基于EEMD和低秩稀疏分解的超声缺陷回波检测方法

针对应用超声对金属材料微小缺陷检测时缺陷回波容易被噪声干扰的问题,提出了一种基于集合经验模态分解(EEMD)和低秩稀疏分解相结合的检测方法,以避免传统基于经验模态分解(EMD)的去噪方法难以消除结构噪声的问题.首先对缺陷检测信号进行EEMD得到一系列本征模态函数(IMF),采用基于概率密度函数的相似性测量方法选取相关模...     

基于可分离字典的稀疏和低秩表示图像去噪

目的 为了有效去除图像中的椒盐噪声,提高图像质量。方法 文中将可分离字典和低秩表示结合,提出基于可分离字典的稀疏和低秩表示算法(SLRR–SD)。首先,使用可分离字典代替传统的过完备字典可分离字典可以对二维图像直接表示。其次,使用Frobenius范数对分离字典进行约束以挖掘字典内部的低秩性。此外,为了挖掘图像内部的稀疏结构,对表示系数使用稀疏约束进一步提升表示的有效性。结果 提出的算法在噪声强度为5%、10%、20%和30%下,PSNR/FSIM的平均值分别为32.736/0.975、29.769/0.957、29.295/0.951和26.768/0.921。结论 文中算法保留了相邻列之间的相关性,并且可分离字典优化过程也降低了计算负担。实验结果表明,该算法在保留原图像信息的同时能更好地完成去噪任务。     

基于核映射稀疏表示分类的轴承故障诊断

针对传统稀疏表示分类算法在低维空间分类精度难以保证问题,论文提出了基于核映射的稀疏表示分类算法。采用核映射方法获得了低维样本在高维空间的坐标,改善了样本间的线性可分度;在此基础上,利用稀疏表示分类算法获得样本在高维空间上的稀疏解。经滚动轴承故障分类实验验证：新算法对核参数具有较高的鲁棒性;可明显提高分类精度。     

基于稀疏表示和SVM的航空发动机故障诊断

针对某型航空发动机减速器一级齿轮毂断裂问题,考虑其不易拆卸的特点,提出基于信号稀疏表示和支持向量机(Support Vector Machine,SVM)的故障诊断算法。首先,利用稀疏表示提取出最大和次大的稀疏系数作为特征向量。其次,选取支持向量机进行故障识别,在小样本学习条件下保持了较高的识别准确率。通过对简易减速器和航空发动机振动信号的分析证明了所提算法的有效性及其在工程应用中的价值。     

基于拟合误差最小化原则的奇异值分解降噪有效秩阶次确定方法

为了最大限度地提高旋转机械设备故障振动信号的信噪比,研究了奇异值分解降噪的原理,提出了一种新的奇异值分解降噪有效秩阶次的确定方法。首先,对振动信号进行相空间重构,对吸引子轨迹矩阵进行奇异值分解;然后,按不同的阶数,将奇异值分成信号组和噪声组,对每次分组的结果,以阶数为自变量、以奇异值为因变量,拟合成信号特征奇异值曲线和噪声特征奇异值曲线,并求拟合误差;最后,将拟合误差最小值对应的奇异值阶数确定为有效秩阶次,并进行奇异值分解降噪。通过数值仿真和实际齿轮故障数据分析,表明该方法可以有效地提高信号的信噪比,为后期的故障特征提取创造有利条件。     

基于共振稀疏分解和松鼠优化算法的滚动轴承故障诊断

共振稀疏分解方法在滚动轴承故障诊断方面得到广泛应用,分解参数的选取对故障分离效果起决定性影响.为保证参数选择的准确性,提出基于松鼠算法的自适应共振稀疏分解多参数优化方法.以信号低共振分量峭度最大作为目标,使用松鼠算法同时优化共振稀疏分解的品质因子与权重系数;利用最优品质因子和权重系数对滚动轴承振动信号进行共振稀疏分解,...     

