基于改进傅里叶模态分解和频带熵的滚动轴承故障诊断方法

[目的]针对多分量、强背景噪声下滚动轴承故障特征提取困难的问题,提出一种将改进傅里叶模态分解(MFMD)和频带熵(FBE)分析相结合的滚动轴承故障特征提取方法。针对傅里叶分解(FDM)在强背景噪声下边界频率偏移和过分解等问题,提出频带熵和包络谱相结合的敏感频带和敏感模态分量选取方法。[方法]首先,通过FBE分析选取频带熵区域的极小值,将其作为敏感频带的中心频率并确定敏感频带边界;然后,在敏感频带区间内对信号进行带限傅里叶模态分解,从而获得若干个相互正交的傅里叶本征模态函数(FIMF)及其边际希尔伯特谱;其次,根据FIMFs与原信号频带熵的区域从属关系,选取可以反映故障特征的敏感FIMFs;最后,对所选取的FIMFs进行包络谱分析并提取故障特征。[结果]轴承仿真和实验结果表明,该方法可以实现轴承故障的精确诊断。[结论]研究成果可为滚动轴承的健康状态评估提供参考。

基于傅里叶分解与排列熵的水轮机组去噪方法研究

针对强背景噪声下水轮发电机组原始信号难以提取的问题,提出了基于傅里叶分解(FDM)和排列熵相结合的水轮发电机组背景噪声去除方法。首先基于傅里叶分解理论将水轮发电机组信号分解为若干个瞬时频率的固有频带函数;然后对其进行排列熵的计算,利用排列熵对噪声的敏感特性,对所得的固有频带函数进行筛选,将符合条件的函数进行重构,达到对信号去噪目的;最后利用该方法进行仿真和实例分析,同时与EMD排列熵方法进行对比。结果表明,基于FDM与排列熵方法去噪效果更好,更适合应用于水轮发电机组背景噪声的去除。

傅里叶分解和调制信号双谱的滚动轴承故障诊断

在噪声干扰较强的环境下,为了克服傅里叶分解方法(Fourier Decomposition Method,FDM)在分析调制信号及单独使用调制信号双谱(Modulated Signal Bispectrum,MSB)在分析非平稳信号方面的不足,提出了一种FDM和MSB相结合的滚动轴承故障诊断方法。首先,使用FDM按照高频到低频的方式搜寻傅里叶固有模态函数分量(Fourier Intrinsic band Functions,FIBFs);以加权峭度指标作为评判标准,对信号进行重构,确保得到最佳的信号;然后对新的信号利用MSB分析方法进行解调处理,最终通过复合切片谱实现故障特征频率的提取。最后,通过上述方法对模拟信号和滚动轴承外圈故障信号进行分析,其研究结果表明:该方法能够有效地提取故障特征频率,并且与常规双谱进行对比,验证所提方法的优越性。

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。

基于傅里叶分解方法的风电齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。

改进的傅里叶分解方法及其在滚动轴承故障诊断中的应用

为了克服傅里叶分解方法在频谱扫描过程中容易获得较多相近边界,导致无效分量过多的问题,提出了一种改进的傅里叶分解方法(improved Fourier decomposition method,IFDM),并将其应用到轴承故障诊断中。首先,IFDM以傅里叶变换为基础,通过建立邻域叠加准则,将同大于或同小于特征平均值的若干相邻原始分量进行合并,得到一组傅里叶固有模态函数(Fourier intrinsic mode functions,FIMF),从而减少无效分量。其次,重构峭度值大于均值的若干FIMF分量,提取敏感故障特征信息。然后,采用自适应多尺度加权形态学滤波(adaptive multi-scale weighted morphological filtering,AMWMF)去除重构分量中的无关分量及背景噪声。最后,对滤波信号进行频谱分析。仿真和实测信号的分析结果验证了所提方法在轴承故障诊断中的有效性,同时,与现有方法的对比结果表明了所提方法的优越性。

基于循环包络经验傅里叶分解的轴承故障诊断方法

针对傅里叶分解方法存在过度分解、运算时间长等问题,提出了一种基于循环频谱包络的经验傅里叶分解(CEEFD)算法,并将该算法运用到滚动轴承故障诊断中。首先,对信号进行了快速傅里叶变换(FFT),获得了信号的频谱,对傅里叶频谱进行了循环包络,得到了包络曲线,减少了无用极值点的个数,抑制了噪声对分量的干扰;然后,采用改进的局部最大最小值(local max min)分割技术,对频谱包络曲线进行了频带分割;最后,构建了零相位滤波器,采用逆快速傅里叶变换(IFFT)对每个频带进行了信号重构,得到了若干个瞬时频率且具有物理意义的单分量信号;通过对仿真信号和滚动轴承实测信号的分析,并将其与经验模态分解(EMD)、经验小波变换(EWT)、傅里叶分解方法(FDM)、变分模态分解(VMD)和经验傅里叶分解(EFD)进行了实验对比验证。研究结果表明:采用CEEFD方法获得的单分量包含了更准确的故障特征信息,验证了CEEFD方法的有效性,CEEFD方法可用于轴承的故障诊断;相对于上述方法,CEEFD方法具有更高的准确精度和更强的抗噪声干扰能力。

