周期稀疏导向超小波在风力发电设备发电机轴承故障诊断中的应用

机械故障特征提取的内积变换原理要求匹配基函数与目标特征之间的相似性。在缺乏故障特征的精确信息这一不利条件下,根据故障呈现出的确定性以及统计特性能够有效指导基函数的选择和构造针对发电机轴承发生故障时常伴随周期性特征的先验知识,提出冲击故障特征周期性稀疏为导向的超小波构造方法。所提出的超小波变换利用可调品质因数小波变换作为匹配字典库,从而改进经典的基于单一固定基函数的小波分析思想。在技术路线上:首先采用超小波字典库对信号进行分解,计算各小波尺度上的周期性稀疏故障特征能量权重指标;以该权重指标优化为目标函数作为评价超小波字典与微弱故障特征匹配相适度的依据选择的可调品质因数小波最优刻画参数(即最优超小波);利用最优的超小波基函数对信号进行最终分解,获取其中的关键故障特征。所提出方法成功地应用于某风力发电机组上发电机轴承故障诊断,从中提取振动信号中隐藏的微弱冲击性故障特征。

冲击特征受控极小化通用稀疏表示及其在机械故障诊断中的应用

针对强背景噪声下机械故障微弱暂态特征表示和有效提取的难题,提出了通用的稀疏优化特征提取算法。算法针对含噪声冲击性特征提取问题设计了稀疏优化表征函数,该函数融合了冲击特征的保真度与惩罚函数因子,考虑了正则化参数以适应不同工程背景下各分析因子的实际影响,实现处理结果稀疏性极大化。同时,引入受控极小化方法对设计的表征函数进行转化,分解成一系列凸优化分析问题。提出了针对离散信号的有限差分式数值迭代算法,验证了其快速收敛性和数值稳定性,提出的算法对机械故障诊断的数字采样信号具有普遍适用性。将所提出的算法应用于实验室环境下的轴承故障特征识别中,无论是低噪声还是低信噪比白噪声环境下,振动信号中的冲击特征都得到了显著增强,在Hilbert包络谱中的故障特征频率及其高次谐波比能量中占优。所提出的算法还应用于电力机车走行部轮对的故障诊断中,在高强度的工程有色噪声环境下精确提取了其中的冲击衰减成分,在时域和频域诊断结果中都得到了准确的验证,指导了诊断实践。

基于TQWT的癫痫脑电信号的识别

针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法。首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;最后,采用支持向量机进行分类。将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证。实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%。

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。

机械故障诊断的稀疏特征提取方法

针对旋转机械的周期性稀疏故障特征提取问题,提出了一种周期重叠簇稀疏信号优化特征提取算法.该算法根据机械故障诊断周期性特征提取问题构造了有效的稀疏优化目标函数,该目标函数中的正则项(惩罚函数)选用非凸惩罚函数来增强周期性特征的稀疏性,并且证明了非凸可控化参数在一定约束条件下可以保证目标函数整体为凸.基于优控极小化方法求解所构造的优化问题,推导出高效的快速迭代收敛数值算法,该求解算法最终收敛于优化问题的全局最优解.将所研究的周期重叠簇稀疏信号优化特征提取算法应用于仿真信号,定量分析了其相对于对比算法的优越性.最后,将所研究的周期重叠簇稀疏信号优化特征提取算法应用于轴承故障特征提取中,结果表明,该算法其可以有效地提取稀疏微弱故障特征.

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次,对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次,根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪,从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制,从而突出了故障特征。

高速切削欠采样动态信号的压缩感知恢复方法

针对高速切削状态监测系统中采样参数设置不合理以及抗混叠滤波器存在滤波陡度导致输出的切削力信号频谱混叠问题,提出了一种基于频域近似稀疏的频谱校正方法。切削系统及采样过程中的非线性往往导致状态监测系统输出波形中含有主轴频率的高次谐波,在傅里叶矩阵上表现出明显的近似稀疏性(傅里叶系数中大多数元素的幅值近似为零,能量主要集中在若干个频率区间上)。通过仅保留频谱上若干个频率区间对其实现稀疏逼近,得到若干个频带子集,并利用欠采样混频原则计算出每个频带子集的真实频率范围,构造切削力信号的真实频谱进而恢复出真实的时间序列。根据频带子集时域波形特点,构造具有一般物理意义的线性调幅正弦波模型,通过对线性调幅正弦波仿真分析及高速铣削铝合金实验验证了该方法的有效性。结果表明,这种方法能够有效地恢复出测试信号的谐波信息,恢复信号与测试信号时域波形的相对包络误差小于4%。该研究成果为稀疏表示理论应用于欠采样信号分析提供了一定的工程技术支撑。

