基于PPCA-1.5维能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题,提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析,通过对信号降维重构信号,提取信号故障特征主成分,去除强背景噪声干扰;然后对重构信号进行1.5维能量谱分析,从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析,结果表明与集合经验模态分解(EEMD)包络谱相比,采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。

基于SVD-LCD与1.5维谱的滚动轴承故障诊断

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比、非线性、非平稳的特征,提出了奇异值分解降噪、局部特征尺度分解和1.5维谱相结合的故障诊断方法。该方法首先运用奇异值分解降噪技术降低信号中的噪声,然后对降噪信号进行局部特征尺度分解,得到若干个内禀尺度分量,并进行Hilbert变换求取包络信号,最后求取包络信号的1.5维谱提取故障特征。通过轴承内圈故障数据分析,验证了该方法的有效性。

基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用1.5维包络谱对重构信号进行故障的特征提取。在实验部分,首先通过仿真试验将SSA-VMD与变分模态分解(VMD)进行对比,验证了SSA-VMD的优越性;然后搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用SSA-VMD结合1.5维包络谱的方法提取出了振动信号的故障特征频率,总结了行星齿轮箱磨损故障演化规律。研究结果表明:随着磨损故障程度的加深,故障特征频率出现次数明显增多,凭借这一规律,有利于实现对行星齿轮箱磨损故障的诊断;该结果可为行星齿轮箱磨损的故障诊断提供依据。

基于1.5维Teager峭度谱的滚动轴承故障诊断研究

滚动轴承故障振动信号中的冲击成分呈现显著的非高斯性,高阶累积量和高阶谱技术是处理非高斯信号的良好分析工具。在四阶累积量-Teager峭度的基础上提出滑动Teager峭度的分析方法,并联合三阶谱-1.5维谱,提出基于1.5维Teager峭度谱的滚动轴承故障诊断方法。该方法首先对轴承故障信号进行滑动Teager峭度计算,获得一个反应故障信号冲击特性的Teager峭度时间序列,然后通过计算Teager峭度时间序列的1.5维谱,提取出滚动轴承故障特征频率。通过仿真信号分析验证了该方法的解调性能和提取滚动轴承弱冲击故障特征的能力。最后分析了滚动轴承内圈故障实验测试信号,并和基于快速Kurtogram算法的共振解调方法进行对比分析,验证了该方法的有效性。

局域均值分解和1.5维谱在机械故障诊断中的应用

针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。

最大相关峭度解卷积结合1.5维谱的滚动轴承早期故障特征提取方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,尝试将最大相关峭度解卷积方法引入到滚动轴承故障诊断领域,并与1.5维谱结合,提出了最大相关峭度解卷积结合1.5维谱的轴承早期故障特征提取方法。首先对故障信号做最大相关峭度解卷积预处理,然后计算解卷积信号的包络信号,最后对包络信号做1.5维谱分析,从而得到解卷积信号的1.5维包络谱,通过分析谱图中幅值突出的频率成分来判断故障类型。滚动轴承故障模拟及实测信号分析结果表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。

基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。

变转速工况下基于改进奇异谱分解和1.5维包络阶次谱的风电机组轴承损伤识别

为实现变转速工况下风电机组轴承故障损伤的准确识别,提出一种基于改进奇异谱分解(ISSD)和1.5维包络阶次谱的诊断方法。针对奇异谱分解存在的端点失真和奇异谱分量数量判定问题,提出极限学习机延拓结合窗函数的端点效应抑制策略以及基于Person相关系数的分量数量判定策略。首先,通过计算阶次追踪算法对拾取的信号进行等角度重采样,继而对重采样角域信号进行ISSD处理;为便于后续分析,利用排列熵指标从ISSD处理结果中筛选出最佳主敏感奇异谱分量,对其执行对称差分能量算子解调运算,并计算所得包络信号的1.5维谱;最后通过分析1.5维包络阶次谱中的阶次成分准确判定轴承运行状态。实验台信号及实测工程信号验证表明,所提方法能有效提取变转速工况下风电机组轴承损伤特征,具有一定工程参考价值。

基于LMD能量信号和1.5维谱的轴承故障分析

为了更准确的诊断滚动轴承是否发生故障,提出了利用Teager能量算子求LMD分量能量信号,再做其1.5维谱的方法。局部均值分解(Local Mean Decomposition,简称LMD)算法分解得到一组乘积函数分量,每一个分量都可近似看作一个线性平稳的单分量信号。Teager能量算子可以追踪信号瞬态能量,使故障冲击成分突出。1.5维谱具有降低频谱中高斯噪声影响的作用。新的故障诊断方法结合了各方法的优点,能有效地提取滚动轴承故障信号的特征频率及其倍频。通过对实测滚动轴承外圈、滚动体、内圈故障信号的分析,有效地提取了各种故障的特征频率,验证了新方法在滚动轴承故障特征提取中的可靠性。

基于1.5维谱的船舶轴频电场信号实时检测

为有效地从海洋环境电场中检测出船舶轴频电场信号,在采用正态概率图法分析海洋环境电场高斯性的基础上,利用1.5维谱在抑制高斯噪声和加强谐波信号基频分量等方面的优势,提取特征频段(1～7Hz)范围内的1.5维谱的平均值为特征值,利用滑动检测方法对信号进行了实时检测,并通过实测数据对该检测算法进行验证。结果表明:该方法在信噪比较高和较低的情况下均能较好地实时检测到目标信号,并且在没有目标信号的情况下不会出现虚警。

