基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。

基于Teager能量算子的滚动轴承故障诊断研究

周期性冲击是判断滚动轴承局部损伤故障的关键特征,如何提取周期性冲击及其重复频率是轴承故障诊断的关键。Teager能量算子能够估计产生信号所需的总机械能,对信号的瞬态变化具有良好的时间分辨率和自适应能力,在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率,针对滚动轴承故障振动信号中的瞬态冲击特点,提出了基于Teager能量算子的频谱分析方法,利用Teager能量算子提取轴承故障引起的周期性冲击,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。分析了滚动轴承故障仿真信号和实验测试信号,并和包络谱方法进行了对比分析,准确诊断了滚动轴承元件故障,验证了该方法的有效性。

基于Teager能量算子(TEO)基频的应力影响下的变异语音分类

变异语音识别是一项极具挑战意义的研究课题,一种解决方法是在前端对语音进行变异分类,然后根据不同变异情况采用相关的处理算法。在各种语音变异中,说话人在战斗机、航天飞机座舱等环境中,身体受到应力（重力）影响时的情况更具有特殊性。其所引起的发音变异有别于因心理的、感知的或生理的因素所引起的变异,目前国内外还鲜见有关应力影响不变异语音分类问题的专门研究。木文从对应力影响下的几种基于基频的语音特征的分析出发,提出了对应力影响下的变异语音和正常语音进行分类的方法。对航空模拟飞行器中采集的小词表实验样本,特定人平均分类正确率达到了93.3％,多说话人分类上确率达到了85.8％。

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术。首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障。

基于Teager能量算子的低频振荡节点同调分群

实际互联电网发生低频振荡时,除了需要获取振荡的频率、幅值、阻尼比外,还需获得振荡节点的同调分群关系、振荡中心或分界面的位置信息,以便运行人员及时采取措施抑制振荡。为此基于Teager能量算子提出了节点同调分群方法。首先采用经验模态分解方法对各节点实时注入有功功率或频率信号进行预处理,然后利用Teager能量算子快速求取分解后模态曲线的频率、幅值,在电网关心模式的频率下应用相关分析技术计算各模态曲线相对幅值最大模态曲线的相角差,从而得到低频振荡过程中节点的同调分群关系。仿真算例验证了该方法的有效性。

基于Teager能量算子和深度置信网络的滚动轴承故障诊断

针对传统的分类器对滚动轴承早期微弱故障进行诊断时泛化能力不强的问题,提出基于Teager能量算子(TEO)和深度置信网络(DBN)的滚动轴承故障诊断方法。先用TEO提取滚动轴承振动信号中的瞬时能量,构造相应的特征向量;采用层次优化算法调整DBN结构参数,生成合适的分类器。应用美国西储大学轴承实验振动信号,对不同类型、不同损伤程度的滚动轴承进行故障诊断,对比分析DBN、支持向量机(SVM)和邻近算法(KNN)的分类准确性。研究结果表明:DBN能更准确、稳定地识别滚动轴承各种故障,具有较强的泛化能力。

基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.

Teager能量算子结合MCKD的滚动轴承早期故障识别

针对Teager能量算子在解调滚动轴承早期微弱故障特征中的不足,提出一种最大相关峭度解卷积降噪与Teager能量算子解调相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后利用Teager能量算子增强降噪信号中的周期性冲击特征、抑制非冲击成分,最后通过分析Teager能量谱中明显的频率成分来诊断故障类型。滚动轴承外圈、内圈故障诊断实例表明,该方法能有效实现滚动轴承早期微弱故障的识别。

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。

基于Teager能量算子(TEO)非线性特征的语音情绪识别

目的探索识别汉语语音情绪的有效识别特征。方法采用基于Teager能量算子(TEO)的非线性特征,通过马尔可夫模型法(HMM),从汉语语音中识别平静和生气、欢快、悲伤4种情绪。结果文本有关时,5个非线性特征:基于频域TEO的Mel倒谱系数(nonlinear frequency domain Mel,NFD-Mel)、基于幅频特性的Mel倒谱参数(am plitude and frequency property Mel,AF-Mel)、基于微分幅频特性的Mel倒谱参数(am plitude and frequency property Mel of differential,DAF_Mel)、基于幅度调制的子带倒谱参数(AM-based SBCC,AM_SBCC)及基于幅频调制的子带倒谱参数(AMFM-based SBCC,AMFM-SBCC)的情绪识别性能全部高于Mel频率倒谱参数(Mel-scaled cepstrum coefficients,MF-CC)。文本无关时,NFD-Mel、AF-Mel、DAF-Mel的识别率高于MFCC,AM_SBCC、AM FM-SBCC的情绪识别率低于MFCC。结论结合非线性TEO的识别特征NFD-Mel、AF-Mel、DAF-Mel可有效提高情绪识别性能。

基于Teager能量算子的电能质量扰动实时检测方法

建立一个有效的电能质量监控系统的关键,首先在于实现对扰动的快速、准确检测。通过引入Teager能量算子(TEO),提出基于TEO的实时检测方法。由于Teager能量算子只需要对被测波形相邻的三个采样点进行两次乘法和一次加法运算,使得所提算法快速、简洁,具有优良的时间分辨率,能实时跟踪被测信号波形变化。仿真和实验结果表明,所提算法能够准确、迅速地检测和定位电能质量扰动的发生,具有优良的检测效果。

基于Teager能量算子和频率弯折小波变换的语音识别特征参数

基于Teager能量算子(TEO)的抑制噪声性、小波变换的多分辨特性以及具有频率弯折效应的Laguerre序列,提出一种新的语音识别特征参数提取算法.该参数一部分来源于TEO与传统的倒谱分析,它们相结合产生的参数称之为TEOCEP;另一部分基于频率弯折小波得到的频率弯折小波能量(FWWE)矢量参数,由此提出了TEOCEP-FWWE特征参数.对新的语言特征参数实验评估表明,该算法提高了语音识别的性能,具有较强的鲁棒性.

