基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。      

Spatial transformation of general sampling-aliasing frequency region for rotating-blade parameter identification with emphasis on single-probe blade tip-timing measurement

Blade-health monitoring is intensely required for turbomachinery because of the high failure risk of rotating blades. Blade-Tip Timing (BTT) is considered as the most promising technique for operational blade-vibration monitoring, which obtains the parameters that characterize the blade condition from recorded signals. However, its application is hindered by severe undersampling and stringent probe layouts. An inappropriate probe layout can make most of the existing methods invalid or inaccurate. Additionally, a general conflict arises between the allowed and required layouts because of arrangement restrictions. For the sake of economy and safety, parameter identification based on fewer probes has been preferred by users. In this work, a spatial-transformation-based method for parameter identification is proposed based on a single-probe BTT measurement. To present the general Sampling-Aliasing Frequency (SAFE) map definition, the traditional time–frequency analysis methods are extended to a time-sampling frequency. Then, a SAFE map is projected onto a parameter space using spatial transformation to extract the slope and intercept parameters, which can be physically interpreted as an engine order and a natural frequency using coordinate transformation. Finally, the effectiveness and robustness of the proposed method are verified by simulations and experiments under uniformly and nonuniformly variable speed conditions.     

基于时频切片分解的时变系统参数识别

系统参数识别分为时不变系统参数识别和时变系统参数识别两大研究方向,其中时不变系统参数识 别的研究已趋于成熟,而时变系统参数识别的研究则仍然处于起步阶段。对于多自由度时变结构,提出一种基 于时频切片分解的时变系统参数识别方法。该方法采集结构的振动位移响应,根据时频分解计算得到响应在 整个时频段内的时频能量分布图;依据结构的时频分布特性,选择多个时频切片窗分解响应信号,再对分解出 的信号分别进行逆变换计算完成时域上的信号重构;重构出来的信号对应于结构的各阶模态位移响应信号,利 用Hilbert变换提取信号瞬时频率,从而识别出结构各阶频率。通过一个三自由度的弹簧阻尼质量仿真实验, 验证了该方法具有良好的识别精度和工程实用价值。     

涡轮叶片早期裂纹的三维叶尖间隙EEMD能量熵融合诊断方法

为了解决航空发动机涡轮叶片早期裂纹故障信号微弱、难以识别的问题,提出一种基于三维叶尖间隙集成经验模态分解（EEMD）能量熵融合的涡轮叶片早期裂纹诊断方法。采集涡轮叶片三维叶尖间隙信息,利用EEMD分别对三维叶尖间隙各维信号进行处理,得到相应的固有模态函数(IMF),以此计算每一维信号分量EEMD能量熵,构建能表征叶片裂纹状态的不同EEMD能量熵高维矢量集。建立多个堆叠自动编码器(SAE)分别对各高维矢量集进行特征学习并提取所学习的深层特征表达。利用支持向量机算法(SVM)和遗传算法(GA)融合各维深层特征以综合不同维度信息进而充分判定叶片裂纹状态。通过涡轮叶片裂纹诊断试验,结果表明:所提方法能有效提高叶片早期裂纹诊断精度,其平均准确率达到98.415%,标准差仅为0.697%,具有很好的稳定性、泛化性和自适应性。     

Synchronized perturbation elimination and DOA estimation via signal selection mechanism and parallel deep capsule networks in multipath environment

State-of-the-art model-driven Direction-Of-Arrival (DOA) estimation methods for multipath signals face great challenges in practical application because of the dependence on the precise multipath model. In this paper, we introduce a framework, based on deep learning, for synchronizing perturbation auto-elimination with effective DOA estimation in multipath environment. Firstly, a signal selection mechanism is introduced to roughly locate specific signals to spatial subregion via frequency domain filters and compressive sensing-based method. Then, we set the mean of the correlation matrix’s row vectors as the input feature to construct the spatial spectrum by the corresponding single network within the parallel deep capsule networks. The proposed method enhances the generalization capability to untrained scenarios and the adaptability to non-ideal conditions, e.g., lower SNRs, smaller snapshots, unknown reflection coefficients and perturbational steering vectors, which make up for the defects of the previous model-driven methods. Simulations are carried out to demonstrate the superiority of the proposed method.     

