航空发动机轴承故障结构化贝叶斯稀疏表示

航空发动机轴承振动信号中与故障关联的瞬时冲击成分在时频变换域上不仅具有稀疏性,还具有某些结构特征,而传统的以正交匹配追踪（OMP）算法为代表的贪婪类及其改进重构方法,通常仅利用了信号整体的稀疏性,未考虑结构性干扰可能造成的影响,导致算法求解效率较低。针对这一问题,提出了一种参数优化字典的结构化贝叶斯稀疏表示方法。首先,在OMP算法基础上,基于贝叶斯概率模型,研究了一种能够促进稀疏重构效果的结构化贝叶斯正交匹配追踪（SBOMP）稀疏表示模型,实现对信号的稀疏表示求解。其次,针对轴承故障振动信号的特性,构建能更好的匹配分析信号的时频冲击原子库,降低了字典的冗余程度,并将灰狼优化算法（GWO）引入到基于时频冲击字典的SBOMP模型中,为SBOMP模型提供高效的原子选取策略,降低了稀疏模型的复杂度。仿真与实验结果表明：所提方法能够更有效降低背景噪声和杂质频率的干扰,验证了所提方法对航空发动机轴承故障特征提取的有效性和适用性。     

非完备先验知识下的滑动轴承摩擦状态识别

针对监测系统通常无法全部获取轴承摩擦退化状态的先验知识,无法建立全摩擦状态的识别模型,从状态间的相似性出发,提出一种无先验知识下的基于灰色B型绝对关联度（AGRDB）和稀疏编码的滑动轴承状态识别方法。针对稀疏表示不具有监督性的缺陷,在稀疏编码的目标函数中引入AGRDB算法,训练类间距离最大、类内距离最小的正常润滑和严重摩擦的编码;在相同字典下建立具有一致判别性的稀疏表示模型,通过比较当前状态与正常润滑、严重摩擦的稀疏编码与重构误差,进一步识别当前轴承的状态,仿真信号和柴油机轴承实验的结果表明:所提方法能够在较少先验知识下识别出滑动轴承的早期摩擦状态（100~216min）和严重摩擦状态（216~384min）,且算法简单,适合较少样本下的滑动轴承摩擦故障在线监测。      

基于冲击信号的滑动轴承摩擦故障监测方法

针对滑动轴承声发射（AE）信号干扰严重、故障信号难分离、轴承摩擦故障监测难的问题,从不同信号的激励源作用形式出发,根据冲击信号的工作脉冲特征,建立了分离相对容易的干扰信号与轴承摩擦故障的联系,提出一种基于干扰信号监测滑动轴承故障的方法。首先,依靠K均值奇异值分解（K SVD）字典对冲击特征的捕捉能力,确定冲击脉冲产生的时刻;为了锐化和增强冲击信号,通过Hilbert包络解调出冲击包络信号。其次,引入钟形脉冲参数,通过钟形脉冲拟合单个冲击包络信号,并进一步推导出冲击包络信号的强度简化计算公式,用于滑动轴承接触摩擦故障识别。最后通过实验模拟了滑动轴承切断供油后的轴瓦摩擦过程,与AE传统特征相比,所提特征更容易识别轴承的早期摩擦故障,能够完整描述轴承的摩擦的全过程,且计算效率更高,为滑动轴承接触摩擦故障诊断提供了一种新的途径。      

风电场雷达杂波动态重构抑制方法

随着风电场的大范围建设，风轮机杂波对雷达的干扰问题日益严重，常规杂波抑制方法难以有效解决风轮机杂波（WTC）干扰问题，因此提出了一种利用动态字典对风轮机杂波进行稀疏重构进而抑制的方法。首先，建立了WTC干扰下的雷达信号模型并分析了风轮机杂波的信号特征。其次，依据WTC的时频特征提出了一种微动参数粗估计方法，利用粗估计结果缩小了字典稀疏重构参数范围，在此基础上利用正交匹配追踪（OMP）算法对字典进行动态生成，并逐级更新字典原子。最后，通过动态字典对风轮机杂波信号进行稀疏重构，从而实现了对WTC的有效抑制。通过仿真实验，分析了风轮机杂波对目标检测的干扰影响，验证了基于动态稀疏重构的风电场杂波抑制方法在不同情况下的有效性。     

