基于不变矩的微弱信号检测方法

由于混沌振子从混沌状态转变到大尺度周期状态时其相图的对称性将发生较大变化,提出应用Hu氏不变矩对混沌振子相图的状态进行描述,通过不变矩-策动力关系曲线确定混沌振子相图处于大尺度周期状态的左临界阈值,根据混沌振子混沌状态和大尺度周期状态下不变矩的差异实现混沌振子相图的自动识别。对仿真和工程实测信号进行了分析,结果表明,不变矩值能够准确识别混沌振子相图的状态,并具有良好的抗噪能力。     

基于Teager能量算子的改进MOMEDA方法在铁路轮对轴承故障诊断中的应用

铁道车辆轮对轴承在故障发展的早期阶段,其振动信号中故障冲击成分比较微弱,容易淹没在轮轨冲击的强背景噪声中,在根据多点峭度谱周期区间最大值选择时总是选出干扰噪声周期而非故障周期,导致所提取信号中包含的故障信息较少,难以识别轴承故障。针对这一问题,提出了基于Teager能量算子的改进MOMEDA方法,采用Teager能量算子增强原始信号的冲击性和周期性,确保MOMEDA算法选取到精确的故障周期,进而准确提取轴承故障信息,同时引入周期误差率指标,用于衡量实际周期偏离理论周期的程度。通过仿真信号与货车轮对轴承试验及高铁轴承试验的验证,可以发现该方法提取故障信息的准确性较传统方法有了很大提升。研究结果对提升现有铁路轴承故障识别的准确率具有一定的理论和应用价值。     

基于混沌理论的滚动轴承故障信号检测

针对滚动轴承早期故障信号十分微弱的问题,提出采用Duffing混沌振子对故障微弱信号进行检测的方法。对Duffing方程进行改进,实现对任意频率微弱信号的检测。分析微弱周期信号相位角对检测系统的影响,提出采用多相位混沌振子阵列来消除微弱周期信号相位角对检测系统的影响。通过仿真实验,确定检测系统由3个混沌振子构成。使用该检测系统成功检测出轴承外圈故障微弱信号,相比传统的混沌振子检测系统,缩小了检测盲区,提高了检测信噪比。     

用相位差值判别Duffing振子相变的新方法

针对Duffing振子微弱信号检测中相变(即混沌态与大尺度周期态状态的转变)判别算法复杂、计算量大等问题,推导了对Holmes型Duffing振子的增量谐波法求解方程,根据计算结果分析了相变过程中系统解的谐波特性,利用系统解与周期策动力的相位变化规律,提出一种用相位差值来判别相变的新方法.数值仿真和实验测试表明,在强噪声背景下系统相轨迹波动严重,但该方法仍能对系统相变实时准确地判别.     

轴承早期复合故障诊断的一种非线性检测方法

针对强噪声背景下的信号难于检测的问题,利用混沌阵子对周期信号的敏感性和对噪声的免疫力,提出了一种用Duffing阵子结合欧氏距离检测微弱信号的新方法。该方法采用欧氏距离确定混沌振子由混沌状态向大尺度周期状态转换的临界阈值,并利用欧氏距离的跃变自动识别混沌振子的状态。应用该方法对仿真信号和深沟球轴承的早期模拟故障信号进行分析,验证了其可行性,同时分析了相位差和噪声对于系统特性的影响,并用Simulink进行了仿真。     

基于Duffing振子的噪声背景下微弱周期信号检测

为有效地实现噪声背景下弱信号的提取,阐述了间歇混沌模型Duffing振子的混沌特性。利用Duffing振子对微弱信号具有敏感性、对噪声与频率差较大的周期干扰信号具有免疫力的特性,研究了基于Duffing振子在噪声条件下检测微弱周期信号、复合频率信号和未知频率信号的方法,用数值仿真验证了该方法的可行性。研究结果表明,基于Duffing振子的信号检测方法对极微弱周期信号检测有其独到的优势,其频率误差率在控制范围之内。     

混沌奇异谱特性研究及在滚动轴承故障诊断中的应用

研究了混沌空间结构的一种新的度量方式--混沌奇异谱,并提出一种基于混沌奇异谱特征提取的滚动轴承早期故障识别算法。给出奇异谱离散形式,并在奇异谱的稳定性分析时引入对数函数,更加敏锐地观察偏差对奇异谱值的影响。然后从几何空间角度说明奇异谱是一种基于方差极大化的空间几何结构的描述方式,表明混沌奇异谱是对混沌吸引子的空间结构的一种定量描述,且具有较强的抗噪声干扰能力。通过对Lorenz系统进行数值验证,证明了混沌奇异谱的稳定性和较强的抗噪声性能。通过实验进一步验证了该方法的有效性和实用性。     

混沌振子在微弱信号检测中的可靠性研究

针对混沌振子微弱信号检测的可靠性问题,对一种改进型混沌振子敏感特性进行分析,指出周期策动力幅值位于临界值时,初始值对系统的状态起决定性的作用,并由此定义了检测系统的敏感集.通过扰动控制方法验证噪声对振子的驱动作用相当于对初始值的扰动,发现在噪声作用下混沌振子微弱信号检测方法存在误判可能,利用所定义的敏感集对噪声背景中微弱信号的可靠检测进行了分析,为消除误判实现该微弱信号检测方法的应用提供了理论保证.     

