基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。

基于改进半监督局部保持投影算法的故障诊断

为解决在少量标记样本的条件下故障诊断困难的问题,提出一种基于改进半监督局部保持投影(ISS-LPP)的故障诊断方法。ISS-LPP算法利用部分标记样本的标签信息调整原始特征空间中样本间的权值矩阵,并根据所有样本在特征空间的分布情况自适应的调整邻域参数,寻找数据的低维本质流形,得到原始特征空间样本数据的低维特征向量和投影转换矩阵。以得到的低维特征向量为输入,建立分类器,识别和判断故障类型。将ISS-LPP算法应用于滚动轴承的故障诊断。实验结果表明:该方法能够在标记样本较少时,提高轴承的故障诊断精度。

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数(IMF),对IMF分量建立自回归(AR)模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机(LS-SVM)为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。

水面舰艇作战试验中复杂电磁环境考核设计与评估

在现代战场上,复杂、密集、动态的战场电磁环境会严重影响和制约交战双方武器装备的效能发挥及战场生存。介绍了水面舰艇作战试验中复杂电磁环境考核概况,分析了复杂电磁环境对水面舰艇作战效能的影响,设计提出了复杂电磁环境下水面舰艇作战效能考核流程、指标体系和评估方法等内容,可为水面舰艇作战试验复杂电磁环境考核提供支撑。

基于EMD和增强功率谱分析的滚动轴承故障诊断方法

针对滚动轴承振动信号的故障特征难以提取的问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和增强功率谱的分析方法。首先通过EMD分解方法将非线性、非平稳的轴承故障振动信号分解成若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后对包含轴承故障特征信息的本征模态函数分量做增强功率谱分析。仿真分析结果和实验结果表明,增强功率谱分析能够增强IMF分量中与轴承故障有关的周期脉冲信号成分,同时减弱随机噪声信号成分,消除干扰频率,得到故障信号清晰明显的频域调幅特征,从而实现滚动轴承故障的准确诊断。

压缩感知中测量矩阵构造综述

压缩感知测量矩阵构造方式多样并不断发展,为梳理现有研究成果,掌握测量矩阵发展动态,对压缩感知测量矩阵构造进行系统介绍。首先,针对传统信号采集理论存在的信息冗余问题,阐述了压缩感知理论在信号采集过程中资源利用率高、存储空间小的优势;其次,以压缩感知理论框架为基础,从测量矩阵构造原则、测量矩阵产生方法、测量矩阵结构设计、测量矩阵优化方法四个方面,对压缩感知测量矩阵构造进行分析,讨论了测量矩阵构造过程中不同原则、结构、方法的优势;最后,在总结现有研究成果的基础上,对测量矩阵的发展方向进行了展望。

融合字典学习的滑动轴承摩擦故障趋势自记忆预测

将自记忆模型引入到滑动轴承的接触摩擦故障发展趋势预测中,针对一般形式的多变量自记忆模型的不足,提出一种基于字典学习的滑动轴承摩擦故障趋势的多变量自记忆预测方法。首先,构建多变量字典,利用稀疏编码筛选出影响系统演化的主要变量。然后通过误差平方和最小原则更新不同作用形式的变量字典,确定变量影响系统演化的最佳作用形式和影响系数,最终得到多变量的系统动力核函数,解决了系统动力核与多变量关系难处理问题。最后,引入自记忆函数,将所得的系统动力核反演成一个微分-差分方程,由此得到滑动轴承的多变量自记忆预测模型。应用到实例中,有效地预测了故障的发展趋势,为滑动轴承摩擦退化趋势预测提供了一种新的途径。

基于双树复小波的重叠块阈值降噪方法

针对机械早期故障信号受到强背景噪声影响导致故障特征不明显的问题,提出一种基于双树复小波包的重叠块阈值降噪方法。利用有限冗余双树复小波包变换对信号进行具有平移不变性的稀疏分解,结合双树复小波包变换系数所具有的稀疏集簇和邻域相关性特点,建立重叠块阈值估计模型,通过最小化包含块稀疏模型的适应度函数获得估计信号,分析了重叠块阈值降噪各参数对降噪效果的影响和参数优化原则,仿真与实测信号实验结果表明,该方法在不同信号和不同噪声水平下均有效地抑制了噪声干扰,提高了信噪比。

某柴油机滑动轴承接触摩擦故障的振动特征与状态监测

针对柴油机滑动轴承振动的非稳态非线性特性,提出了一种监测滑动轴承摩擦故障的新方法。该方法首先分析了在柴油机发火燃烧时滑动轴承振动与滑动轴承接触摩擦故障的对应关系,建立了在发火燃烧时滑动轴承的接触摩擦故障特征,并依据与滑动轴承故障之间的关系提出了综合特征值公式,用于定量描述滑动轴承的摩擦故障。结果表明:该方法在线监测柴油机滑动轴承的摩擦故障简单准确,为诊断滑动轴承摩擦故障提供了新思路。