基于压缩感知的信源个数与信号参数估计算法

信源个数与信号参数估计是盲信号处理的关键环节,对后续信号的侦察处理意义重大。针对当前盲信号信源个数与信源参数估计研究割裂的问题,提出了一种联合估计算法。通过分析信号的稀疏系数在不同测量矩阵相同稀疏字典下位置相同的特点,提高了信源个数和信号参数的估计精度,实现算法的自适应控制;通过数理分析确定了多级搜索策略的最优级次,大大降低了稀疏字典的原子数目。仿真结果表明：算法在一定信噪比下能够实现信源个数和信号参数的有效估计;信源个数和信号参数的估计精度随着压缩比的降低而逐渐提高,随着信噪比的提高而逐步增强;噪声对信源个数和信号参数估计精度的影响很大,尤其是低信噪比下;第2个信源载波频率和调频斜率的估计误差明显高于第1个信源参数的估计误差。     

基于零空间追踪算法的滚动轴承故障诊断

提出了一种基于零空间追踪算法（NSP）的滚动轴承故障诊断方法,首先依据轴承故障机理建立轴承故障振动信号模型,并构造基于轴承故障振动信号特征的零空间微分算子,然后利用所构造微分算子将待分析混合信号分解为一系列含有轴承故障特征的窄带信号的叠加,最后通过调整算法中的参数实现轴承故障的特征提取。仿真与实验信号分析结果表明,该方法可以有效进行滚动轴承的早期故障特征提取及复合故障的分离。     

航天轴承摩擦力矩的参数-非参数融合性分析

提出参数-非参数融合性方法分析航天轴承摩擦力矩性能,该方法用统计方法判断航天轴承摩擦力矩的基本特征;用符号判断法确定航天轴承摩擦力矩的时序特征;用秩和判断法判断航天轴承摩擦力矩状态特征;融合3种方法系统分析航天轴承摩擦力矩总体性能,实现航天轴承摩擦性能的评估.该方法可以降低数据符号,偏离平均值较大、较小及不同数据排列顺序对航天轴承总体性能的影响,正确反映航天轴承的工作性能和稳定性能、时序特征及状态特征,全面系统地揭示航天轴承的总体性能.根据工作性能与稳定性能,性能比较好的航天轴承被确定,进一步根据航天轴承的时序特征和状态特征选出总体性能最优的轴承,置信水平可以达到99%,和现行选用的航天轴承一致,表明该方法反映航天轴承摩擦力矩信息多,可以从少数航天轴承中得到总体性能最优的轴承.      

基于原子加权稀疏表示的图像融合算法

图像融合一直以来都是图像处理与机器视觉领域中极其重要的研究方向,而稀疏表示(Sparse Representation,SR)是当前应用最为广泛的图像表示理论之一.针对传统的基于稀疏表示的图像融合策略对超完备字典信息利用不足的问题,提出了基于原子加权稀疏表示(Atom?weighted Sparse Represent...     

一种基于连续小波变换的滚动轴承早期故障诊断新方法

滚动轴承早期失效阶段,特征信号微弱,并且受传递路径衰减及环境噪声影响,故障识别相对困难。针对这一问题,提出一种基于连续小波变换的轴承早期故障诊断方法。对原始信号进行连续小波变换,利用不同尺度小波系数进行信号重构,从而得到相应尺度下的信号分量,为了获取包含尽可能多的故障信息的信号分量,以峭度为指导标准对重构信号分量做合并处理,并利用相关系数准则剔除冗余信号分量,从保留信号分量中筛选出峭度值最大的分量,将其作为最佳分量用于进一步包络解调运算,通过分析包络谱判断轴承的故障类型。利用所述方法处理轴承早期故障仿真及实测信号,均成功提取出微弱特征信息,由此表明该方法可实现滚动轴承早期故障的精确诊断。     

基于改进K-SVD字典训练的涡扇发动机气路突变故障稀疏诊断方法

以典型气路突变故障信号的稀疏特性为基础,通过对涡扇发动机部件特征原子组进行分类,提出了改进K-奇异值分解(K-singular value decomposition,K-SVD)字典训练的稀疏诊断方法,并结合气路典型突变故障开展了仿真实验研究。仿真结果表明:相比于拓展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法,改进K-SVD方法对故障定位准确,无故障部件健康参数变化为0,可有效提高故障部件辨识度,避免误诊断;计算耗时与EKF方法基本相等,仅为UKF方法的03%,是一种有效的航空发动机气路突变故障在线诊断方法。     

Impulse feature extraction method for machinery fault detection using fusion sparse coding and online dictionary learning