周期簇稀疏特征提取方法及其在机械故障诊断中的应用研究

针对近年来机械故障诊断对于微弱故障特征稀疏性表征的迫切需求,本论文将不同观测域下的稀疏成分表示和分离作为切入点,研究了小波展开域上的柔性超小波自动诊断技术,探索了旋转机械周期簇稀疏特征提取的非凸稀疏正则优化理论、复合故障耦合特征的稀疏成分同步分离算法等关键科学问题和工程实用技术。

齿根裂纹与齿面剥落故障的振动响应机理研究

齿根裂纹与齿面剥落是齿轮系统常见的局部损伤类故障。由于故障机理研究不足,目前的齿轮故障诊断方法还无法精确辨识这两种故障。基于能量法建立了用于求解齿根裂纹及齿面剥落时变啮合刚度的解析计算模型,对比分析了两种故障对时变啮合刚度影响的不同内在机理。采用集中参数法与梁单元理论建立了齿轮系统的非线性动力学模型,通过动力学仿真分析了两种故障振动响应特征的不同之处。研究结果表明:虽然齿根裂纹与齿面剥落故障都会使系统产生周期性的振动冲击响应,但是这两种故障在一个啮合周期内产生的振动冲击响应的数量及规律存在一定差异。研究结果揭示了齿根裂纹与齿面剥落故障振动响应机理的不同之处,为这两种故障的精确诊断提供了理论基础。

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法.该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度.该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件.将近端算法用于所构造的无约束优化问题的求解.此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性.在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏.

机械故障特征提取的拓扑集分形稀疏字典

多尺度字典是实现机械动态信号中频域弱相干成分解耦的重要方法,但目前还欠缺围绕固定频率进行分辨率持续细化的系统性理论。基于近似解析小波变换构建了全新的拓扑集分形多分辨理论。提出了中心嵌套子空间簇,它随分析尺度深化实现了机械故障特征多目标同时追踪细化,在频域上表现为围绕一系列固定中心频率进行严格的二进细化。在数学上严格证明了:①任意中心嵌套子空间簇都是动态信号频域的拓扑空间;②各中心嵌套子空间簇按分析尺度具有严格自相似的分形特性。另外研究还揭示了二进制多分辨理论与拓扑集分形的深刻同构关联,即任意二进小波包唯一从属于某个中心嵌套子空间簇。其次,在扩展中心嵌套子空间诱导下,经典小波包变换可以化归成拓扑集分形的真子集。将拓扑集分形与旋转机械部件损伤动态模型结合提出了一种新的机械故障特征提取方法。该方法通过周期性成分稀疏测度优化和中心嵌套子空间搜索对冲击性机械故障特征的周期、瞬时动力学参数进行优化提取,从而提取物理意义更显著的单分量信息。将该方法应用于滚动轴承的故障诊断中,在含强噪声的振动信号中准确提取了表征轴承外圈剥落的多个单一模式分量。通过对比验证了所提出方法的噪声抑制能力显著优于以谱峭度和群组稀疏优化为代表的对主流机械故障特征提取技术。

航天器传动部件振动数据稀疏多分类智能故障诊断

针对航天器传动链机械零部件发生故障时训练数据稀缺以及信号的强非平稳\非线性特点,提出了动态数据驱动的子空间稀疏多分类智能故障诊断算法。首先对采集的单一传感器动态信号进行分形小波变换,生成常规和非常规二进小波尺度。然后对生成的各子空间提出基于故障能量指标的稀疏多分类器,以监测部件的故障特征频率为搜索目标,在子空间的包络解调谱上计算特征频率及其倍频附近的能量峰值,导出特定故障模式的稀疏评价指标,以各种故障模式的最大值识别和判定故障类型。所提出的算法完全实现了无人工监督的智能故障诊断。最后以航天器轴承故障诊断为例验证了该算法的有效性。所研究算法的泛化能力较强,技术路线同样适用于其他航天器传动部件的在线监测与故障智能预警。

