基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断

滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征,提出峭谱积(峭度和包络谱峰值因子的乘积,KEc)的新指标。以KEc为优化指标,采用网格搜索法确定TQWT最佳的品质因子Q,同时以中心频率比为优化指标,确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构,选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量,最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性,以XJTU-SY滚动轴承加速寿命试验平台研究对象,运用加速度传感器获取的试验数据集进行验证,识别结果准确率为94.5%。同时,与优化指标为峭度等的SVM识别结果进行比较,所提方法识别率提高了约1%~7%。对比结果表明,运用所提方法对滚动轴承早期故障进行识别,可以准确有效地诊断出轴承的故障类型,具有一定的实用价值。

奇异谱分解联合互信息的主轴轴承故障特征提取研究

奇异谱分解(singular spectrum decomposition, SSD)算法存在当信号信噪比较低时降噪能力较差以及敏感分量个数难以确定的问题。针对上述问题,提出了SSD联合互信息理论(mutual information, MI)的主轴故障特征提取方法。首先,将轴承振动信号经过SSD分解,得到多个奇异谱分量(singular spectral component, SSC);然后分别计算原始信号与SSC之间的互信息,选择最小互信息(minimum mutual information, MinMI)处的分量为最佳分量。由于背景噪声的影响,选取的最佳分量故障特征频率并不明显。因此,基于振动信号特点与互信息理论提出了差分突变互信息(differential mutation mutual information, DMMI)的有效分量保留方法,通过对计算相邻SSC之和之间的MI值,保留突变点内的分量作为敏感信号,在此基础上再依据MinMI原则设计带通滤波器,对敏感信号带通滤波并进行包络解调以提取故障特征频率。通过仿真信号与真实主轴轴承数据分析表明,对信号进行DMMI保留敏感分量,结合MinMI准则的自适应滤波处理在主轴轴承故障特征提取方面表现了优异的性能。

基于小波包奇异谱熵和IWOA-ELM的列车轴承故障诊断

为了有效提高多工况下地铁列车滚动轴承故障诊断精度,基于轴承振动数据,提出一种基于小波包奇异谱熵和改进鲸鱼优化算法(IWOA)优化极限学习机(ELM)的故障诊断方法。针对轴承振动信号的非平稳性和非线性特点,采用小波包提取样本特征,使用奇异值分解提取小波包数据集的样本信息熵,获得样本特征集。其次,针对模型参数难以确定,优化速度慢且容易陷入局部最优问题,采用变异算子和混沌动态权重因子改进鲸鱼优化算法(WOA),使用IWOA优化ELM参数获得故障诊断模型。最后,使用美国凯斯西储大学的轴承故障数据验证了模型的可靠性和稳定性,在多工况下不同类型组合的300组测试样本中,模型诊断准确率为99.33%。同时与同一数据源的其他诊断模型进行对比验证模型的优越性。结果表明,基于小波包奇异谱熵和IWOA-ELM的轴承故障诊断模型诊断可靠性强、准确率高。

OVMD与三维奇异谱特征融合的往复压缩机气阀故障识别方法

针对往复压缩机气阀断裂型故障危害下故障振动波形的变异特点,为提高常见的气阀阀片失效后期断裂型故障的识别率,提出一种基于最优变分模态分解(OVMD)和三维奇异谱融合的诊断算法。通过VMD参数优化,利用多重分形去趋势波动分析(MFDFA)提取模态分量的三维奇异谱参数分析,结合核主分量分析降维提取不同工况模态分量的特征值,并建立完整的OVMD_MFDFA融合诊断识别方案。模拟试验和算法对比证实,该法能有效提高环状气阀阀片断裂故障诊断效率和准确性。

基于最大小波奇异谱的轴承故障诊断方法

研究小波奇异谱在轴承故障诊断中的应用问题,针对小波奇异谱熵无法有效实现故障诊断的不足,提出以最大小波奇异谱为特征的轴承故障诊断方法。该方法利用小波变换后的系数矩阵的最大奇异值作为故障诊断特征,并将试验结果与以小波奇异谱熵为特征的方法进行比较。结果表明,该方法在识别性能上有显著提高。试验从小波基、窗口宽度两个层面对该方法的诊断性能进行了分析,证明该方法具有较强的稳定性和鲁棒性。

不同思维模式下的脑电奇异谱分析

人脑是极为复杂的系统,脑电(EEG)是脑内大量神经元电活动合作与竞争的综合反映,由局部和非局部频率分量构成,这些局部分量与特殊的内在神经网络状态紧密相关,在宏观上反映了脑的机能状态.脑电信号的非线性分析是近年出现的一种脑电分析方法,它反映了大脑处理信息活动的有序程度,为研究大脑高级认知活动提供了新的思路.越来越多的研究表明,传统的非线性动力学方法采用单一的参数不能充份描述脑电信号的复杂行为,多重分形用一个谱函数从不同层次描述了分形体的整体生长特征,采用多重分形方法描述系统的非线性动力学行为能够得到更多的信息.本文对不同思维模式下脑电的多重分形特性进行分析,发现EEG的奇异谱在不同的思维状态下具有差异.进一步对这种差异进行统计分析表明大脑思维的EEG多重分形特性受到人脑的思维方式的影响,EEG多重分形奇异谱强度分布反映了大脑思维模式的差异.

