基于声发射技术的铁路重载货车滚动轴承故障诊断研究

通过声发射检测技术对铁路重载货车滚动轴承故障进行不解体诊断,利用小波包分析技术对采集到的声发射信号进行分解和重构,提取故障信号的能量特征向量,将处理后的特征向量输入到BP神经网络进行滚动轴承故障模式识别,进而判断轴承是否发生故障以及故障的类型。经过使用大量的实际滚动轴承实验数据进行验证,其结果都表明了使用本文的方法的有效性。     

基于互补集合平均经验模态分解的滚动轴承故障诊断方法研究

针对集合经验模态分解(EEMD)的机械故障诊断方法中存在的不足,即其加入的白噪声不能完全被中和。为了克服其不足,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承故障诊断方法,提出的方法很好地克服了EEMD中存在的不足,有效地消除了IMF中的残留噪声。仿真结果表明:提出的方法明显优于EEMD方法,可以减少重构误差,提取较为准确的IMF分量。最后,将CEEMD方法应用到滚动轴承故障诊断中,实验结果表明,CEEMD方法能准确的提取滚动轴承的特征故障频率。     

基于核独立分量分析的非线性混合机械故障盲分离方法研究

提出了一种基于核独立分量分析(KICA)的非线性混合机械故障源盲分离方法,即利用核函数的优点,将信号从低维的非线性原始空间变换到高维线性特征空间,实现以线性ICA方法进行分离。仿真结果表明:与传统的ICA方法相比,本方法在处理非线性混合源盲分离上具有明显的优势,并在轴承故障信号盲分离实验中验证了它的有效性。     

基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断

针对传统卷积神经网络(Convolutional Neural Network,CNN)在直升机自动倾斜器滚动轴承噪声环境下诊断效果不佳的问题,提出一种基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断方法。该方法首先在原始振动信号中随机添加不同大小的高斯白噪声,然后利用小波变换方法构造不同噪声下的时频图,最后利用CNN对不同噪声下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公开轴承数据集开展真实诊断实验,结果表明,与传统CNN相比,极大地提高了在噪声环境下的故障识别率。     

调制信号双谱在滚动轴承故障诊断中的应用研究

如何从噪声中提取有效的故障特征频率,如何有效地解调振动信号中固有的调制分量,这种问题的存在影响诊断的精确性。为了解决这一问题,应用调制信号双谱(Modulated signal bispectrum, MSB)的信号处理方法,开发了基于信号解调特性的MSB来进行解调和降噪。首先将采集到的振动信号,使用MSB方法进行降噪和解调,得到调制信号双谱图;为准确地量化边带幅度,使用调制信号双谱-边带估计器(Modulation signal bispectrum-sideband estimator, MSB-SE)进行处理;通过选择几个次优的切片构成最佳的切片;最终,通过复合切片谱实现故障特征频率的提取,为进一步验证MSB的准确性,并用调制信号双谱相干性检测。通过对模拟信号及滚动轴承故障实验数据进行分析,验证了该方法的有效性和优越性。     

基于RBF神经网络的航空发动机轴承故障诊断

提出一种新的航空发动机滚动轴承故障诊断方法。利用小波包分解对轴承的动态信号进行分析、提取特征,采用RBF神经网络进行承故障诊断。对7类故障进行了实验,结果表明该方法具有很好的故障诊断效果。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

基于动态增添法的DBN滚动轴承故障诊断

针对深度信念网络(DBN)层数的不确定性而导致故障诊断精度不高的问题,提出了一种基于动态增添算法的DBN诊断方法。首先通过动态增添算法确定隐含层层数,之后按照逐层递减原则,设置模型的隐含层神经元节点数目;并以滚动轴承为研究对象,通过分析其训练样本与测试样本的分类误差曲线,来表明基于动态增添算法的DBN方法对滚动轴承故障的诊断精度,并针对不同深度DBN模型的诊断性能进行对比,证明了本方法在滚动轴承故障诊断方面优势明显。     

