基于VMD和FCM的火箭发动机涡轮泵状态监测方法

面向重复使用火箭发动机的状态监测与故障诊断需求,针对振动信号的非平稳性和难以提取有效故障特征的问题,提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和模糊C均值聚类(Fuzzy C-Means, FCM)的状态监测方法。采用优化VMD算法自适应地将振动信号分解为多个本征模态分量(Intrinsic Mode Function, IMF),根据加权相关样本熵最大准则选取关键IMF分量;利用t分布随机近邻嵌入(t-SNE)对关键IMF分量的多维时域、频域特征降维,得到特征向量矩阵;利用模糊C均值聚类算法实现发动机工作状态的监测。将该方法应用于发动机涡轮泵工作状态监测,结果表明其能够提取振动信号关键特征,准确识别涡轮泵工作状态,测试集识别准确率达92.50%,为火箭发动机状态监测与故障诊断提供了理论支撑。

基于变矩阵结构奇异值分解的信号分解算法

矩阵结构对奇异值分解的信号处理效果有重要影响,改变传统算法中矩阵结构固定的思想,提出在奇异值分解中采用变化的矩阵结构,每分解一次,矩阵结构就改变一次,以适应信号中不同的周期性分量。每次的分解都将上一层的信号分解为主、副两个分量,提取副分量,而对主分量再次进行变矩阵结构的奇异值分解,如此反复进行,最终将原始信号分解为一系列主、副分量。信号处理实例表明,这一方法具有良好的信号分离效果,能够实现信号中不同周期性分量的有效分离。

基于IES的切削颤振孕育期信号降噪方法

切削颤振孕育期介于稳定切削与颤振爆发之间,该阶段切削力信号中颤振特征具有典型微弱信息特性。采用基于总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)与奇异值分解(singular value decomposition,简称SVD)相结合的方法对颤振孕育期信号进行降噪时,大多存在噪声剔除不充分或微弱目标特征信息失真等问题。首先,通过引入功率谱密度(power spectral density,简称PSD)与常相干函数(common coherency function,简称CCF)对EEMD降噪机制进行改进,使微弱目标特征所在本征模态函数(intrinsic mode function,简称IMF)分量得到有效提取;其次,借助池化原理(pooling principle,简称PP)降低IMF分量复杂度,并联合SVD对其实施分块降噪,以实现对微弱目标特征中所含噪声进行有效消减;最后,耦合上述改进并重构信号,可面向微弱目标特征信号形成基于改进EEMD-SVD(improved EEMD-SVD,简称IES)的降噪方法。分别利用IES与EEMD-SVD对Rossler混沌信号进行降噪处理,并通过比较信噪比、均方误差及平滑度等降噪评价指标,对所提方法在降噪有效性及信息保真度方面的优势进行量化验证。在此基础上,再次借助所提IES方法对变轴向切深铣削实验中颤振孕育期铣削力信号进行降噪分析。结果表明,该方法能显著抑制颤振孕育期信号噪声,并能有效避免微弱颤振特征信号失真问题。