基于多层多位置稀疏的滑动轴承AE信号降噪

滑动轴承的声发射(Acoustic Emission,AE)信号噪声污染严重,限制了K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)字典算法的降噪能力。基于此,结合AE信号特点,提出了基于多层多位置稀疏的滑动轴承AE信号降噪算法。首先提出移动标尺策略重构AE信号,使信号获得多层多位置的稀疏特性,解决了K-SVD容易忽略原子间隐藏信息的问题,然后通过灰色B型绝对关联度降低字典原子冗余度,提高字典运算速度。因此,与传统的K-SVD算法相比,该算法具有更好的降噪性能。应用到实例中,该算法成功获得了滑动轴承不同程度摩擦状态的变化,证明了该算法的有效性。

基于量子Hadamard变换的滚动轴承振动信号分析方法

针对传统的滚动轴承振动信号分析方法在对信号降噪过程中容易产生的噪声信号与非噪声信号混杂的问题,提出一种基于量子Hadamard变换的信号分析方法。该方法通过将单个采样点信号量子化,深入分析每一个采样点内部信息,实现信号降噪的同时,完成对振动信号故障信息的突出表达,改善了振动信号的分析效果。实验结果表明,与传统的基于数学形态学的分析方法相比,基于量子Hadamard变换的分析方法能够有效提升滚动轴承信号的降噪效果,故障特征信号得到有效凸显。

电子信息装备人机工效试验评价

在分析电子信息装备试验鉴定最新要求的基础上,系统阐释了电子信息装备人机工效试验评估方法,以电子信息装备作战试验需求为牵引,分析了电子信息装备人机工效考核的主要内容及指标体系,给出了基于灰色系统对某舰载电子信息装备的人-机(软件)关系的评估案例。人机工效评估方法在系统定型中得到了验证,可为电子信息装备定型的工程实施提供参考。

利用VMD的双标度分形维数特征提取方法

为从机械振动信号中提取出有效特征进行故障诊断,提出一种利用变分模态分解(VMD)求取振动信号双标度分形维数的特征提取方法.变分模态分解通过迭代求解变分模型的方式将多分量的振动信号分解为若干个不同时间尺度的本征模态函数分量(IMF).在多维测度空间,某一时间段内多变量时间序列所占据的空间可以用多维超体体积进行度量.由于VMD得到的IMF本质上为多变量的时间序列,因此,利用IMF定义和计算多维超体体积,得到振动信号的时间尺度和多维超体体积的双对数曲线.根据分形理论和双对数曲线的突变点,对双对数曲线进行分段最小二乘线性拟合,定义并提取了振动信号的双标度分形维数特征.仿真结果表明,利用VMD方法估计分形维数的平均相对误差为4.71%,提高了分形维数估计的精确度.实测行星齿轮箱振动信号对比实验结果表明,利用VMD双标度分形维数特征能够更好地表征机械振动信号的分形特征,行星齿轮箱故障诊断准确率达到了100%.

基于量子高斯混合模型的振动信号降噪方法

由于机械设备振动信号受到背景噪声的干扰,造成机械设备故障状态特征不明显,因此提出了一种基于量子高斯混合模型的振动信号降噪方法。首先,对振动信号进行双树复小波包变换,对双树复小波包系数建立高斯混合模型,根据贝叶斯最大后验估计准则,得到双树复小波包系数收缩函数;然后,利用双树复小波包系数父代和子代的空间相关性,结合量子叠加态理论计算噪声信号和有用信号小波系数出现的概率值;最后,根据量子叠加态得到的概率参数值调节高斯混合模型中的小波包系数收缩函数,使小波包系数自适应非线性收缩,提高高斯混合模型的局部自适应性,实现机械振动信号的降噪处理。仿真信号和实测行星齿轮箱振动信号实验结果表明,该方法能够有效地去除振动信号中的噪声,凸显机械设备的故障状态特征。

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。

面向异构融合的飞行试验异常数据预测技术研究

通过分析影响飞行试验的相关因子特征,建立一种适用于飞行试验复杂数据异常预测的多源异构数据融合模型。基于此模型设计一种适应于一维数据的数据级多源异构数据融合算法和一种卷积神经网络图像处理算法,最后利用模糊神经网络,将数据级融合算法的结果和卷积神经网络图像处理算法的结果作为输入,设计一种基于多源异构数据融合的异常预测算法。

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。

舰载机远程维修支援系统功能设计研究

舰载机维修支援是遂行远洋任务的保障基础,多机种、长航时、高强度前推,维修保障能力跟不上、修理难问题凸显。针对短板弱项,基于AR增强现实及知识图谱等技术,提出远程维修技术支援系统的功能构想,当舰基保障不足以协助维修人员完成检修任务时,可通过系统连线远程专家会商、智能引导提供支援。