采用模糊RBF神经网络的直升机旋翼不平衡故障诊断

提出一种利用模糊径向基函数(Radial basis function,RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型。基于直升机旋翼不平衡故障模拟实验,对采集于旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析(Principal component analysis,PCA)的方法进行故障特征提取。采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率和模糊子空间对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(Support vector machine,SVM)诊断模型进行了故障识别效果对比。结果表明,模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力。     

旋翼变距拉杆关节轴承磨损故障特征及磨损程度识别

在旋翼故障试验台上设置不同程度的变距拉杆关节轴承磨损故障,分别测量其引起的机体振动信号,通过频谱分析技术提取该类故障的机体振动特征。取故障信号频谱分量作为训练和测试样本,利用径向基神经网络的良好逼近能力,实现了仅用机体振动信号来识别变距拉杆关节轴承磨损程度,识别平均误差小于10%。该诊断方法简捷可行,为进一步开发旋翼状态监测与故障诊断系统提供技术基础。     

高温结构激光扫描模态测试的降噪与参数识别

针对高温结构激光扫描模态测试中存在的噪声问题,提出了一种基于模态峰值汉克尔奇异值分解的降噪处理与模态参数识别方法。首先,将测试得到的频率响应函数(Frequency Response Function(FRF))经过FFT逆变换得到对应的时间域脉冲响应函数(Impulse Response Function(IRF)),并通过汉克尔奇异值分解(Hankel Singular Value Decomposition (HSVD)),进一步将脉冲响应函数转化为按能量从大到小顺序排列的一系列分量信号组合;其次,以恢复所有关心的模态峰值为基准,将分量信号从前到后累加,并在所关心的模态峰值完全恢复后,将剩余分量信号当作噪声舍弃掉;该步骤会去除掉信号中包含的大部分噪声,但仍会有一些残余噪声不可避免地被恢复;再次,对步骤二中提取得到的分量信号,采用基于模态峰值频率通带的迭代选取进行二次滤波,以分离出属于模态峰值的分量信号,进而将它们累加为降噪后的IRF信号,并转换至频域以获取降噪后FRF信号;最后,对降噪后的频响函数进行模态辨识以提取模态参数。本方法应用于600度高温环境下一个直板叶片的激光扫描模态测试数据的处理,结果表明频响函数中的噪声被有效滤去,模态参数可准确地提取,显示了方法的有效性和优越性。     

基于小波神经网络的混沌时间序列预测及应用

根据相空间重构理论,探讨了一种基于小波神经网络(WNN)的混沌时间序列预测方法。根据G-P算法和Takens理论,计算出混沌时间序列相空间重构所需的最小嵌入维数,以此作为网络的输入节点数。通过时频分析,使得隐节点数的选取也有了可靠的理论依据。最后对Lorenz仿真信号和滚动轴承信号进行仿真和预测,验证了方法的有效性。结果表明,对于混沌时间序列的预测,WNN网络比BP网络表现出更理想的预测效果,为非线性动态系统的预测提供了一种有效的途径。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。     

基于灰色预测模型的EMD端点效应抑制方法

为了能够有效地抑制经验模态分解(EMD)中存在的端点效应问题,本文提出一种基于数学模型和信号分析法相结合的处理方法——基于灰色预测模型的EMD端点效应抑制方法。首先利用灰色预测模型对原始信号的两端进行延拓产生有限极值点,对延拓信号的中间部分加矩形窗保证原信号不变,对延拓部分加汉宁窗让包络线拟合更加平滑,然后对处理过的信号序列进行EMD分解得到各阶固有模态分量(IMF),最后舍弃掉IMF中的延拓部分,从而实现对端点效应的有效抑制。通过对仿真信号和实验信号进行处理分析,以均方根误差法和相似系数法作为量化评价指标,将处理前后的IMF分量和原信号的组成分量作比较,表明本文改进的方法能够实现抑制端点效应的目的。     

