition,简称SVD),根据奇异值谱确定振动信号有效奇异值阶次;其次,对有效阶次范围内的奇异向量进行快速傅里叶变换(fast Fourier transform,简称FFT),依据幅值谱筛选出对应于工频噪声的奇异向量;最后,利用其余的奇异值和奇异向量进行重构得到降噪的时域信号。通过仿真信号和工程试验信号对该方法进行了验证,结果表明,基于奇异值和奇异向量相结合的降噪方法,不但能有效降低振动信号中的随机噪声干扰,还能有效降低工频噪声干扰,同常用的陷波器方法相比所提出方法具有明显优势。     

6-UPS并联机器人奇异姿态空间分析

对并联机器人的工作空间和奇异位形进行分析。采用分支杆许用驱动力作为并联机构奇异空间边界的判断依据,提出临界奇异和奇异空间的概念。在给出一种姿态空间描述方法的基础上,提出了一种姿态工作空间和奇异姿态空间的求解算法。通过计算机仿真,得到了6-UPS并联机器人的姿态工作空间和奇异姿态空间的可视化图形描述。     

基于信号广义统计的谱峰识别算法设计与实现

论文充分利用信号的随机特性,设计了一种新型的峰识别算法。该算法通过对实际信号进行广义统计与分析,合理设定广义标准差阈值,利用信号广义标准差特征提取谱峰信号。经理论分析和仿真实验验证,该算法简单实用,有较强的抗噪声干扰和重叠峰判断能力,能有效的实现谱图信号中的谱峰检测。     

考虑几何非线性的结构形状优化灵敏度分析

基于非线性增量有限元理论,给出了全拉格朗日描述下的空间结构优化设计有限元刚度表达式,导出了考虑几何非线性项的结构形状优化位移灵敏度和应力灵敏度的计算公式,并通过数值算例验证了公式的正确性和有效性,同时表明灵敏度分析中,考虑几何非线性项将显著提高优化设计的效率和精度。     

考虑几何非线性的结构形状优化灵敏度分析

基于非线性增量有限元理论,给出了全拉格朗日描述下的空间结构优化设计有限元刚度表达式,导出了考虑几何非线性项的结构形状优化位移灵敏度和应力灵敏度的计算公式,并通过数值算例验证了公式的正确性和有效性,同时表明灵敏度分析中,考虑几何非线性项将显著提高优化设计的效率和精度.     

智能子弹对声目标CACEMD-VDAKF跟踪算法研究

为了研究智能反坦克子弹药(BAT)对声目标机动检测与跟踪的问题,推导了适合智能子弹药系统的MUSIC估计算法,并计算了声信号的空间方位谱及功率谱,提出了一种针对信号几何窗口的变量--当前平均改变能量(current average change energy,CACE),利用该变量推导了基于当前平均改变能量的机动检测算法,将此算法与机动目标跟踪变维自适应Kalman滤波模型相结合,得到了基于当前平均改变能量的机动检测与变维自适应Kalman滤波算法(CACEMD-VDAKF);通过半实物仿真实验,计算了目标在不同运动状态下的空间功率谱和方位谱,证实了该算法对声信号处理的可行性,MATLAB仿真结果验证了CACEMD-VDAKF算法对二维声目标跟踪的有效性及稳定性.     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于信息熵的涡旋压缩机故障诊断研究

为了定量描述涡旋压缩机运行状态,在状态特征提取的基础上,从振动信号分析的思路出发,结合信息论中熵和灰关联度的理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频域小波能量谱熵和小波空间特征谱熵的故障诊断方法,并作为综合评价涡旋压缩机振动状态的定量特征指标,可实现对涡旋压缩机几种故障的较好识别,证明了该故障诊断方法的有效性。     

基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断

针对含噪信号的有效奇异值个数难以确定的问题，提出了一种改进的奇异值分解降噪方法--奇异值累积法。该方法通过计算奇异值的实际下降值与奇异值平均下降速度累积量的差值，并取该差值最大值点的位置作为有效奇异值的分界点来确定有效奇异值的个数。在此基础上，提出了一种基于奇异值累积法与快速谱峭度的滚动轴承故障诊断方法。采用奇异值累积法对原信号进行降噪处理，然后利用快速谱峭度确定滤波器中心频率及带宽，通过分析频段包络谱中明显的频率成分来诊断故障。该方法可以有效去除信号中的噪声，使得到的峭度值所反映的故障冲击更接近实际情况。对含内圈、外圈故障的滚动轴承实验数据进行分析，实验结果表明，相比快速谱峭度的故障诊断方法，该方法具有更好的故障识别效果。     

机械故障诊断的非线性动力学原理

系统地介绍故障诊断的动力学原理,重点是机械故障诊断的非线性动力学原理.将机械装备分为可建模系统和不可建模系统.对可建模系统,基于分岔理论的故障机理分析,可对某些疑难振动故障的机理、控制和预测提供指导,以旋转机械为例,介绍建模方法.对不可建模系统,根据混沌动力学理论,应用实测振动数据可对系统进行相空间重构,根据表征能量分布的奇异谱的谱型可判断故障发生的根源.通过介绍,希望引起更多学者的注意和参与,相信这个研究方向对复杂装备制造水平的全面提升和非线性动力学理论的发展都是有意义的.     

分布动态载荷识别的抗噪处理

针对正交多项式频域法在用多种响应对矩形薄板进行载荷识别中抗噪性较差的问题,综合运用平均法、矩阵预处理和奇异值截断法等方法对之进行改善,并引入空间映射的思想,将该方法的应用范围拓展为复杂的模型.利用仿真算例,证实了该方法具有较好的抗噪性.     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

奇异谱技术在机械信号分析中的应用研究

基于信号奇异谱分析思想，提出了奇异熵的概念，详细分析了信号信噪比与奇异 熵间的内在联系，并由此提出了一种在信号降噪过程中对信号奇异谱降噪阶次实现 合理定阶的新思想。     

Walsh变换在滚动轴承早期故障特征提取中的应用

依据Walsh变换具有分析微弱脉冲信号的优点,提出一种基于Walsh变换的滚动轴承早期故障特征提取方法。通过仿真及滚动轴承早期故障特征提取的实例分析,证明Walsh功率谱在故障特征提取中的敏感性及抗噪能力优于Fourier功率谱,具有较强的故障特征提取能力,凸显了滚动轴承的故障特征频率,能有效地诊断出轴承的早期微弱故障。     

基于小波和奇异谱降噪理论的轴承故障诊断研究

提出一种基于小波分析和奇异谱降噪理论的新方法，在分析滚动轴承故障特性的基础上，将奇异谱理论的障噪方法与小波分析理论结合应用于滚动轴承故障诊断中。实例表明，这种结合后的新方法能够更有效地降低噪声，突出振动信号的故障特性，从而提高设备故障诊断的准确率。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

