基于Van der Pol―Duffing振子和互相关的微弱信号检测研究

传统的信号检测方法在背景噪声较强的情况下一般会失效,混沌振子由于对初始值及参数具有敏感性从而可以很好地检测到微弱信号。首先简述了应用Van der Pol―Duffing振子和互相关方法检测微弱正弦信号的原理,然后应用二者联合的方法进行微弱信号检测。该方法综合了互相关检测对噪声的抑制优势和Van der Pol―Duffing振子对微弱信号提取的优势。仿真实例表明,该方法能有效地检测出淹没在强噪声中的微弱正弦信号,且其信噪比门限比只用混沌振子方法更低,抗噪性更强。     

基于耦合混沌振子的微弱信号检测

传统的微弱信号检测方法在信噪比较低时检测效果并不理想,利用混沌振子检测微弱信号具有灵敏度高、抗噪性强的特点,信噪比门限也比传统方法检测到的低得多,基于此对Duffing振子和Van der Pol-Duffing振子进行了耦合,建立了非线性微弱信号检测系统,并通过分岔图和二分法确定了临界点阈值,提高了阈值的求解速度和精度,最后分别对单微弱正弦信号和混合微弱正弦信号进行了检测,检测系统取得了较好的效果。     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件，设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对，利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理，振动信号包含滚动轴承故障信息。因此，运用小波变换函数，对振动信号进行时频域分析处理，获取有用的故障特征信息，进而确定故障类型。从实验结果可以看出，该方法能准确地找到故障频率，对于机车滚动轴承故障诊断有很好的指导意义     

Duffing-Holmes振子在刀具磨损检测中的应用

针对切削过程中刀具磨损程度难以识别的问题,文章根据混沌Duffing-Holmes振子对微弱周期信号极其敏感的 特点,提出将锋利和磨损的刀具在27种工作状态下采集的54组声发射数据作为外部的微弱摄动信号,分别输入到 Duffing-Holmes系统。为了解决混沌阈值求解时间的问题,研究了对分法最优算法来搜索Duffing-Holmes从周期态和混 沌态的Lyapunov指数阈值,首先,以0.1步长的Lyapunov指数确定一个粗略的阈值;然后根据对分法快速收索Duffing- Holmes振子混沌阈值的精确值,大大提高了阈值搜索速度,闽值大小对应了刀具磨损程度。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题，课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method，WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解，将振动信号分解到独立的频段，提取不同频段的能量谱，并构建反映频谱状态改变的能量谱特征向量；再对得到的能量谱特征向量进行核偏最小二乘分析，建立故障检测模型，利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障，证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点，为解决故障检测中的非线性数据处理问题提供了一种新方法。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

基于混沌吸引子特征量的滚动轴承故障诊断

利用混沌吸引子特征量可以刻画滚动轴承在不同故障状态下振动特性的特点,提出一种基于关联维数、最大李雅普诺夫指数和信息熵的故障诊断方法。结合试验数据,应用支持向量机技术分析了3类特征量对滚动轴承的故障识别能力,并对比了特征量两两组合的分类效果。研究表明：3类特征量都包含着不同的故障信息,将其结合可以明显提高故障识别率。通过对实测轴承数据的故障分类研究发现,与单一特征量方法相比,该方法可以有效区分不同故障类型和故障严重程度,为滚动轴承故障的超精密诊断提供了可能性。     

AM型随机共振模拟电路的滚动轴承微弱故障检测性能研究

随机共振理论广泛应用于信号检测中,尤其在滚动轴承微弱故障检测中极其重要。但是对滚动轴承微弱故障检测性能的定量评价问题未做深入研究。在传统随机共振理论的基础上设计了基于调幅(Amplitude Modulation,AM)信号的改进型双稳态随机共振电路,通过Multisim仿真验证了该电路不仅可以实现对大参数故障信号进行故障诊断,还可以有效地削弱直流量的影响,实现滚动轴承微弱故障信号的检测。除此之外,还分析了不同强度噪声对微弱故障检测的影响,以及输入参数变化对电路输出的影响规律,为随机共振电路在滚动轴承微弱故障检测的实际工程应用提供了可靠的科学依据。