车削刀具磨损声发射信号的云特征分析

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,该文提出了基于云理论的信号特征提取方法。首先,采用小波包分析对声发射信号进行信号分解和重构,滤除噪声对提取特征参数的影响;其次根据重构信号的统计分布特性,利用逆向云算法提取信号敏感频带的期望值、熵及超熵云特征参数,定量分析刀具在不同切削条件下3种云特征参数随磨损量增大所呈现的变化规律;最后,通过散点图分析3种特征参数表征刀具磨损声发射信号的有效性。结果表明:刀具磨损声发射信号具有明显的云特性,3种云特征参数与刀具磨损状态具有明显的对应关系,可作为刀具磨损状态监测、磨损量预测的特征参数;云理论在刀具磨损监测领域的应用,扩大了知识的表示范围。     

基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA(multifractal detrended fluctuations analysis)方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数:分形维数最大值点对应的奇异指数α_0,多重分形谱谱宽△α和广义Hurst指数波动均值△h(q)作为特征量;最后,利用LS-SVM(least square support vector machine)算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近的磨损状态,为刀具状态监测提供一种参考方法。     

声发射法无损检测稻谷籽粒应力裂纹

针对目前稻谷应力裂纹缺乏有效研究手段的难题,该文提出利用声发射法研究应力裂纹的设想。以天优3301籼型感温三系杂交稻谷为物料,建立稻谷干燥和机械压缩试验声发射检测装置,测量并分析了稻谷干燥、应力和声发射信号之间关联。结果表明:谷粒在干燥和受载过程产生的声发射信号能够被有效检测;干燥过程中声发射信号时序特征与稻谷干燥特性、典型干燥现象关联密切。湿基含水率为22%稻谷籽粒在60℃条件下,在干燥初始加热期0~7 min,稻谷因内部温度梯度形成的应力而释放少量声发射信号;在7~40 min声发射信号伴随温度梯度减弱而消失;在干燥40 min后,声发射信号受水分梯度影响而重新出现,并且信号密集区和水分梯度最大值时间重合,均出现稻谷湿基含水率干燥到14%附近;30~80℃自然冷却中稻谷声发射信号急剧增加,与高温干燥冷却段爆腰率快速上升现象相对应。湿基含水率为20%谷粒在30 N压载过程中声发射信号峰值与应力屈服8 MPa均出现在100 s。该文研究表明声发射法可为研究稻谷应力裂纹提供一种新的方法和途径。     

基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业,通过监测羊舍内的声信号可以判别羊只的行为状态,从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient,MFCC）模拟了人耳对语音的处理特点且抗噪音性强,被广泛用于畜禽发声信号的特征提取,但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统,采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号,并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力,特征参数提取采用一种熵值加权的MFCC参数,再求其一、二阶差分并进行主成分分析降维,得到优化的19维特征参数。通过对羊舍声信号的声谱图分析,设计了支持向量机二叉树识别模型,并对模型内的4个分类器参数进行网格化寻优测试,该识别模型对羊只5种行为下的声信号进行分类识别,用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient,LPCC）进行对比分析。结果表明,该特征参数对5种行为的识别率平均可达83.6%,分别高于MFCC和LPCC参数14.1%和26.8%,羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音,其识别率分别仅为80.6%和79.5%,啃咬声特征显著不易混淆,其查全率可达到为92.5%,改进特征参数更好的表征了羊舍声信号的特征,提高了羊只不同行为的识别率,为羊只健康和福利状况的监测提供理论依据。     

农机产品拥有量的非线性特性研究

农机产品的社会拥有量预测是农机产品市场预测的基础。该文建立了描述农机产品社会拥有量的演化方程,并指出该方程具有非线性混沌特性。在简要介绍描述混沌程度的典型参数关联维数和柯尔莫哥夫熵的定义的基础上,计算了基于时间序列的中国农机产品拥有量（以大中型拖拉机和联合收割机为例）的关联维数和柯尔莫哥夫熵,结果表明中国农机市场发展确实存在混沌。最后指出农机产品拥有量长期预测的困难,建议改进传统的预测方法。     