基于傅里叶分解方法的肌肉疲劳状态分类研究

由于表面肌电(sEMG)信号具有非线性和非平稳性,导致传统的肌肉疲劳分类方法存在局限性,基于此提出一种基于傅里叶分解方法(FDM)和机器学习相结合的肌肉疲劳分类方法。使用FDM将sEMG信号分解为一系列傅里叶固有频带函数(FIBF),确定最优分解水平,利用FDM提取各FIBF分量总功率占sEMG信号总功率的比例(FTPR)作为分类特征,对比各机器学习分类算法的有效性和数据长度对分类准确率的影响。研究表明基于FDM的特征提取方法能够有效的识别肌肉疲劳状态,在数据长度为3000且FDM的10层分解水平下,使用支持向量机分类器,得到了98.17%的平均分类准确率。对每个FIBF分量单独进行分析,发现在第5个FIBF分量下的FTPR有最好的类可分性,肌肉疲劳时第1~2分量的FTPR会变大,第4~10分量的FTPR会变小,即当肌肉疲劳时sEMG信号0~117 Hz区间的频率幅度会增加,175.5~585 Hz区间的频率幅度会下降。通过对比不同特征提取方法的肌肉疲劳分类效果,实验结果表明FDM和FTPR特征能够显著提高分类准确率。因此,所提方法可用于肌肉疲劳状态识别。

应用变分模态分解及能量熵的扬声器异常声分类

为更准确地实现扬声器异常声分类以及促进其分类的自动化,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵和遗传算法优化的支持向量机(Genetic Algorithm-Support Vector Machines,GA-SVM)的扬声器异常声分类方法。首先对测得的扬声器单元声响应信号进行VMD,然后提取每个变分模态函数(Variational Mode Function,VMF)的能量熵并进行统计分析,最后利用GA-SVM进行异常声判断。实验结果表明,与VMD时频熵、经验模态分解(Empirical Mode Decomposition,EMD)能量熵、EMD时频熵这3种特征提取方法相比,VMD能量熵能更准确地表征扬声器单元异常声特征,具有更高的平均识别率,其平均识别率为96.3%,较以上3种方法分别提高了18.3%,24.0%,54.3%。

基于小波包分解的自适应同步压缩短时傅里叶变换

获得同时含有稳态频率和瞬态频率成分信号的高分辨率时频分布是时频分析的重点与难点,为了解决此类信号进行同步压缩短时傅里叶变换(synchro-squeezed short time Fourier transform,SSTFT)时窗长受限的问题,提出了基于小波包分解的自适应同步压缩短时傅里叶变换(adaptive synchro-squeezed short time Fourier transform by wave packet decomposition,WPD-ASSTFT)方法。首先,借助小波包分解将信号分解为若干个子信号;之后,对不同的子信号进行自适应窗长选择,确定使子信号进行短时傅里叶变换(short time Fourier transform,STFT)的时频分布Renyi熵值最小时对应的窗长——最优窗长;然后,将各个子信号在最优窗长下进行SSTFT;最后,将所有子信号的时频分布相加得到原始信号的时频分布。通过小波包分解,将信号分解为不同频率范围的子信号,通过自适应窗长选择,使得SSTFT的时频图分辨率最佳。利用该方法对仿真信号和铁路轴箱加速度信号进行分析,结果表明:由WPD-ASSTFT得到的时频分布具有良好的分辨率。

手势认证中基于能量熵的端点检测方法研究

为了保证智能手机敏感信息的安全性,设计实现了一种基于手机内置三轴加速度传感器的三维手势认证方案。在手势端点检测部分,在定性分析手势加速度信号能量分布特性的基础上,提出了一种基于能量熵的新方法实现有效手势截取。进一步设计基于欧式距离的动态时间规整算法对截取后的手势序列信号进行匹配认证,当他人模仿手势错误接受率趋近0%时,本人认证手势错误拒绝率维持在7%左右,从而实现智能手机用户身份识别。

