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。     

基于Duffing方程的齿轮故障检测方法研究

提出一种基于修正Duffing方程间歇混沌理论的弱信号检测新方法.在该检测方法中,当输入信号频率与系统激励频率之间存在微小偏差时系统输出为间歇混沌信号,且其频率偏差可由输出混沌信号的统计特性进行估计.数值仿真结果表明这种方法可以准确检测出信噪比很低的微弱正弦信号.最后,利用实验平台采集齿轮振动声信号数据,分别采用频谱分析法和混沌弱信号检测法对实验数据进行检测,结果表明混沌弱信号检测法具有更高的检测精度和更强的抗干扰能力.     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

改进的TQWT在滚动轴承早期故障诊断的应用

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

基于混沌振子和小波理论的轴承故障诊断方法

分析了小波理论和混沌振子检测微弱信号的方法。并在此基础上,将小波分析思想和混沌振子检测方法相结合组成联合测量系统。经过仿真试验,联合测量系统在检测微弱信号方面可以得到比较理想的效果。将此方法应用到滚动轴承的故障诊断中,准确地判断出了轴承的故障。     

基于混沌振子微弱信号检测的改进与比较

为实现强噪声背景下微弱信号的检测,利用混沌系统非平衡相变对系统参数的扰动和对噪声具有免疫力的特点,根据Holmes型的Duffing振子检测系统的检测原理以及Melnikov方法,对Duffing方程的非线性项进行了改进,非线性项取（-x^4＋x^5）。改进后的系统相对原来的检测系统具有更低的信噪比门限,由原来的-92．5dB降到了-111．5dB。数值计算与仿真结果证明了该方法的有效性。     

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。     

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。     

基于LabVIEW的包络谱分析在滚动轴承故障诊断中的研究

滚动轴承在故障早期故障信号非常微弱,难以提取。因此本文结合LabVIEW强大的信号处理功能对信号进行滤波然后对表征轴承故障的模态分量进行包络谱分析,经过傅里叶变换判断轴承故障信息。通过实验结果表明:基于LabVIEW的包络谱分析能够有效的辨别出滚动轴承的故障信息。     

中性点补偿电网单相故障五次谐波混沌检测方法

提出了基于混沌理论的中性点补偿电网五次谐波故障选线方法。首先，基于混沌理论研究故障背景信号的神经网络建模方法，通过神经网络的预测模型滤除故障背景信号。其次，为了检测到微弱的故障五次谐波分量，提出基于Duffing振子五次谐波相变原理的故障检测方法，并构造了Duffing振子相变检测选线方法的数值型判据。实验算例证明该选线判据具有很强的可靠性和适用性。     

基于混沌理论的微弱信号检测及自跟踪扫频电路实现

为解决工程实际中因待测信号常常被淹没在噪声背景中而传统信号检测方法难以检测等问题,将基于混沌理论的非线性信号检测技术应用到实际工程故障诊断中,开展了基于Duffing振子的微弱信号检测原理的分析,建立了混沌振子与微弱信号检测之间的关系,提出了基于Duffing振子的微弱信号检测方法,利用混沌系统相变对周期小信号的敏感性和对噪声具有免疫力的特点,设计制作了基于Duffing振子的微弱信号检测电路;对微弱信号检测的自适应进行了研究,利用AVR单片机及AD9850等芯片实现了信号检测电路的自动跟踪扫频功能,最后开展了该信号检测电路对不同频率微弱信号的检测试验。研究结果表明,用该电路可以实现在工程中常见的噪声背景下的中、低频率微弱周期信号的检测。     

检测混沌背景中微弱正弦信号的神经网络方法

提出了一种提取混沌背景中微弱正弦信号的神经网络方法。该方法利用RBF神经网络对被噪声污染的混沌背景建立最优一步预测模型，结合频域处理的方法从预测误差中提取微弱正弦信号。改善了信噪比，在混沌背景中存在白噪声和任意色噪声情况下，均能检测出微弱正弦信号，微弱正弦信号与混沌背景的检测信噪比门限最低可以达到-37dB。     

机械振动微弱慢频变信号的混沌振子检测

机械振动微弱信号的检测与识别有利于早期故障的检测与诊断。用Duffing混沌振子检测微弱振动信号具有明显的优势。提出了用混沌振子检测慢变频微弱振动信号的方法。在给出Duffing混沌振子对微弱信号检测的基本原理后，根据慢频变信号的特征，对信号进行了周期离散，提出了对暂态信号进行时域延拓的方法，分析了可行性。提出了幅频联调方法，设计了检测原理，并给出了实现步骤。结合所提出的两种方法，对带噪声的频变微弱振动信号进行了检测分析。仿真结果和实际采集信号分析结果支持了所提出方法的适用性。     

基于Duffing-Lyapunov指数的滚动轴承早期故障诊断研究

利用Duffing振子运动状态在特征信号检测中出色的信噪比特性,同时为说明振子的运动状态,引入Lyapunov指数对振子运动状态进行定量描述。为匹配合适诊断的振子阻尼系数,利用Melnikov过程研究Duffing振子混沌运动的必要条件。在此基础上,将正常与故障状态实测信号输入Duffing振子,正常状态下振子Lyapunov指数为负,故障状态下Lyapunov指数为正,据此实现滚动轴承的早期故障诊断。     

降速工况下滚动轴承微弱故障特征信号提取新方法

研究降转速工况下滚动轴承微弱故障特征信号的提取,提出了一种基于计算阶次分析、三次样条插值分析与包络谱分析相结合的新方法。基于滚动轴承微弱故障实验测得的降速工况下的转速信号和振动信号,首先对转速信号在时域内积分获得角位移-时间信号,再对该信号进行线性插值获得等角度间隔的角位移-时间信号,然后利用该时间序列对振动信号进行三次样条差值获得等角度间隔分布的重采样振动信号,最后对重采样振动信号进行包络分析及快速傅里叶变换获得阶次包络谱。通过对滚动轴承微弱故障实验信号分析,表明该方法能有效提取出滚动轴承微弱外圈故障和滚动体故障特征信息。该方法为轴承微弱故障特征信号提取提供了一种重要手段,具有广泛的应用前景。     

混沌振子在不同初值下检测弱信号的性能分析

研究了Duffing振子对策动力参数与初始值敏感的一致性,基于Duffing振子在不同初值时的仿真发现,不同初值情况下,混沌振子从混沌态过渡到大尺度周期态的过渡过程存在“周混渐变”和“混周渐变”两种,并且在过渡过程中,策动力增大的方向为周期态延时增长、混沌态延时缩短的方向,提出了利用过渡态检测微弱正弦信号的方法,基于“混周渐变”过渡态的检测,能检测的最低信噪比可达-60.7 dB,实验结果表明,这种方法非常适合检测地磁扰动信号Pc2小类中的确定频率信号.     

基于符号序列信息熵混沌特性的微弱信号检测

利用混沌振子系统的初值敏感性和对噪声免疫的特点检测微弱信号,具有高灵敏度和很好的抗噪性能,其检测的关键在于对混沌振子系统所处状态的识别.针对Duffing振子系统在信号检测领域中的应用,提出了一种基于符号序列信息熵混沌特性的微弱信号检测方法.该方法利用时间序列符号化来捕捉Duffing振子系统时域输出的大尺度特征,应用Shannon信息熵定量计算时间序列中蕴藏的确定性和随机性规律,达到自动识别特定微弱信号的目的.给出了该方法的原理和相应检测程序流程图.实验结果表明,利用该方法可以准确快速地检测出微弱信号,为混沌检测研究的实用化提供了一种有效途径.     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization, 简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。