改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分。傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIBFs数量,如信号本身调制成分太多或受噪声影响太大,则直接运用傅里叶分解算法(FDM)会产生大量无意义的FIBFs,造成大量计算时间浪费,增加数据处理难度。为此,提出一种改进的FDM方法,该方法使用快速谱峭度法对故障信号进行预处理,自适应地确定滤波器的最佳参数及故障所在频带,然后仅在该频带上使用改进的FDM分解,因此在准确提取出故障频率成分的同时极大地减少计算量。对仿真及轴承实际故障信号的分析结果表明,该方法能更准确识别故障特征。     

自适应窗口旋转同步压缩变换及其在电机转速估计上的应用

针对同步压缩变换(Synchrosueezing Transform,SST)中短时傅里叶变换(Short-time Fourier Transform,STFT),固定窗效应在处理非线性时变信号上的不足,提出了一种自适应窗口旋转短时傅里叶变换(Adaptive Window Rotating Short Time Fourier Transform,AWRSTFT)方法,该方法通过自适应匹配一系列的旋转算子,实现信号在全局上的频率带宽最小。进一步地,在SST的框架下,用AWRSST方法替换STFT,提出了自适应窗口旋转同步压缩变换(Adaptive Window Rotating Synchrosueezing Transform,AWRSST)方法,并用于电机转速信号的处理,该方法能够兼顾AWRSTFT和SST的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平。通过数值仿真和电机转速估计实验,验证了该方法的有效性。     

基于 CSA-NARX 模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络( NARX )进行研究,利用变色龙优化算法( CSA )对其关键参数进行优化,提出了 CSA-NARX 神经网络模型。该模型在计算速度以及预测精度方面皆优于 NARX 基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了 97% 。以传统的非平稳时间序列分析模型 ARMA 和 LSTM 为对比,所提出模型的精度更高,验证了所提出模型的有效性。     

高阶局部投影算法及其在滚动轴承故障诊断中的应用

针对局部投影降噪算法中邻域相点的质心选取问题,分析了邻域质心的选取对降噪效果所产生的影响。提出了一种高阶邻域质心的选取方法,利用高阶多项式对邻域质心进行了更为精确地估计,更好地适应了吸引子的几何形状,进一步抑制了噪声,提升了局部投影算法的降噪效果。通过数值仿真信号进行了验证,并与同样基于相空间重构的非线性时间序列降噪方法做了对比,说明了高阶局部投影算法的优越性。最后将其运用于工业现场的风机轴承故障诊断中,从频域成功地提取出了滚动轴承的故障特征。     

张量秩-(Lr,Lr,1)分解算法在机械故障盲源分离中的应用

当源信号不满足统计独立的假设,或者观测通道数少于源信号数时,经典的盲源分离方法如独立分量分析的处理效果很差。提出了一种基于张量分解模型的盲源分离算法,该方法将观测信号分解为一系列由源信号拟合的有理函数。将观测信号的每一个通道映射为L?wner矩阵并堆叠形成三维张量数据;根据L?wner矩阵的秩和源信号拟合多项式阶数的对应属性,通过张量秩-(L_r,L_r,1)将张量唯一地分解为由源信号的L?wner矩阵表示的前2个模式和由相应的混合向量表示的第3个模式,从而准确地分离出不同源信号;通过数值仿真实验和实测轴承混合故障的盲信号分析,证明了该方法在盲源分离的优良性能。     

非线性调频模式分解及在机械设备故障诊断中的应用

由于机械设备传动系统中的关键零部件如轴承的振动信号具有典型非平稳的特征,将非线调频模式分解算法引入到机械设备故障诊断中,实现了对轴承等关键零部件早期微弱故障的特征识别.该方法在变模式分解理论的基础上,利用解调算子,将宽带信号变为窄带信号,实现了复杂信号的多尺度分解,同时使得多组分信号具有较高的时频分辨率.利用该方法对具有时频交叉干扰特性的仿真信号和故障实验台的实测轴承信号进行了分析,结果表明提出的方法在复杂信号模式分解和故障特征识别方面具有明显的优势.     

基于广义交叉阈值同步压缩小波的超声信号特征提取方法

利用超声无损检测技术,对轴的表面裂纹检测时,微小裂纹回波信号常常会被各种噪声掩盖,造成裂纹无法识别和定位。为解决这一问题,提出采用广义交叉阈值同步压缩小波变换方法对超声回波信号进行分析,从时频域中识别裂纹回波信号特征并进行定位。该方法在同步压缩小波变换基础上,利用广义交叉验证估计降噪的阈值水平,不依赖于任何先验知识。具体地,通过添加基于峭度测量的预处理步骤和基于自适应硬阈值处理的后处理步骤,提高了阈值处理的效率和时频域内的降噪效果,从而实现了噪声与特征信号的有效区分。将该方法应用于轴表面微小裂纹超声回波信号的特征识别,并与连续小波变换的结果进行了对比,结果表明所提出的方法能够更精确地识别裂纹并提取裂纹出现时间点,进而判断微小裂纹的具体位置。     

基于SWD和MOMEDA的滚动轴承微弱故障特征识别

针对复杂工况下轴承微弱故障特征难以提取的问题,提出一种基于群体分解(SWD)和多点调整最优最小熵解卷积(MOMEDA)的故障诊断方法.首先,利用SWD对振动信号进行模态分解,并根据相关系数选择有用分量;然后,利用MOMEDA对选取的分量实现弱信号特征的增强;最后,通过快速傅里叶变换进行故障特征的识别.     

改进张量分解算法及在机械故障诊断中的应用

提出了一种新的基于L?wner矩阵的改进张量分解算法。张量作为高维数据的最自然的表示形式,能够最大程度地保留数据的内在结构特性,通过张量分解算法来识别信号中的有效成分并将其储存在低秩的子张量空间中。利用L?wner矩阵来实现一维信号向高维张量的表征,并通过L?wner矩阵的特性来确定张量分解的秩,接着由迭代的最小二乘法对张量进行分解,最后从分解的子张量中提取有用的信息。为了验证提出方法的有效性,分别通过数值仿真实验和实测的轴承外圈故障信号进行分析,结果提出的方法成功地提取了故障特征信息。     

基于多簇回声状态网络的边坡变形预测

由于边坡失稳是一个循序渐进的过程,利用时间序列分析的方法来预测边坡未来变形,有利于实现边坡的稳定性评价。相比于传统的时间序列分析方法,多簇回声状态网络（ＭＣＥＳＮ）采用动态储备池将输入信号转换为高维状态向量,选择一组最优的状态向量来表示与任务相关的输入动态。为了验证模型的有效性,采用差分整合移动平均自回归模型（ＡＲＩＭＡ）、回归支持向量机（ＳＶＭ）、长短期记忆网络（ＬＳＴＭ）和传统的回声状态网络（ＥＳＮ）以及ＭＣＥＳＮ对三峡船闸高边坡位移进行建模与分析,通过对比均方根误差（ＲＭＳＥ）和复相关系数,发现ＭＣＥＳＮ的预测精度和模型泛化能力更好。结果表明,ＭＣＥＳＮ在边坡变形预测具有良好的应用前景。