滚动轴承故障诊断的品质因子可调小波重构方法

针对轴承早期故障诊断困难的问题,提出了基于信号共振稀疏分解与品质因子可调小波重构的滚动轴承故障诊断方法.该诊断方法首先对轴承故障信号进行共振稀疏分解获得高共振分量和低共振分量;然后对低共振分量进行品质因子可调小波重构,并结合峭度分析,筛选出最佳分析信号;最后对最佳分析信号进行希尔伯特解调分析,从而提取滚动轴承故障特征信息.通过对仿真信号和实际故障信号进行分析,该方法能有效提取轴承故障信号中的冲击成分,凸显故障特征.

可调品质因子小波变换在转子早期碰摩故障诊断中应用

针对高速旋转机械转子发生早期动静碰摩故障时主要为转子工频成份及转子与支撑间碰摩所致瞬态冲击信号成份,据可调品质因子小波变换对信号品质因子定义为转子工频成份为高品质因子信号、转子动静碰摩所致瞬态冲击信号为低品质因子信号,分别构建高、低品质因子小波变换基函数实现转子早期动静碰摩信号工频成份与瞬态冲击成份有效分离,对碰摩故障进行模式识别。通过仿真信号及转子碰摩实验信号验证可调品质因子小波变换在转子早期碰摩故障诊断中的有效性。

基于可调品质因子小波变换和随机森林特征选择算法的电能质量复合扰动分类

针对电能质量复合扰动分类的复杂性,提出了基于可调品质因子小波变换(tunableQ-factorwavelettransform,TQWT)和随机森林特征选择算法的电能质量复合扰动分类方法。首先利用TQWT分解扰动信号,以减弱扰动分量间的耦合性,并使用提出的筛选方法选取最优子带并提取时域和频域特征;然后基于随机森林算法计算特征重要性,通过序列前向选择法去掉不相关特征和冗余特征,得到对应每种扰动标签的最优特征集;最后训练生成随机森林多标签分类模型,根据输出标签的组合得到扰动类别。仿真数据实验表明,该方法能够准确高效识别23类扰动,且抗噪能力强,提高了含暂降、含中断的复合扰动的分类准确率。并以实测数据实验证明了方法的可行性。

可调品质因子小波变换在滚动轴承微弱故障特征提取中的应用

针对滚动轴承早期微弱故障识别困难的问题,提出一种基于可调品质因子小波变换的特征提取方法。利用可调品质因子小波对原始信号进行处理,将其分解为若干子带信号,为了使所得信号分量包含尽可能多的故障相关信息,以峭度为指导标准对子带信号做进一步合并处理,并从所得结果中筛选出峭度极值分量,利用相关系数准则剔除冗余分量后,通过分析保留信号分量的包络谱来判断轴承的故障类型。利用所述方法对仿真信号和试验信号进行分析,均成功提取出微弱特征频率成分,由此表明该方法可实现轴承早期故障的精确诊断,具有一定可靠性和应用价值。

品质因子可调小波变换在谐波/间谐波检测中的应用

为有效抑制多种噪声,将一种品质因子可调小波变换(TQWT)应用于谐波/间谐波检测中。首先利用谐波/间谐波信号与噪声信号品质因子的不同,从检测信号中分离出谐波/间谐波信号,然后根据奇异值差分谱进行模型定阶,采用总体最小二乘-旋转矢量不变技术(TLS-ESPRIT)实现谐波/间谐波信号参数的有效提取。分别针对数值仿真信号、实测电弧炉电流信号进行分析,结果表明:与总体经验模态分解相比,TQWT有效削弱了随机噪声和脉冲干扰,较好地保留了信号的主要特征;TQWT与TLS-ESPRIT算法相结合,提高了强噪声背景下谐波/间谐波参数的检测精度。

基于品质因子可调小波变换与排列熵的电能质量信号检测方法

为有效检测电能质量信号,提出一种基于品质因子可调小波变换(TQWT)与排列熵的检测方法。方法利用电能质量信号与噪声信号品质因子的不同,通过品质因子小波变换将信号分解为高共振分量(电能质量信号)、低共振分量(脉冲噪声)及余项(随机噪声),从而实现电能质量信号与脉冲噪声和随机噪声的分离。通过排列熵值的变化检测出信号的突变点,捕捉扰动信号的起止时刻。该方法可有效抑制脉冲噪声与随机噪声,且波形畸变小、扰动特征提取准确。仿真结果验证了所提方法的可行性与有效性。

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。

自适应可调品质因子小波变换在轴承早期故障诊断中的应用

分析了可调品质因子小波变换(TQWT)的近似平移不变性,并通过模拟信号对该性质进行验证。提出了基于时频峭度指标优化的自适应可调品质因子小波变换(ATQWT)方法,用于解决滚动轴承早期故障诊断问题。首先利用时频峭度指标对TQWT的品质因子和冗余因子进行搜寻,确定最优影响参数后,根据所得结果设置好TQWT的参数并对原始信号进行处理,得到相应的信号分量并选定最佳信号分量,对最佳信号分量执行包络解调处理,最后分析包络谱中的频率成分来判定轴承的状态。实验信号分析结果表明:所得时频峭度指标更加可靠,鲁棒性更强。在低信噪比情况下,该方法可以准确分离出原始信号中的微弱特征,有效判定轴承的早期故障。