大中型拖拉机需求量混沌特征分析及预测时效研究

中国大中型拖拉机需求量是一个复杂的非线性系统。该文在分析大中型拖拉机需求特点的基础上,建立了基于混沌理论的农业装备需求特性分析及预测时效模型。采用中国1952至2004年大中型拖拉机需求量的实测数据,重点研究了其需求系统的相空间重构、关联维数的确定和柯尔莫哥洛夫熵的计算。结果表明：中国大中型拖拉机需求为混沌系统,影响需求量的因素有1～12个,最大可预测的时效为8a。     

混沌理论在NH3—N污染指数时间序列分析中的应用

根据混沌理论,对四川省乐山岷江大桥NH3—N污染指数时间序列通过相空间重构,应用自相关法和Cao方法确定出重构参数,并分别计算了该序列的关联维、最大Lyapunov指数以及Kolmogorov熵等特征量。结果表明,四川省乐山岷江大桥NH3—N污染指数时间序列存在明显的混沌特性,是非线性混沌动力系统演化的结果;研究结果为进一步研究NH3—N污染指数时间序列的复杂性、演化规律及预测奠定了基础,也可为岷江中上游地区水质环境监测和保护提供决策支持。     

离心泵空化状态下声发射信号的小波能量特征

为了探究离心泵空化状态下声发射信号的频率分布特征及其变化规律,该文采用小波分析方法对离心泵空化试验过程中不同空化状态下的声发射信号进行了能量特征提取,研究了不同频段内声发射信号的能量特征随离心泵汽蚀余量变化的关系。试验分析结果表明,在离心泵的空化现象尚未出现以及不同的发展阶段,离心泵进、出口处声发射信号的全频段和各分频段绝对能量和相对能量的变化具有各不相同的特点。31.25~62.5、62.5~125和125~250 k Hz这3个分频段的绝对能量随空化状态改变而变化明显,且变化趋势与全频段的变化趋势类似。31.25~62.5 k Hz分频段的相对能量在空化状态变化过程中基本保持不变,而62.5~125和125~250 k Hz分频段的相对能量变化更为明显。研究结果可为离心泵空化状态的判别提供技术参考。     

和田绿洲空气相对湿度的混沌神经网络预测模型

针对用单一指标判断时间序列的混沌特性的不足,本文应用Hurst指数、Lyapunov指数以及饱和关联维数从不同的角度对和田绿洲空气相对湿度的混沌特性进行了识别。在此基础上将混沌理论与神经网络相结合,建立了混沌神经网络预测模型,利用此模型分别对1954-2002年和2003-2004年和田河流域月平均相对湿度进行模拟和预测,其平均相对误差分别为2.96%和0.85%,表明模型具有较高的精度。     

三江平原地下水埋深时间序列的混沌研究

三江平原是我国最大的淡水沼泽区和重要的商品粮生产基地,地下水资源是该地区发展井灌水稻极为宝贵的源泉,但同时地下水系统又是一个复杂的非线性系统.首先,应用功率谱分析法对该地区地下水埋深序列进行定性分析;然后,在相空间重构的基础上,通过计算特征量Kolmogorov熵和关联维,得出三江平原地下水埋深序列中存在明显的混沌特征;最后,应用基于关联度的局域加权线性回归预测法进行混沌预测研究,得出比较理想的预测结果,为应用混沌理论进行三江平原地下水埋深变化规律研究提供依据.     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

集合经验模式分解在旋转机械故障诊断中的应用

为了抑制经验模式分解中的模式混淆现象,提高分析精度,引入集合经验模式分解（EEMD）算法。在分析信号上叠加适当的随机高斯白噪声序列,改变信号的局部时间跨度,从而改变一次经验模式分解（EMD）中分析的特征尺度,通过足够多次EMD分解,相当于从多个角度提取信号的本质,最后由所有次分解得出的各本征模态函数（IMF）的均值作为输出,不但消除了人为噪声的影响,还清晰还原了信号的内在过程,准确揭示了其真实物理意义。通过仿真试验和实际的动静碰磨故障案例证实了EEMD算法的有效性,并与基本EMD算法和高频谐波法进行了对比,结果表明,EEMD虽然耗时较多但结果更准确,在旋转机械故障诊断领域应用前景广泛。     

