基于高维混沌系统中振动共振的新型弱故障检测方法研究，以及变分模态分解的应用

《Chaos, Solitons & Fractals》：Research on a novel weak fault detection method based on vibrational resonance in high-dimensional chaotic system, and variational mode decomposition

本文构建高维洛伦兹-斯坦福混沌系统，通过引入扰动参数实现振动共振，结合参数化变分模态分解抑制强噪声干扰，并采用分数多尺度相排列熵优化模态选择，有效提取滚动轴承弱故障特征。

　　
这篇研究聚焦于振动共振理论在高维洛伦兹-斯坦福洛夫 chaotic system 中的创新应用，以及其在滚动轴承故障检测中的实践价值。核心思路是通过引入高频信号激发系统的共振效应，增强对微弱故障特征信号的识别能力，同时结合参数化变分模态分解（VMD）技术有效抑制噪声干扰。

在系统构建方面，研究团队基于经典洛伦兹-斯坦福洛夫 chaotic system，通过引入可调节的扰动参数，将传统三维模型扩展为高维动态系统。这种扩展不仅保留了 chaotic system 的本质特征，如敏感的初始条件依赖性和多维耦合的非线性特性，还增强了系统对复杂外部激励的响应能力。特别值得关注的是，通过调节高频驱动信号的幅度和频率参数，能够显著改变系统对低频信号的放大效果，形成动态可调的共振放大机制。这种设计突破了传统混沌系统在信号增强方面的局限性，使系统在非平稳工况下的故障检测更具适应性。

对于噪声抑制环节，研究提出参数化VMD方法与振动共振理论相结合的创新方案。传统VMD在分解复杂信号时存在模态混叠问题，尤其在强噪声背景下，特征信号容易与噪声模态混杂。本文通过引入自适应参数调节机制，使VMD分解过程能够根据噪声特性自动优化基函数的个数和频率分辨率。实验证明，这种参数化处理能使分解后的IMF（本征模态函数）中有效承载故障特征的信息占比提升30%以上。特别开发的FMPPE（分数多尺度相位排列熵）评价体系，通过融合多尺度时频特征和排列熵原理，实现了对IMF质量更全面的评估。相较于传统峭度指标，FMPPE在噪声鲁棒性方面表现出显著优势，能有效区分信号特征与噪声模式。

在振动共振机理方面，研究揭示了高维 chaotic system 中多参数耦合作用下的非线性共振现象。当高频驱动信号的频率接近系统本征频率时，系统会进入共振态，此时低频信号的能量被显著放大。值得注意的是，这种放大效应并非简单的线性增强，而是呈现复杂的非线性关系。通过调节驱动信号的幅度参数，系统可在多个共振峰之间切换，形成多稳态共振结构。这种特性使得系统既能检测低幅高频故障特征，又能识别低频但具有周期性的微弱信号，为复杂工况下的故障诊断提供了理论支撑。

实验验证部分构建了完整的仿真-实测验证体系。仿真模型采用四维洛伦兹-斯坦福洛夫 chaotic system，通过参数扫描发现当驱动信号频率与系统第一本征频率偏差小于5%时，共振增益可达传统方法的8倍以上。实测数据采集平台采用双传感器同步监测技术，5E103 eddy current传感器负责获取转速脉冲信号，1A206E振动加速度传感器则直接捕捉轴承座振动信号。对比实验显示，在信噪比低于-20dB的极端条件下，改进方法仍能保持85%以上的故障特征识别准确率，显著优于传统VMD结合共振的方法（约62%）。

故障检测应用方面，研究团队针对外圈和内圈两种典型故障模式进行了专项验证。外圈故障特征信号在传统处理中往往被高频背景噪声淹没，而本文方法通过共振放大机制，成功将故障特征频率段的能量提升至总信号能量的23.7%，较传统方法提升17.4个百分点。对于内圈点蚀故障，系统展现出独特的多尺度共振特性，在特定驱动参数下，故障特征信号的非线性熵值增加了41.2%，这为区分不同故障类型提供了新的理论依据。

方法创新主要体现在三个层面：首先，构建的高维 chaotic system 通过参数化设计，实现了对工业设备运行工况的动态适配；其次，参数化VMD结合FMPPE评价体系，解决了传统VMD在噪声敏感环境下的模态选择难题；最后，振动共振理论与多尺度熵分析的结合，突破了传统共振方法对信号周期的严格限制，使系统能够同时处理具有不同周期特征的复合故障信号。

实际应用验证中，研究团队搭建了包含旋转机械、振动传感器、数据采集系统等组件的实验平台。测试结果显示，在额定转速±20%的变速工况下，系统仍能保持稳定的共振响应，故障识别准确率波动幅度控制在±3%以内。针对振动信号中常见的非平稳噪声，参数化VMD方法通过在线调整分解参数，使噪声抑制效率达到92.4%，较传统固定参数VMD提升27.6%。

该研究在工业检测领域具有重要实践价值。以某风电企业轴承监测系统改造为例，应用本方法后，设备故障预警时间从72小时提前至18小时，停机维修成本降低43%。特别在齿轮箱等复杂机械系统中，该方法成功实现了对早期微裂纹、油膜劣化等潜伏性故障的精准识别，填补了传统振动分析在低信噪比工况下的技术空白。

未来研究可拓展至三个方向：一是开发基于深度学习的自适应参数调节算法，实现从离线调试到在线自适应的全流程优化；二是将该方法与数字孪生技术结合，构建轴承故障的动态预测模型；三是探索在极端环境（如高温、高压）下的适用性，这需要进一步优化 chaotic system 的热稳定性参数和机械结构设计。该成果为工业设备智能监测提供了新的理论工具和技术路径，对提升智能制造水平具有现实意义。