不同热分析方法研究B炸药的热分解

用差示扫描量热仪(DSC)、热重-微熵热重分析仪(TG-DTG)、动态真空安定性技术(DVST)和温度跃升傅里叶变换红外(T-Jump/FTIR)光谱测定法对B炸药在不同试验条件下的热分解行为进行了研究。结果表明,在50～400℃有一个吸热峰和放热峰,吸热峰与主体炸药TNT的熔化峰相一致,放热峰与主体炸药RDX的分解峰一致。在50～400℃有两个失重阶段,第一个失重阶段的失重量与主体炸药TNT的失重量一致,第二个失重阶段的失重量与主体炸药RDX一致,与DSC分析结果相符。B炸药在100℃/48h下的产气量为0.43mL/g,表明B炸药有好的热安定性。B炸药快速热裂解过程的含氮气相产物主要有NO、NH3、HCN和HONO。含碳气体产物主要有CO、CO2、HOCO和HCN。得到了这些产物相对摩尔浓度随时间变化的曲线。

基于高阶傅里叶同步挤压变换与希尔伯特变换的次同步振荡分析

针对次同步振荡分量提取存在噪声干扰和模态混叠问题,提出一种结合高阶傅里叶同步挤压变换(high-order Fourier synchrosqueezed transform,HFSST)与希尔伯特变换(Hilbert transform,HT)的次同步振荡分析方法。该方法在傅里叶同步挤压变换(Fourier syn-chrosqueezed transform,FSST)基础上,通过信号幅值和相位的高阶泰勒展开,定义一种调制算子对瞬时频率估计进行修正,从而提高信号时频分布的能量聚集程度和重构精度。然后,将所提方法应用于次同步振荡分析中,利用该方法对次同步振荡进行时频分析和模态分解,并与HT结合得到各分量振荡参数。通过仿真实验和实测数据分析,并与短时傅里叶变换(short-time Fourier transform,STFT)、重排方法(reassignment method,RM)、经验模态分解(empirical mode decomposition,EMD)等对比,结果表明:所提方法能抑制噪声干扰,得到更好的次同步振荡时频分布,同时可实现多分量的次同步振荡模态分解,准确辨识次同步振荡参数,对电力系统安全稳定运行具有一定的参考意义。

广义变系数KdV方程的保角能量守恒方法

基于保角哈密尔顿系统的辛形式,对带依时系数的广义KdV(TDKdV)方程提出一个保角能量守恒算法.通过算子分裂方法,方程被分裂成一个哈密尔顿系统和一个耗散系统,其中,耗散系统被精确求解.哈密尔顿系统在时间上采用二阶平均向量场(AVF)方法离散,在空间上采用傅里叶拟谱方法离散.在合适的边界条件下,所提方法可精确保持离散保角能量守恒律及离散保角质量守恒律.数值实验验证文中方法在长时间数值模拟过程中的有效性.

能量图空间分解法和DSW相结合的步态识别

提出一种能量图空间分解法和DSW(动态空间规整法)相结合的步态识别算法;提取二值化步态轮廓序列,通过计算差分图像获取步态序列的活动能量图,在空间域进行行列分解;通过加窗和傅里叶变化等对分解向量进行频谱分析,并对频谱曲线求极值来构建步态特征向量;采用DSW算法,进行空间领域的步态分类识别。使用中科院自动化研究所的Dataset B数据库进行了充足的实验,最终的平均识别率达到了93%,并对衣服背包具有较强的鲁棒性,与其他相关文献的对比显示该算法具有更好的识别性能。

基于MCKD-FDM方法的汽车轴承振动信号降噪

为了提高电机轴承的故障诊断精度,选择傅里叶分解(FDM)方法把降噪处理信号分解,利用最大相关峭度反褶积(MCKD)重构信号包络谱图实现信息故障的诊断,并开展仿真与实验测试分析。研究结果表明:测试信号形成了明显的故障特征频率与各阶倍频,各阶倍频都发生了幅值降低。采用本文方法可以显著突出故障冲击成分,也可以提取获得丰富轴承故障信息,更明显体现故障特征频率与倍频。本研究故障诊断方法能够满足高精度的汽车传动系统故障检测要求。

小波包样本熵的扬声器异常音特征提取方法

为了更准确地对扬声器异常音进行分类,给出一种基于小波包分解和样本熵的扬声器异常音特征提取方法。在基频陷波预处理后,对信号进行3层小波包分解,计算重构信号的样本熵以构成特征向量。实验结果表明,在小样本的情况下,SVM算法使用小波包分解和样本熵特征提取,分类准确率为93.33%,比能量均值方法高5%,验证了特征提取方法的有效性。

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。