基于Teager能量算子的风电并网闪变包络线提取

利用Teager能量算子进行闪变包络线的检测。该方法提取包络线只需要对被测波形相邻的3个采样点进行计算,算法简洁,并具有优良的时间分辨率,能实时跟踪被测信号波形变化。该文考虑了单频闪变和多频闪变情况下包络线的提取,并与双正交复小波变换进行比较,证明了Teager能量算子比双正交复小波变换具有更高的准确度,且该方法在闪变频率越低,幅值越小时检测准确度越高,故可以适用于风电并网引起的闪变包络线提取。同时该文还考察了含有噪声情况下,Teager能量算子检测包络线的能力,经过适当滤波,在检测准确度相当的情况下,Teager能量算子的计算量小,计算速度快。

利用Teager能量算子瞬时能量的模块化多电平换流器多端柔性直流电网保护方法

为提高模块化多电平换流器多端柔性直流电网快速清除和隔离故障的能力,提出了一种利用Teager能量算子提取电压故障分量瞬时能量的纵联保护方法。根据多端柔性直流电网故障后的电压故障分量瞬时能量的不同,利用Teager能量算子对电压故障分量进行处理,提取电压故障分量瞬时能量最大值,构造保护判据,给出整定原则。利用各保护测量安装处的电压故障分量瞬时能量最大值判定故障区间及区内外故障。利用同侧换流站正负极电压故障分量瞬时能量之比进行单双极故障判定,并进行故障选极。在PSCAD/EMTDC仿真平台搭建了±500kV四端柔性直流电网模型进行验证,结果表明,所提方法可在3ms内快速可靠动作,耐过渡电阻能力强,在不同的工况下都可准确进行故障区间及区内外故障判别,并可实现故障选极。

应用VMD与Teager能量算子的结构模态系统辨识

针对变分模态分解(variational mode decomposition,简称VMD)参数选择对结构模态特征识别的影响,应用VMD和Teager能量算子(Teager energy operator,简称TEO)提出了一种新的结构系统辨识方法,根据VMD层数参量K的变化寻找稳定的极点,用于识别结构模态特性。为了满足TEO对单分量的要求,采用VMD方法将振动信号分解成不同尺度的细节信号(band-limited intrinsic mode function,简称BIMF)。对BIMF使用TEO法估计固有频率与阻尼比,使用层数参量K时形成的稳态极点判断真实结构模态系统参数,去除虚假分量。进行了数值和实验验证,并与传统方法进行比较,结果表明,所提出的方法在传统模态分析与环境激励的模态分析均为有效、准确且可行的。

基于小波包熵与EMD的能量算子解调机械故障诊断

针对在强噪声背景下轴承振动信号的非线性,非平稳性以及调制源微弱难以提取故障特征的问题,提出了一种基于小波包熵值与EMD(经验模态分解)结合的能量算子解调故障诊断方法。该方法首先对信号进行小波包熵值降噪,进而选取相关度最大的IMF(本征模态分量)进行能量算子解调,从而实现了提取该分量下的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于普通Hilbert解调法的运算精度与运算速度满足不了诊断需求的情况下,该方法能够有效解调出故障频率信息,实现对故障类别的推断。

最优最小熵反褶积与包络-导数能量算子在轴承故障提取中的应用

最小熵反褶积是检测轴承故障或齿轮故障信号等类脉冲信号的一种有效技术,但是该方法仍存在一个不足,即在使用前须设置滤波器的长度,而该参数值的选择一般只能通过技术人员的经验选择。针对这个局限性,提出了一个基于峭度、排列熵与信号能量的滤波器长度选择准则。通过该准则,可以有效地挑选出最优的滤波器长度,从而更好地对故障信号进行滤波。随后,一种增强的能量算子,包络-导数能量算子用来对过滤后的故障信号进行故障特征频率的提取。实验结果表明,该方法不仅可以有效地提取出轴承故障特征频率,并且与一些传统方法相比,该方法可以大大突出故障特征频率的幅值。

基于小波变换和Teager能量算子指纹图像增强

指纹增强是指纹自动识别系统中比较重要的一个环节,它直接影响到指纹识别系统的识别精确度。二维Teager滤波器是一种非线性边缘提取滤波器,其特性近似于Mean-Weighted高通滤波器,即兼有局域平均和高通滤波的特性,因而可均衡去除噪声和增强图像边缘。将一种改进的Teager能量算子用于小波分解后低频域的纹理滤波部分,并对高频域进行阈值量化去噪,最后重构子图像。实验表明,该算法能够使图像的质量明显得到改善。