多分辨率奇异谱熵及其在振动信号监测中的应用研究

在信息熵模型的基础上 ,将多分辨率分析和奇异谱分析有效结合 ,提出了多分辨率奇异谱熵及其算法 ,该指标能够表征不同尺度上信号能量分布的奇异状况。进一步 ,针对奇异谱分析是基于信号二阶平稳的假设 ,本文提出了基于高阶累积量的高阶多分辨率奇异谱熵 ,它能够充分体现信号的内在信息 ,提高了信号形式变化的适应性和对于嵌入维数变化的稳定性。通过对机械振动信号的仿真分析 ,该信息熵能够作为设备运行状态识别的有效依据。

基于BWO优化VMD和奇异谱熵的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱不易识别的问题,提出以分解模态分量最小包络熵为目标函数,采用白鲸优化算法(Beluga Whale Optimization,BWO)求解变分模态分解(Variational Mode Decomposition,VMD)超参数的参数优化变分模态分解方法,利用分解得到的最小包络熵的模态分量结合奇异谱熵(Singular Spectral Entropy,SSE)进行特征提取,采用支持向量机(Support Vector Machine,SVM)进行滚动轴承的故障诊断识别。通过滚动轴承诊断识别实验分析,并与经验模态分解和局部均值分解算法对比,结果表明,基于BWO优化VMD和奇异谱熵的故障特征提取方法具有较好的故障识别率,能够实现滚动轴承的故障诊断。

基于小波包分解和奇异谱分析方法的立铣加工颤振监测

在立铣加工过程中,颤振是加工过程失稳的一个最重要的原因。颤振将会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。虽然大部分颤振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。在颤振发生过程中,振动信号具有在时域中不断增大,在频域中能量频移的特性。考虑这两个振动信号特征,提出了一种颤振特征提取方法。提取颤振发生频带中振动信号的能量比和奇异谱熵系数作为两个颤振特征,并通过人工神经网络模型实现切削颤振的识别。文中提出的颤振监测系统包括特征提取和分类,能够精确辨识立铣加工中的稳定、过渡和颤振状态。

基于奇异谱的降噪方法及其在故障诊断技术中的应用

提出一种将振动信号在相空间进行重构，并利用重构吸引子轨道矩阵的奇异谱的特性来提高信噪比的方法。该方法已应用于滚动轴承和齿轮箱的故障诊断中，试验表明该方法能够有效地降低噪声，提高信噪比，突出振动信号的故障特征，从而提高设备故障诊断的准确率。

运用阶次跟踪和奇异谱降噪诊断齿轮早期故障

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与奇异谱降噪技术相结合,提出了一种针对齿轮早期故障的诊断方法。首先对齿轮箱加速时测得的瞬态信号进行时域采样,再对时域信号进行等角域重采样,转化为角域伪稳态信号;然后对角域信号进行奇异谱降噪处理,以减小背景噪声的影响;最后对降噪后的信号进行阶次谱分析。通过对齿轮箱早期故障信号的分析表明,该方法能准确地识别出齿轮的故障特征。

基于时频奇异谱和RVM的柴油机故障诊断研究

提出一种基于双树复小波包时频奇异谱和关联向量机的柴油机故障诊断方法,针对连续小波时频分布计算量大,分析速度慢,运用双数复小波包分解提取柴油机缸盖振动信号中的时频分布特征,并进行奇异值分解,结合柴油机运行的时域特点,通过特征优选,形成组合特征集,输入关联向量机多类分类器,从而实现柴油机的故障诊断。试验结果表明,该方法分析速度快,故障识别效果好。