面向数字加工监控的边云工艺协同迁移

智能制造是高端装备发展的必然趋势,设备智能运维对于保障数字加工质量及可靠性具有重要意义。在离散智能制造过程中,工艺多样性成为制约智能运维数字模型构建与实施的关键瓶颈。为此,提出一种边云协同的工艺知识迁移方案,融合应用边缘计算和云计算,实现智能运维模型的快速进化。首先,在云端训练PMsCNN模型,对历史工艺方案下设备的退化过程抽象建模;然后,利用新工艺方案下无标签的数据样本开展迁移学习,使PMsCNN适应新的工艺方案。相应地提出了一种改进型最大均值差异损失函数,克服数据不均衡难题;最后,将进化后的PMsCNN部署应用于边缘设备,在线实施设备智能运维。以设备核心基础件的性能运维为研究案例,验证了所提工艺知识迁移方案的先进性。相比于现有基于深度学习的监测方法,新工艺方案下测试准确率提升了20%以上,优于现有迁移诊断方法。

提升小波分形策略在电机轴承电蚀故障特征提取中的应用

电蚀是感应电机轴承服役过程中常见的物理现象,电蚀现象的发生使得电机轴承表面更容易发生点蚀剥落等局部损伤。提出提升小波分形策略,用于从多成分耦合的振动信号中提取反映轴承故障的冲击性故障特征;该策略通过对经典冗余提升小波包分解产生的相邻子空间进行后处理,生成新的隐小波包尺度,可有效弥补二进小波包分析方法对过渡带区间特征提取能力的不足;通过隐小波包子空间的中心嵌套集合实现了振动信号的中心极化多分辨分析;该方法还能继承冗余提升小波包分解的诸多优良特性(如精确线性相位及平移不变性等),从而进一步增强了振动信号中非平稳冲击特征的分析提取能力。将提出的方法应用于某型号平整机的感应电机轴承振动信号分析,在某个由提升小波分形策略生成的隐小波包子空间中提取表征轴承机械故障的周期性冲击特征,经停机检修验证该故障特征是由轴承中已经存在的电蚀故障引发;将所提出方法的特征提取效果与基于双树复小波等的主流分析方法进行对比,验证了提升小波分形策略具有更加全面的轴承故障特征分析能力。

周期簇稀疏特征提取方法及其在机械故障诊断中的应用研究

指导教师:訾艳阳Ivan W.Selesnick冶金、风电、海洋装备等领域的大型复杂机电设备在高温腐蚀、重载疲劳等复杂恶劣的工作条件下运行,其关键零部件不可避免发生性能退化和失效。机械设备一旦出现事故,将带来巨大的经济损失,甚至导致人员伤亡。若能在设备发生事故前识别出故障并及时维修,将对关键机械设备的安全运行、避免灾难性事故的发生具有重大意义。

无监督学习驱动的高端轴承故障智能诊断算法

谱峭度是用于滚动轴承故障诊断的有效方法,然而它对工程中常见的偶发性冲击特征具有高度的敏感性,常导致特征提取结果失效.为解决该问题,针对多重偶发性冲击(sporadic impulses,SIs)干扰下的时间序列峭度计算提出了一种基于无监督学习的智能评估方法.首先,根据偶发性冲击在时域上能量高度集中的特性,在时域将原始信号样本等间隔地划分为数据片段.其次,将各数据片段映射到统计参数特征空间(statistical parameter feature space,SPFS).再次,提出了迭代二均值聚类算法,实现了聚类中心自定位及类簇数自适应整定,利用含SIs片段与正常片段在SPFS显著的统计特性差异,逐次识别并清除受SIs干扰的片段.最后对未受SIs干扰的正常片段进行峭度信息融合,得到智能峭度估计.结合该智能峭度估计方法与多尺度分解方法提出了高端轴承故障诊断的新方法.通过仿真算例及轴承故障诊断实际案例验证了该方法能够在多成分耦合、多重偶发性冲击干扰的不利影响下准确提取异常故障特征,并在应用中能够兼顾智能化、高鲁棒性及高计算效率.