基于稀疏分解的多分量线性调频信号参数估计∗

本文提出了一种多分量线性调频信号的参数估计方法。基于过完备Gabor字典的Matching Pursuit算法,可以将信号表示为Gabor原子的线性组合。这些原子有效的揭示了信号的内在时频结构特征,是信号的一种稀疏表示。本文直接利用分解得到的稀疏信息对信号中调频分量的调频率、初始频率和结束频率进行估计。仿真结果显示,该方法适用于存在强有意干扰或者有色噪声的环境。     

基于改进低秩稀疏正则化的CFRP电阻抗层析成像算法研究EI北大核心CSCD

碳纤维复合材料(carbon fiber reinforced polymer,CFRP)由于其轻质高强、抗疲劳等优势被广泛应用于航空航天领域。为确保材料使用的安全性,碳纤维复合材料的有效检测尤为重要。近年来,电阻抗层析成像(electrical impedance tomography,EIT)因其低成本、无辐射等优点已成为一种新兴的损伤监测方法并受到了广泛关注。针对电阻抗层析成像逆问题求解具有严重的病态性,提出了一种基于改进低秩稀疏正则化的电阻抗层析成像算法。首先,引入L_(p)伪范数,通过调节p的值来增强解的稀疏性、提高图像重建精度;其次,采用核范数作为解的低秩约束能有效利用先验信息提高重建质量;最后,通过分裂布雷格曼方法求解,增强算法的实时性,使成像速度保持在0.06 s。仿真与试验结果表明,改进低秩稀疏正则化算法能有效改善电极伪影、呈现出更加清晰的损伤细节并且具有较强的鲁棒性、实效性和适用性。     

辛几何模态分解方法及其分解能力研究

针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部特征尺度分解(Local Characteristic scale Decomposition,LCD)等方法的不足,提出了一种新的分析方法——辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)方法,该方法采用辛矩阵相似变换求解Hamilton矩阵的特征值,并利用其对应的特征向量重构辛几何分量(Symplectic Geometry Component,SGC),从而对复杂信号去噪的同时进行自适应分解,得到若干个SGC。通过仿真信号模型,研究了SGMD方法的分解性能、噪声鲁棒性,分析了分量信号的频率比、幅值比和初相位差对SGMD方法分解能力的影响。将SGMD方法应用于齿轮故障实验数据分析,结果表明SGMD方法能够有效地对待分解信号完成分解并剔除噪声信号。     

基于特征值分解的随机子空间算法研究

针对基于数据驱动的随机子空间法计算效率低下的问题,提出一种基于特征值分解的随机子空间算法,该方法通过对ＣＨ矩阵的特征值分解得到扩展可观测矩阵Ｔｍｉ,进而识别出系统模态参数。相比于传统算法,该算法免去了对Ｈａｎｋｌ矩阵的ＱＲ分解及投影矩阵的ＳＶＤ运算,从而大大节省了内存和计算时间。通过一个７自由度的数值仿真和重庆朝天门大桥模型的实例分析证明该方法在保持计算精度的情况下大幅度地提升了计算效率。     

基于改进判别字典学习的故障诊断方法

近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用K奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用K奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明：该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。         

基于核独立分量分析的齿轮箱故障诊断

：独立分量分析是近几年发展起来的基于信号高阶统计特性的分析方法,它是指从多个源信号的线性混合信号中分离出源信号的技术,但目前的算法在处理非线性变化的信号时还有一定的局限,而基于非线性函数空间的ICA方法—KICA,即核独立成分分析,可以解决这一问题。与传统的ICA方法相比,KICA方法具有更好的灵活性和鲁棒性。文章介绍了核独立分量的基本原理,并进行了仿真说明,最后结合包络阶次方法对齿轮箱实测的瞬态声音信号进行了分析,找到了故障特征,验证了该方法的有效性。     

基于稀疏信号功率迭代补偿的矢量传感器阵列DOA估计

针对现有稀疏信号功率迭代算法对方位相近目标分辨概率与估计精度较低问题,提出了一种稀疏信号功率迭代补偿的矢量传感器阵列波达方向(Direction of Arrival, DOA)估计方法。基于稀疏信号补偿原理和加权协方差矩阵拟合准则,构建了关于稀疏信号功率与补偿权重的目标函数。推导了稀疏信号功率迭代更新表达式的闭式解。通过对稀疏信号功率进行谱峰搜索获得DOA估计值。理论分析表明,所提算法通过对离散网格点上的信号功率进行补偿提高了方位相近目标的分辨率概率与估计精度。仿真结果表明,相较于经典子空间算法与现有稀疏功率迭代算法,所提算法对方位相近目标具有较高的分辨概率与估计精度。     