多径信道中多用户检测和DOA估计联合处理方法

提出了一种基于三线性模型的多径信道中多用户检测和波达方向(Directionofarrival,DOA)估计联合处理方法。对阵列接收到的信号分析表明,阵列接收信号具有三线性模型特征。在分析单径信道中的三线性模型的基础上,研究了多径信道中阵列接收信号三线性模型,提出了一种改进的三线性交替最小二乘(Improvedtrilinearalternatingleastsquare,ITALS)算法,它可对多用户检测和DOA估计进行联合处理。该算法利用方向矩阵的Vandermonde特征、基于最小二乘法对方向矩阵进行重构和DOA估计。仿真结果说明,该方法具有较好的误码率性能、较快的收敛性能和精确的DOA估计性能。当DOA靠近90°时,DOA估计性能下降。     

基于正负序分离的无轴承永磁同步电机位置传感器容错控制

无轴承永磁同步电机（Bearingless permanent magnet synchronous motor, BPMSM）凭借无接触、无磨损的优异性能在工业生产中获得广泛应用，对旋转和悬浮的精确控制是保证其稳定运行的关键，需实时获取高精度的转子位置信息以实现切向力矩和径向悬浮力的解耦。为保证位置传感器故障情况下BPMSM稳定运行，文中提出一种基于正负序量分离的BPMSM传感器容错控制方案。首先，结合BPMSM数学模型，分析传感器故障对电机转矩和悬浮系统的影响。在此基础上，提出一种基于过零点检测的故障诊断函数，实时监测传感器信号故障。其次，引入旋转坐标系分析传感器信号中正序分量和负序分量的特征，分离出正序分量并提取其中的转子位置信息，构建位置检测容错系统完成故障信号到容错策略的切换，实现BPMSM在传感器故障情况下的稳定运行。最后，基于一台BPMSM实验样机对所提方案的有效性进行了充分的仿真与实验验证。     

基于改进l_1趋势滤波的滚动轴承故障诊断

针对轴承故障的振动信号滤波问题,提出了改进l1趋势滤波方法。该方法滤波效果由规则化参数决定,一般根据原始信号的特征信息来确定这个参数。为了提升适用性,最佳规则化参数通过与最大值之间的线性关系来选取。通过实际轴承的内、外圈故障振动信号分析发现,该方法能提取轴承故障特征。同时,相比于经验模态分解方法,改进方法具有更好的特征提取效果。     

基于神经网络的直升机自动倾斜器轴承故障诊断方法

为了进一步提高直升机的安全性，利用BP神经网络和RBF神经网络对直升机自动倾斜器轴承进行故障诊断。完成了直升机自动倾斜器轴承故障植入试验，获取了自动倾斜器轴承的故障振动数据，并进行了振动数据的特征信号提取。采用振动数据特征信号的多参数融合作为神经网络的输入，对自动倾斜器轴承故障进行诊断，获得了较高的故障诊断率。采用基于神经网络的故障诊断方法，自动倾斜器轴承各类故障的最高故障诊断率均大于89%。     

超声相关加权合成断面成像检测方法研究

本文首先介绍了合成孔径聚焦超声成像的基本原理。针对提高成像的分辨率和信噪比问题，研究了原始采样信号的相关性，提出了一种基于信号相关度加权的合成新算法和原始数据预处理方法。利用改进方法对试样进行了断面成像实验，实验结果表明：与传统的延时一叠加合成孔径算法相比，新方法提高了图像的横向分辨率和信噪比，改善了图像质量。     

基于矩阵奇异值分解的信号非周期性程度指标

首先基于矩划值分解给出信号非周期性程度指标的初步定义，然后进一步提出利用最大奇异值对应的信号分量的各段之能量熵对指标进行修正的方法，并对信号奇异值分解矩阵的构造方法作了重大改进。经若干仿真信号和实测信号的测试说明，提出并改进的非周期性程度指标的性能良好。