基于多分辨高阶奇异谱熵分析的局部放电信号特征提取

局部放电信号特征提取是电力设备绝缘缺陷模式识别和故障诊断的关键步骤。奇异谱熵分析(singular spectrum entropy analysis,SSEA)理论研究了局部放电信号的复杂性和无规则程度,但无法充分反映信号内在非线性特性。使用局放信号4阶累积量切片代替SSEA的协方差矩阵,并引入集合经验模态分解理论(ensemble empirical mode decomposition,EEMD)实现方法多尺度化,提出了局部放电信号多分辨高阶奇异谱熵分析(multi-scale higher order singular spectrum entropy analysis,M-HSSEA)方法。通过分析仿真局放信号,该方法提取的熵特征向量能够有效提高噪声抑制能力,并且增强了相空间重构参数鲁棒性。在户外变电站环境中设计了3种典型局部放电缺陷,运用该方法求取特高频信号熵特征向量并使用RBF神经网络进行分类,获得了较高识别正确率,从而验证了文中方法有效性及适用性。

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 k V变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。

多重分形奇异谱的几何特性II.配分函数法

研究了用配分函数法定义的多重分形理论中奇异谱的几何特性 ,通过严格的数学推理证明了广义维数 Dq、质量指数 τ( q)、奇异性指数 α( q)和奇异谱 f( α( q) )的有关性质 ,明确提出了判定合理奇异谱 f( α( q) )的准则 ,给出了在参数 q→±∞时计算相应函数极限的解析算法。

多分辨率奇异谱熵和支持向量机在孤岛与扰动识别中的应用

孤岛检测易受到电网扰动干扰,而错误地将电网扰动情况误判为孤岛情况,导致光伏发电(photovoltaic,PV)系统退出运行,因此孤岛检测需要具备区分孤岛和电网干扰的能力。提出多分辨率奇异谱熵和支持向量机结合进行孤岛与扰动识别的新方法。多分辨率奇异谱熵是小波变换后的一种信号处理方法,将多分辨分析与熵融合,其信息量以熵的形式体现出来,更能够展现孤岛和电网扰动内在的不同特征。仿真结果表明,所提方法具有分类准确率高、对同类样本具有稳定性的优点,是孤岛与扰动识别的有效方法。

一种基于LCD-Hilbert变换和奇异谱熵的配电网暂时过电压类型识别方法

针对当前电力系统配网领域的过电压识别问题,提出一种基于时频分布特征的配电网暂时过电压分类识别方法。在暂时过电压中,单相金属性接地过电压的三相电压能量分布均匀度最低,间歇性弧光接地零序电压的直流分量最高,铁磁谐振零序电压信号在幅值和频率集中频带上存在很大差异。计算零序电压能量贡献率、零序电压平均值和三相电压奇异谱熵,提取过电压信号的时域能量分布特征;采用局部特征尺度分解(LCD)和Hilbert变换结合带通滤波算法计算零序电压重心频带,提取过电压信号的频域能量分布特征;结合阈值判别法实现暂时过电压类型识别。该方法不需要分类器,算法简单,计算时间少。仿真和实验表明该识别方法在不同故障条件下均有更高的识别率。

近百年东亚季风长期变化中主周期振荡的奇异谱分析

运用海平面气压场资料，计算１８７３—１９９０年的东亚冬、夏季风强度指数，并利用奇异谱分析方法（ＳＳＡ）对这百年的东亚季风长期变化的周期活动进行了研究。研究表明：东亚冬、夏季风都存在准２ａ（ＱＢＯ）、３—６ａ（ＬＦＯ）的年际振荡，１６—１８ａ（ＩＤＯ）的年代际振荡和长期变化趋势。各振荡分量都具有年代际的差别，这种特征ＱＢＯ表现得最典型。冬季风的ＱＢＯ在１９２０年代前振幅较小，且大约呈现１２ａ的大振幅和６ａ的小振幅波状的周期变化；夏季风的ＱＢＯ振幅变化与冬季风相反，且大约呈现６ａ的大振幅和３ａ的小振幅波状的周期变化。夏季风中的年代际变化影响较小。

基于奇异谱熵的相空间重构最佳时间延迟选择

对相空间重构中的重要参数时间延迟L的选择进行了研究,并针对奇异值比率(SVF)方法的不足,将奇异谱熵引入相空间重构中L的选择,提出了一种新的L选择准则.以Lorenz和Rossler吸引子为例,通过与SVF方法L计算结果的比较,显示了该方法的优越性.最后应用基于奇异谱熵的L选择准则计算了Lorenz吸引子的关联维数.通过与理论值的比较,证明了该方法的有效性.

利用多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法

提出一种基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法,可准确将本侧区外故障、区内故障以及对侧区外故障区分开。进行小波多尺度分解,求得各层的奇异谱熵,将每层的奇异谱熵组成一个特征向量,特征向量分成训练集和测试集,将训练集进行训练得到支持向量机(support vector machines,SVM)分类器的参数,用测试集进行测试,预测结果就是对不同位置故障的分类。大量仿真验证表明:基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法能可靠识别本侧区外故障、区内故障和对侧区外故障。