复杂电磁条件下的辐射源信号分离方法

针对复杂电磁环境下的辐射源信号分离问题,提出了一种基于数字信道化的分离方法。该方法首先基于滑动离散傅里叶变换设计了二级信道化结构,该结构可将不同类型的同时到达信号划分至不同信道;随后,设计跟踪滤波器对各信道输出峰值进行跟踪,利用跟踪结果完成时域交叠信号在时频域的分离,并在此基础上通过反变换获得不同信号的时域波形;仿真实验验证了文中所提算法的有效性。     

多模态时域振动衰减信号各模态分离与阻尼参数辨识方法

针对多模态信号中各模态难以准确分离和模态阻尼参数难以准确识别的问题,提出了布谷鸟搜索(CS)算法参数优化的变分模态分解方法 (CS-VMD)和模态阻尼参数辨识的包络线积分法(EIM)。使用CS-VMD方法将多模态时域振动衰减信号中的多模态分量准确分离开来,利用EIM辨识各模态的模态频率和阻尼比,并与理论值(或测量值)以及半功率带宽法(HPB)辨识值进行对比。位移仿真信号与压气机导向叶片测频信号模态分解及模态参数辨识表明,CS-VMD方法可实现对多模态信号的正确分解,EIM辨识的模态频率误差均小于1.0%;对于位移仿真信号,EIM辨识的模态阻尼比最大误差小于2.5%;对于压气机导向叶片测频信号,使用EIM和HPB方法辨识的模态阻尼比最大差别为9.098%,EIM的模态阻尼辨识精度比HPB方法高。     

基于LTSA融合降维法的滚动轴承可靠性评估方法

为了保障滚动轴承在给定工况下安全平稳地运行,提出了一种基于局部切空间排列（LTSA）和威布尔比例故障率模型（WPHM）的滚动轴承可靠性评估方法。该方法提取滚动轴承整个寿命周期的时域、频域、时频域及统计等不同分析域上的特征指标,从中筛选出包含滚动轴承运行状态的特征指标,构建出高维多域特征集;利用局部切空间排列算法对高维多域特征集进行融合降维,得到可全面反映滚动轴承性能退化趋势的综合特征指标作为WPHM的响应协变量进行可靠性评估。通过滚动轴承的寿命试验,得到该试验轴承的寿命为491 min。该方法能够得出轴承在489 min左右失效,寿命误差小于1%,故验证了该方法可以对滚动轴承的运行可靠性进行有效地评估。      

基于功率复用的椭圆球面波函数非正交调制方法

围绕如何降低基于椭圆球面波函数的非正交调制（PSWF-NPSM）系统误码率，降低信号检测复杂度，引入调制信号功率复用思想，提出基于功率复用的椭圆球面波函数非正交调制（PD-PSWF-NPSM）方法。该方法对载波信号按子波带进行功率分配，增加了调制信号最小欧式距离，降低了系统误码率；在接收端，提出基于检测统计量的串行干扰相消信号检测方法，依据不同支路信号间功率差异，对信号进行分离、检测。理论与仿真分析表明，该方法在不降低系统频带利用率、调制信号功率谱、峰均功率比特性前提下，能够有效提高系统误码性能，降低调制信号检测复杂度；与原非正交调制方法相比，当误比特率（BER）为10^-5时，所提方法系统误码性能提升约1.7 dB。     

基于HHT的航空直流串行电弧特征提取方法

由于飞机内部布线空间有限、电弧故障存在发生时间地点随机以及特征不明显等问题，导致检测困难。本文基于航空270 V高压直流（HVDC）系统开展直流串行电弧故障特征提取方法研究，采用希尔伯特黄变换（HHT）提取电弧电流交流分量的时域和频域特征量。选择HHT的固有模态函数IMF5瞬时幅值的峰峰值和标准差作为识别电弧故障的时域特征，与原始信号中提取的时域特征量对比，正常和电弧特征量的区分度更大；选择HHT的固有模态函数IMF1+IMF2、一定频带范围内的瞬时幅值计算得到的谐波功率和作为区分正常和电弧情况的频域特征量。与常用的快速傅里叶变换（FFT）方法相比，HHT三维时频谱能够反映信号的局部特征，HHT方法计算得到的正常和电弧特征量之间的区分度更大，电弧和正常特征量的比值最高可达346。基于HHT的电弧故障特征提取方法能够更好地区分正常和电弧情况，有助于提高电弧故障的检测率，降低虚警率，具有重要的工程应用价值。     

基于Kalman滤波的高频CW电报信号自动识别

针对强噪声背景下高频CW电报信号检测算法性能严重下降、误码率较高的问题,文章提出一种基于卡尔曼滤波的高频CW电报信号同步检测识别算法。利用自同步法对CW电报信号实现位同步,进而利用卡尔曼滤波针对时变干扰噪声设置自适应阈值,对信号能量进行软判决,实现CW电报信号的自适应跟踪检测,提取有效信号进行识别。通过短波信道仿真软件和实际短波通信测试表明,该算法能够在强噪声背景下有效检测识别CW电报信号,且算法可由迭代实现。     

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解（ITD）中的线性变换,提出了一种改进的固有时间尺度分解（IITD）,在此基础上,进一步提出基于IITD近似熵（AE）和模糊C均值聚类（FCM）相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量（PR）,计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。      