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

希尔伯特变换与小波去噪提高暂态电能质量扰动检测与定位精度

在噪声污染严重情况下实现暂态电能质量扰动准确定位非常困难,该文提出了一种将希尔伯特-黄变换与小波去噪相结合的新方法来解决这一难题。该方法首先利用希尔伯特移相处理信号,获得含噪声的扰动信号包络,再利用小波去噪方法去除噪声信号,从而获得可准确定位扰动起止时刻的扰动信号,并通过扰动定位算法实现扰动起止时刻定位。算例表明,该方法在噪声较高的情况下可替代提升小波方法实现准确定位,通过比较,这种先提取、后去噪的方法比先去噪、后提取的方法定位精度高、稳定性好,该研究可为电力系统故障诊断及暂态保护提供参考。     

基于二次滤波的HHT渡槽模态参数辨识方法

针对大型渡槽安全运行评估问题,提出一种环境激励下基于二次滤波的希尔伯特-黄变换(Hilbert-Huang transform,HHT)模态参数辨识方法。采用小波阈值与经验模态分解(empirical mode decomposition,EMD)结合的二次滤波方法滤除运行环境中强噪声干扰,凸显结构动力特性,有效避免了模态混叠问题;根据奇异熵增量理论确定系统阶数,应用HHT方法辨识降噪后信号,提高辨识准确性和精度。将该方法应用于景泰川二期三泵站输水U型渡槽,辨识正常输水工况下结构前5阶模态参数,建立该渡槽第一跨三维有限元模型,并计算模型同工况下前5阶模态参数,对比模态参数辨识结果与有限元仿真结果。对比结果表明:2种方法计算结果非常接近,最大误差为4.4%。说明基于二次滤波的HHT模态辨识方法能准确高效辨识强噪声背景下结构模态参数,可将该方法推广到大型渡槽结构中,为渡槽安全运行评估和健康在线监测提供新思路,应用前景广阔。     

基于经验模态分解和形态学的风电并网电压故障检测

针对风电场并网点电压故障引起的风机大规模脱网问题,提出了基于柔性形态算子和经验模态分解(empirical mode decomposition,EMD)去噪技术的电网电压故障检测方法。首先,利用EMD对采样信号进行时频自适应预处理,从而确定噪声主导模态;然后,通过柔性形态学变换加阈值输出,有效放大信号奇异点,避免了因电网电压信号周期性变化和噪声引起的背景梯度对检测结果的影响,实现故障定位检测。通过对不同噪声强度的电压暂降故障信号进行检测对比分析发现,随着信号信噪比下降,标准形态学方法的检测误差进一步增大,当信噪比达到25db时,甚至出现了误检现象,而柔性形态EMD检测方法仍然可以有效检测故障扰动的起止时间,表明该方法与标准形态学和小波阈值方法相比,在简化运算过程的同时可以获得更高的检测精度。最后,对某风电场并网点故障电压的分析结果与实测数据的一致性,验证了该方法可以有效检测电网电压的瞬态故障信息,从而为风电场无功补偿装置的投切控制提供了依据。     

基于改进HHT的泵站管道工作模态辨识

为提高管道工作模态辨识精度,在希尔伯特-黄变换(Hilbert-Huang Transform,HHT)辨识基础上,发展奇异值分解(singular value decomposition,SVD)和经验模态分解(empirical mode decomposition,EMD)联合滤波技术与HHT时频域辨识结合的模态辨识方法。SVD-EMD联合滤除结构振动信号中的强噪声,凸显结构振动特性,有效避免了后期HHT参数辨识过程中虚假模态干扰,提高辨识精度和准确性。将该方法应用于景泰二期工程3泵站2管道的模态参数辨识问题中,建立该管道有限元模型并计算其结构动力特性。对比该文方法辨识结果、随机子空间辨识结果与有限元计算结果,该文方法辨识结果稍小于随机子空间辨识结果,与有限元计算结果更接近,其最大辨识误差为3.6%。研究表明,该方法能准确辨识管道频率,且有效降低管道结构背景强噪声。该研究可为管道安全运行和在线健康监测提供参考。