基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。

连续小波最优重构尺度确定方法与故障早期识别

旋转设备的微弱故障特征信息提取对于故障的早期预警具有重要意义,连续小波可以通过变换对信号实现多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于微弱故障信号的检测。不同尺度上的信号重构对于设备的故障特征表示并不相同,为此提出一种基于连续小波变换的微弱特征提取新方法。对信号采用连续小波进行分解,应用小波熵来选择最优的尺度进行信号重构,并对重构信号进行包络谱分析;根据提取的特征频率来确定故障的种类。通过仿真信号和滚动轴承故障信号的微弱特征提取进行方法的验证分析。研究表明基于连续小波最优尺度重构方法能够有效地对微弱特征进行提取。