基于强抗噪威格纳威利分析的滚动轴承故障诊断

为了解决威格纳威利谱(Wigner-Vile spectrum, WVS)时频分析方法对受强背景噪声影响下的滚动轴承冲击性故障信号特征提取难的问题，根据滚动轴承发生故障时呈现出的循环平稳特征，将基于2阶循环统计量的循环谱密度算法(cyclic spectral density, CSD)与WVS相结合，提出基于CSD的WVS分析方法，即循环谱密度威格纳威利谱(CSDWVS)时频分析方法。经仿真及实验验证，相对传统WVS分析方法，该方法能有效提取出强背景噪声影响下的滚动轴承内圈故障特征频率为51.9 Hz及外圈故障特征频率为32.1 Hz。      

EEMD与NRS在涡桨发动机转子故障诊断中的应用

针对涡桨发动机转子系统振动信号的非平稳特征,提出一种基于集成经验模态分解(EEMD)与邻域粗糙集(NRS)的涡桨发动机转子故障诊断方法。该方法先对转子振动信号进行EEMD,提取原始信号的时域特征和多尺度排列熵(MPE)特征,转子系统的大部分故障信息隐藏在前几个高频本征模态函数（IMFs）中,分别计算它们的时域指标、能量特征和奇异值分解(SVD)特征;利用NRS评估各个特征的属性重要度,进而选出敏感特征;将其作为支持向量机(SVM)的输入向量来对转子进行故障诊断。实验结果表明:该方法利用敏感特征集对涡桨发动机转子进行故障诊断的准确率达到了97.5%,同时剔除了大量冗余特征,具有较强的鲁棒性。      

基于LSTM和CNN的高速柱塞泵故障诊断

针对高速轴向柱塞泵容易发生空化，且目前空化故障诊断方法存在依赖手工特征提取、鲁棒性不高的问题，提出了一种基于长短时记忆（LSTM）和一维卷积神经网络（1D-CNN）相结合的空化故障诊断方法。搭建了柱塞泵故障实验台，采集柱塞泵在不同空化等级下的壳体振动信号。利用LSTM和1D-CNN搭建的分类模型对不同进口压力情况下的振动信号进行空化等级识别。实验结果表明：提出的方法能够准确地识别出4类不同的空化等级，准确率高达99.5%，同时在不附加降噪方法的情况下，具有良好的鲁棒性，在0 dB信噪比的情况下，识别准确率高达87.3%。     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。     

Investigation of lateral-directional aerodynamic parameters identification method for fly-by-wire passenger airliners

A new identification method is proposed to solve the problem of the influence on the loaded excitation signals brought by high feedback gain augmentation in lateral-directional aerodynamic parameters identification of fly-by-wire（FBW） passenger airliners. Taking for example an FBW passenger airliner model with directional relaxed-static-stability, through analysis of its signal energy distribution and airframe frequency response, a new method is proposed for signal type selection, signal parameters design, and the appropriate frequency relationship between the aileron and rudder excitation signals. A simulation validation is presented of the FBW passenger airliner＇s lateral-directional aerodynamic parameters identification. The validation result demonstrates that the designed signal can excite the lateral-directional motion mode of the FBW passenger airliner adequately and persistently. Meanwhile, the relative errors of aerodynamic parameters are less than 5%.     

基于Starlink机会信号/INS的组合导航方法

针对全球卫星导航系统(GNSS)因频点单一、落地功率低、易受电磁干扰以及存在覆盖较差区域等潜在的被拒止或被干扰导致的导航系统性能降低甚至失效的问题,提出了一种基于星链(Starlink)机会信号融合惯性导航系统(INS)的飞行器动态组合导航方法。首先分析了星链信号体制,建立了基于星链星座卫星下行机会信号的瞬时多普勒定位观测模型,设计了一种基于频率细分的快速最大似然多普勒频率估计方法,然后建立了基于扩展卡尔曼滤波(EKF)的Starlink机会信号/INS的组合导航模型,并对该导航方法进行了实验及分析。结果表明,该方法可为飞行器提供长航时、连续、高精度的导航。动态飞行情况下,该方法可实现平均优于25 m的三维定位精度和平均优于0.1 m/s的速度估计精度,比相同观测时间下的惯导精度提高了1～2个数量级,显著提高了飞行器的导航精度,可为战略导航提供方法和技术支撑。     

平台式重力仪航空重力测量数据后处理技术研究

针对航空重力测量对数据后处理的要求,结合平台式重力仪系统的组成与工作原理,在重力异常信号的频域特征基础上,设计出一套有严格频域规范的航空重力数据后处理流程,并对某海域实测数据进行了处理。结果表明,重力异常值内符合精度为12条东西测线达到0.43mGal/140s和0.84mGal/100s,4条南北测线达到0.39mGal/140s和0.79mGal/100s;以同测线GT-2A单次测量结果为标准值统计标准差,12条东西测线为0.72mGal/140s和0.98mGal/100s,4条南北测线为1.41mGal/140s和1.53mGal/100s。结果表明,设计的航空重力测量数据后处理方法可以实现重力异常信号的高精度提取。     

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。