Impulse components in vibration signals are important fault features of complex machines. Sparse coding(SC) algorithm has been introduced as an impulse feature extraction method, but it could not guarantee a satisfactory performance in processing vibration signals with heavy background noises. In this paper, a method based on fusion sparse coding(FSC) and online dictionary learning is proposed to extract impulses efficiently. Firstly, fusion scheme of different sparse coding algorithms is presented to ensure higher reconstruction accuracy. Then, an improved online dictionary learning method using FSC scheme is established to obtain redundant dictionary and it can capture specific features of training samples and reconstruct the sparse approximation of vibration signals. Simulation shows that this method has a good performance in solving sparse coefficients and training redundant dictionary compared with other methods. Lastly, the proposed method is further applied to processing aircraft engine rotor vibration signals. Compared with other feature extraction approaches, our method can extract impulse features accurately and efficiently from heavy noisy vibration signal, which has significant supports for machinery fault detection and diagnosis.     

A novel sparse feature extraction method based on sparse signal via dual-channel self-adaptive TQWT

Sparse signal is a kind of sparse matrices which can carry fault information and simplify the signal at the same time. This can effectively reduce the cost of signal storage, improve the efficiency of data transmission, and ultimately save the cost of equipment fault diagnosis in the aviation field. At present, the existing sparse decomposition methods generally extract sparse fault characteristics signals based on orthogonal basis atoms, which limits the adaptability of sparse decomposition. In this paper, a self-adaptive atom is extracted by the improved dual-channel tunable Q-factor wavelet transform (TQWT) method to construct a self-adaptive complete dictionary. Finally, the sparse signal is obtained by the orthogonal matching pursuit (OMP) algorithm. The atoms obtained by this method are more flexible, and are no longer constrained to an orthogonal basis to reflect the oscillation characteristics of signals. Therefore, the sparse signal can better extract the fault characteristics. The simulation and experimental results show that the self-adaptive dictionary with the atom extracted from the dual-channel TQWT has a stronger decomposition freedom and signal matching ability than orthogonal basis dictionaries, such as discrete cosine transform (DCT), discrete Hartley transform (DHT) and discrete wavelet transform (DWT). In addition, the sparse signal extracted by the self-adaptive complete dictionary can reflect the time-domain characteristics of the vibration signals, and can more accurately extract the bearing fault feature frequency.     

基于稀疏和冗余表示的图像融合方法

为了产生能提供更多信息的融合图像,提出了一种基于SRR(Sparse and Redundant Represent,稀疏和冗余表示)理论的图像融合方法。该方法首先采用训练所得的冗余字典对原始图像进行稀疏表示,然后对系数矩阵采用1-范数取大融合规则进行融合,最后对融合系数矩阵和冗余字典进行重建以得到融合图像。将该方法与拉普拉斯变换、PCA(Principal Component Analysis,主成分分析)、DWT(Discrete Wavelet Transform,离散小波变换)、CVT(Cur Velet Transform,曲波变换)和NSCT(Non-Subsampled Contourlet Transform,非下采样轮廓波变换)等方法在几组图像上进行比较,实验结果表明,该方法在一定程度上提高了融合图像的质量,在主观和客观上都具有较好的性能。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法.首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习.其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复...     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法

针对基于机匣测点信号的航空发动机滚动轴承早期故障诊断问题,提出了一种基于正则化多核判别分析的融合诊断方法.该方法首先提取多种类型的滚动轴承故障特征;然后采用相同的一组核参数为不同类型的特征分别构造一组核矩阵,并将所有核矩阵组合在一起;最后通过求解一个半无限线性规划得到该组核矩阵关于正则化核判别分析的目标函数的最优线性组合系数,进一步采用该系数计算所有核矩阵的线性组合,从而实现多种类型特征信息的融合.实验结果表明:该方法诊断正确率与采用单一类型特征诊断的最高正确率相比提高了9.25%,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平.      

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。     

基于自适应双稳态随机共振的中介轴承故障诊断方法

针对航空发动机中介轴承故障信号微弱,故障特征提取困难的问题,提出了基于容忍遗传算法（TAGA）的自适应双稳态随机共振（BSR）的中介轴承故障诊断方法。在传统自适应遗传算法中引入容忍度思想,建立一种容忍遗传算法,采用容忍遗传算法对双稳态随机共振系统的结构参数a,b进行优化,建立自适应双稳态随机共振系统对故障信号进行处理。为验证该方法的有效性,搭建了中介轴承故障模拟实验系统,开展中介轴承内圈和外圈故障模拟实验。采用该方法分别对仿真信号和实验信号进行处理。结果表明:该方法能够对故障信号进行增强,提升了故障特征频率提取能力。自适应优化结构参数后,提取的特征频率与故障频率理论值的误差小于0.1%。