基于四区域椭圆模型的汶川8.0地震加速度峰值衰减关系拟合

利用加速度记录直接拟合衰减关系时,现行几乎所有文献都采用圆模型,以震中距或震源距为观测点坐标位置的唯一统计量。对于长断层的大震而言,等震线的圆模型假设和实际等震线图存在严重的偏差,加速度峰值在沿断层方向的长轴和垂直于断层方向的短轴衰减关系差异非常明显。提出的加速度衰减关系的四区域椭圆模型,按断层破裂方向的长轴和过断层为中心垂直于长轴的短轴将地震记录观测点位置分为四个区域,以烈度等值线为参考,给出了四个区域内各自的加速度峰值等值线的椭圆近似曲线。并在此基础上得出了汶川8.0级地震加速度峰值在两个长半轴和两个短半轴方向上的衰减关系,和圆模型相比,该模型在精度上更加可靠,且能够反映断层破裂方向效应和上下盘效应,具有较强的工程应用价值。     

基于阶次分析技术的行星齿轮箱非平稳振动信号分析

行星齿轮箱启动、停止和负载发生变化时,转速会发生变化并使得行星齿轮箱的振动信号具有明显的非平稳特性。行星齿轮箱复杂的结构特征导致了振动信号的复杂性,使得常规的频谱和解调分析方法难以识别时变工况下的行星齿轮箱故障特征频率。本文在行星齿轮箱故障特征频率的基础上,考虑转速变化特征,总结了行星齿轮箱太阳轮、行星轮及齿圈的故障阶次特征表。通过对行星齿轮箱变转速工况下太阳轮故障实验信号的阶次分析,实现了变转速情况下行星齿轮箱太阳轮故障诊断,并与传统的频域信号分析方法比较,体现了阶次分析技术在行星齿轮箱变工况故障诊断过程中的优势。     

基于稀疏AR建模信号去噪研究与应用

为去掉在不同环境、设备下所采集信号中的不同分布形态噪声,引入稀疏优化求解思路构建新的去噪算法。设信号的AR模型系数是稀疏的,且噪声对AR模型系数影响均衡分布,则可用采集的含噪声信号构建稀疏AR模型有效消除噪声。用含噪声信号构建AR系数矩阵作为过完备稀疏基,通过多次重复随机抽取方式获得多个欠定方程组;利用稀疏优化求解算法获取AR模型稀疏系数;据稀疏系数平均值重构信号。仿真实验表明,信号含噪声较大时该算法较经典小波及中值滤波去噪效果更好。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

基于齿轮传动系统横-扭-摆耦合非线性动力学模型的齿廓修形优化设计

基于齿轮传动系统动力学模型的齿廓修形优化设计可真实地反映修形参数对齿轮动态特性的影响。考虑几何偏心、陀螺力矩和齿向偏载力矩,建立了单级齿轮传动系统10自由度横-扭-摆耦合非线性动力学模型。提出了考虑齿轮实际运动状态并可适用于齿廓修形齿轮的啮合刚度模型,并采用解析法计算啮合刚度。为了降低齿轮传动系统的振动和噪声,以减小齿轮传动系统的动载系数为目标,建立了基于齿轮传动系统横-扭-摆耦合非线性动力学模型的齿廓修形优化模型。对某重载车辆齿轮传动系统进行了齿廓修形优化设计,优化结果有效的降低了齿轮的动载荷,可为设计低振动和低噪声的齿轮传动系统提供依据。     

基于优化NRS和复杂网络的柴油发电机组故障诊断

为解决柴油发电机组故障诊断中复合故障难以识别的问题,设计了一种变分模态分解、优化邻域粗糙集和社团层次聚类相结合的故障诊断方法。采用变分模态分解方法对采集的声信号进行分解,并形成初始特征集。考虑到冗余特征的影响,使用优化邻域粗糙集进行特征筛选,达到属性简约的目的。利用复杂网络中的社团结构建立故障诊断网络,通过设计社团区分准则函数找出社团结构,同时实现了故障诊断分类。试验表明,所提方法的故障诊断率达到了99.17%,其有效性及优越性得到了充分证实。