基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

混沌理论在滚动轴承故障诊断中的应用

混沌系统对初始条件和参数极度敏感,这一特点可以用于检测早期检测噪声背景下的滚动轴承故障信号。从几个方面综述了混沌理论在轴承故障诊断中的应用现状,即滚动轴承故障诊断技术的分类与特点,混沌理论在滚动轴承故障诊断中的应用基础,混沌振子系统在轴承故障诊断中的应用,混沌动力学分析在滚动轴承故障诊断中的应用。并通过分析总结,预测了混沌理论在轴承故障诊断中的下一步研究方向。     

基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

基于增强最小熵解卷积的航空发动机故障诊断

为有效提取轴承的微弱故障特征,提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中,通过抑制滤波信号中的非周期成分,实现对周期性故障冲击的增强检测,完成轴承故障的准确辨识。仿真信号分析结果表明,所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。     

滚动轴承故障的非线性诊断方法

反映滚动轴承故障的特征周期信号处于较低频带内，容易被噪声淹没，难以检测。针对当前的诊断方法没有充分利用其故障特征频带的问题，提出了基于混沌振子的滚动轴承故障的非线性诊断方法。该方法直接检测故障的低频特征信号，完成故障诊断。讨论了该方法的适用场合，并将其应用在滚动体剥落故障的诊断上，取得了良好的效果。     

Applications of chaotic oscillator in machinery fault diagnosis

The forward detecting method is used to detect weak periodic signals by identifying the transformation of the chaotic oscillator from the chaotic state to the large-scale periodic state when a weak external periodic signal is applied. Based on the method above, in this paper, a similar method, which is devised in a reverse way, is presented. The method detects the change of a weak signal by identifying the transformation of the chaotic oscillator from the large-scale periodic state to the chaotic state when a weak external signal is applied. This paper discusses and summarizes the features and scopes of both methods in their application in the field of machinery fault diagnosis. Satisfactory results have been achieved when using both of them in the fault diagnosis of rolling bearings and automobile gearboxes. The paper also presents how to use symbol sequence statistics to automatically identify the state transformation of the chaotic oscillator.     

基于RQA与GG聚类的滚动轴承故障识别

提出递归定量分析与GG聚类相结合的滚动轴承故障识别方法。利用能够表征信号发散程度的RQA参数--确定率和分层率组成轴承故障识别的特征向量,结合GG模糊聚类实现滚动轴承故障模式识别。对实际故障数据进行分析,结果表明,该方法不仅能够识别滚动轴承的不同程度损伤,而且能够实现不同部位的轴承故障诊断。研究结果为滚动轴承故障识别提供了一种高效、直观的新方法。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

基于最大相关峭度反褶积的轴承故障诊断方法

针对滚动轴承的故障信号是周期性冲击信号这一特性,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,简称MCKD)与谱峭度(spectral kurtosis,简称SK)结合的滚动轴承早期故障诊断方法,即MCKD-SK法。利用MCKD方法可以有效提取滚动轴承早期故障信号中被噪声淹没的周期冲击成分,抑制信号中的噪声,实现信号降噪,提升原信号的峭度。利用SK方法可以选择合理频带,将信号中的低频信息从高频信息中解调出来。通过仿真与实际监测数据的分析和验证,证明MCKD-SK方法可以准确有效地诊断滚动轴承的早期故障,可用于滚动轴承早期故障的在线监测。     

基于Duffing振子检测频率未知微弱信号的新方法

针对现有混沌振子难以检测频率未知微弱信号这一难点,提出利用Duffing振子输出值的方差峰值结合遗传算法检测淹没在强噪声背景中频率未知微弱信号的一种新方法。从分析混沌系统结构参数的阈值入手,讨论了周期策动力的频率、初始相位和噪声对系统运行状态的影响;研究系统输出值方差与系统状态的对应关系,探讨待测信号频率以及与周期策动力之间相位差对状态变量方差和状态转换时间的影响。由此,提出采用具有相位偏移的Duffing振子阵列覆盖全相位,并结合遗传算法,优化求解不同频率输入信号下系统输出值方差的极值,以此得到待测信号频率的方法。该方法解决了现有混沌振子类检测方法必须已知信号频率的限制。实验结果证明了本方法能准确、快速地检测待测信号频率。新方法的状态判定简便、检测精度高、更为灵活、适应性强,为微弱信号的检测提供了新的手段。     

基于改进EEMD与混沌振子的配电网故障选线

提出改进的集合经验模态分解(MEEMD)和混沌振子相结合的电网故障微弱信号检测方法。首先,建立神经网络预测模型,通过神经网络对配网各线路零序电流进行短时预测,滤除故障信号中的背景信号;其次,为了检测配网发生单相接地故障后微弱的5次谐波信号,提出结合多尺度排列熵和完备集合经验模态分解(CEEMD)改进的改进的集合经验模态分解算法;处理已经滤除背景信号的故障信号,提取其第一固有模态函数作为混沌振子的输入。混沌振子对和内驱动力信号同频的外策动力信号有较高的敏感性,通过混沌振子输出的相图完成电网故障选线。