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。

基于自适应的SSD算法和1.5维谱的新型雷达干扰识别

随着数字射频存储器(DRFM)技术的发展,新型有源雷达干扰呈现出灵活多变和脉压增益大的特点,对雷达的生存环境是个严峻的挑战,如何有效地捕捉并识别干扰类型具有研究意义。本文提出了一种基于自适应的奇异谱分解(SSD)算法和1.5维谱的识别方法。通过对5种干扰和回波进行SSD分解,利用峭度准则自适应选取最佳分解个数和最佳分解分量,对最佳分解分量进行1.5维谱估计,将估计结果送入到支持向量机(SVM)中训练学习并分类。仿真结果表明,该方法智能化选参和特征稳定的优点突出、识别率较高。

参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离方法

针对滚动轴承复合故障分离的问题,基于相关峭度具有突出故障冲击周期性的特点和1.5维谱抑制高斯白噪声、剔除非耦合谐波分量的优点,提出了参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离的方法。首先以轴承不同故障特征频率对应的周期计算得到的最大相关峭度为评价指标,通过相应的相关峭度图来实现VMD中参数选择以及最优分量的选取;然后对最优分量进行包络处理,并为减少冗余成分和噪声干扰,选择1.5维谱来对包络信号做进一步分析,以此来实现滚动轴承复合故障的有效分离。通过对轴承复合故障仿真及实验信号的分析证明了该方法的有效性。

基于频率加权能量算子与1.5维谱结合的发电机特征振动信号增强

针对多极发电机故障振动信号信噪比低,故障识别难度高的不足,本文提出了频率加权能量算子(FWEO)与1.5维谱结合的方法来对发电机振动信号进行特征增强和滤噪。该方法应用频率加权能量算子来提取瞬态冲击特征和滤噪,应用1.5维谱来进行信号的二次特征增强和抑噪。对3对极发电机定子匝间短路故障前后定子振动数据的处理效果表明,本文所提方法能有效对发电机特征振动信号进行增强并实现有效滤噪,实现故障的快速识别;其处理效果不仅优于单一的频率加权能量算子和单一的1.5维谱,而且与当前流行的最大相关峭度解卷积算法相比具有一定优越性。

基于1.5维谱的脑电非线性相位耦合分析

应用随机信号的1.5维谱分析脑电信号,旨在克服脑电功率谱分析的缺陷,同时保留高阶谱分析的优良特性。对五种不同思维状态(放松、启发式写信、两位数乘、数字擦除重绘、三维旋转)下的脑电进行1.5维谱分析,并对分析结果作了初步的讨论。分析显示,所有脑电均出现明显的平方相位耦合结构,但在不同思维状态下的脑电平方相位结构存在明显的差异,结果表明相位耦合信息可能为研究脑电提供新的途径。

基于SSD和1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障信号信噪比低、较难提取的问题,提出了基于奇异谱分解和1.5维谱的滚动轴承故障诊断方法。首先,利用SSD处理振动信号得到一组奇异谱分量;然后,根据峭度准则选取最佳分量并进行包络解调;最后,计算包络信号的1.5维谱并分析谱图中提取到的故障特征信息,实现故障类型的准确判定。试验结果表明,该算法能够有效提取轴承内、外圈早期微弱故障的特征信息,与单一方法及EMD相比具备更佳的诊断效果。

机械故障信号的压缩域信源净化与1.5 维谱诊断方法

压缩感知技术通过构造满足约束等距性质(restricted isometry property,RIP)的观测矩阵,能够实现数据的有效降维(即压缩测量),但与之相伴的是如何从压缩信号中高质、高效地重构原始信号.为了规避烦琐的重构流程,提出了一种基于压缩域特征辨识的故障诊断方法.在压缩感知的基本框架下,以行阶梯观测矩阵替代主流的高斯随机测量矩阵,实现对原始信号的压缩测量.针对随机噪声对于压缩观测信号的干扰,建立基于最大相关峭度反卷积(maximum correlation kurtosis deconvolution,MCKD)与1.5维谱的微弱故障特征提取方法,即通过MCKD增强压缩信号中的周期冲击成分,剔除传递路径与背景噪声的干扰,进而采用1.5维包络谱提取故障特征频率.结果表明:该方法不但规避了经典压缩感知的复杂重构过程,而且在受到强噪声干扰的条件下,也能获得准确的故障诊断结果.

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。

融合Autogram的共振解调和1.5维谱的滚动轴承复合故障诊断方法

对滚动轴承复合故障进行诊断时,通常采用先分离后诊断的信号处理方法,由于故障特征信号相互耦合或干扰,容易出现误诊或漏诊的现象,针对该问题,提出了基于Autogram的共振解调和1.5维谱的复合故障诊断方法,能够在不分离复合故障信号的前提下识别故障类型。采用变分模态分解(VMD)对原始振动信号降噪,提出了一种综合指标Z选取VMD的有效分量进行信号重构,提高信号的信噪比;使用Autogram算法确定共振频带中心频率和带宽,对共振信号进行包络解调,得到包络信号的1.5维谱,根据1.5维谱中的故障特征来识别滚动轴承复合故障的类型。采用滚动轴承3种不同类型复合故障的实测信号验证了所提方法的可行性,试验结果表明,所提出的方法可以提高复合故障识别的准确性和直观性。