自适应TQWT滤波器算法及其在冲击特征提取中的应用

微弱故障的冲击特征提取,对于旋转机械设备平稳工况下的状态监测与诊断至关重要。针对强背景噪声下机械故障微弱冲击特征有效提取的难题,提出基于自适应可调品质因子小波变换(TQWT)滤波器的冲击特征提取算法。TQWT作为新兴的频域显式小波构造理论,具有匹配特定振荡行为信号成分、可利用FFT算法快速实现的优点。所提自适应TQWT滤波器算法,主要涉及TQWT参数(品质因子Q、冗余度r以及分解层数J)的优化选择以及最优特征子带的自适应选择,不依赖于先验知识。算法根据所提出的中心频率比指标以及能量加权归一化小波熵,分别对分解层数以及品质因子和冗余度进行优化选择,构造出适合揭示冲击信号成分振荡行为的优化可调品质因子小波基函数,进而利用冲击特征指标引导含冲击特征信息的最优特征子带选择,最后利用TQWT逆变换实现信号的重构与降噪,提取周期性微弱冲击特征。仿真试验与实测轴承信号的分析结果表明,算法能够自适应选择TQWT参数并实现微弱冲击特征的有效提取。

基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断

滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征,提出峭谱积(峭度和包络谱峰值因子的乘积,KEc)的新指标。以KEc为优化指标,采用网格搜索法确定TQWT最佳的品质因子Q,同时以中心频率比为优化指标,确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构,选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量,最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性,以XJTU-SY滚动轴承加速寿命试验平台研究对象,运用加速度传感器获取的试验数据集进行验证,识别结果准确率为94.5%。同时,与优化指标为峭度等的SVM识别结果进行比较,所提方法识别率提高了约1%~7%。对比结果表明,运用所提方法对滚动轴承早期故障进行识别,可以准确有效地诊断出轴承的故障类型,具有一定的实用价值。

基于CEEMDAN‑TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解(complete ensemble empirical model decomposition with adaptive noise,CEEMDAN)与可调品质因子小波变换(tunable Q⁃factor wavelet transform,TQWT)相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数(intrinsic mode function,IMF)分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解(empirical mode decomposition,EMD)方法,仿真信号经所提方法去噪后的波形失真百分比下降了44.94%;相较于仅使用CEEMDAN,现场信号经所提方法去噪后的噪声抑制比提高了26.64%。

基于K-SVD联合参数自适应TQWT的齿轮箱故障诊断

针对齿轮箱信号在强噪声背景下故障特征提取难的问题,课题组提出了一种K-均值奇异值分解(K-means singular value decomposition,K-SVD)联合参数自适应可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)的齿轮箱故障诊断方法。利用K-SVD稀疏表示齿轮箱故障信号,重构信号后去除噪声;针对TQWT对噪声鲁棒性不强且参数过度依赖人为选择的问题,结合齿轮箱早期故障信号的冲击性与周期性特征,提出了自相关峭谱积指标,以自相关峭谱积为优化指标对TQWT参数进行自适应选择;根据自相关峭谱积指标对子带进行筛选,对选出的子带进行重构,通过包络谱分析得到齿轮箱故障特征信息。仿真和试验结果表明所提出的诊断方法能有效提取低转速、强噪声背景下的齿轮箱故障特征。

基于MMED+TQWT方法的叶轮振动信号特征提取研究

为了提高高炉煤气余压发电装置(TRT)叶轮故障诊断能力,开发了以最小熵解卷积MMED和可调品质因子小波变换TQWT两种方法共同诊断叶轮故障的技术。先利用MMED方法转换初始振动信号获得更明显的故障冲击成分,再对经过预处理的信号实施TQWT分解,并设定相应的品质因子Q,再按照峭度最大原则确定子带最优分量并计算包络谱数据,实现叶轮故障的诊断功能。研究结果表明:采用本文方法分析故障冲击成分获得了显著增强,对噪声干扰起到了明显抑制作用。从包络谱内明显看到跟叶轮故障特征频率相同的频率特征,形成了明显的边频带,说明叶轮中已形成故障特征。

基于CEEMD与TQWT组合方法的爆破振动信号精细化特征提取

针对传统小波在爆破振动信号特征提取和分析方面的局限性,提出了基于CEEMD和TQWT组合的信号精细化特征提取方法。预先设定可调品质因子小波TQWT高、低品质因子参数对CEEMD分解优势分量重组信号进行分解,并引入相对权重因子θ,优化了分解过程,实现了爆破振动信号特征的精细化提取。分析结果表明:组合方法对爆破振动信号的分析不依赖于先验小波基的选择,分解过程实现了信号的二次滤波。通过连续小波多尺度三维谱和时频小波脊线对比,说明组合算法分解得到的最佳分析信号可真实反映振动信号的细节信息,时频分辨率更高。该组合方法抑制了杂波分量对信号特征的干扰,可精确地提取复杂环境下的爆破振动信号特征信息。

改进的TQWT在滚动轴承早期故障诊断的应用

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。

绝缘油对变压器有载分接开关振动信号的影响

为进一步理解和掌握绝缘油对变压器有载分接开关(on-load tap-changer,OLTC)切换过程中振动信号的影响,以某35 kV变压器OLTC为试验对象,分别对变压器油箱和OLTC油室内均有油、变压器油箱内有绝缘油和OLTC油室内无绝缘油、变压器油箱和OLTC油室内均无绝缘油3种状态下OLTC切换过程中的振动信号进行了测试。然后应用可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)将振动信号分解为多个复杂度不同的时间序列,经3次样条插值算法计算了各个时间序列的近似熵。结果表明,近似熵较好地度量了OLTC振动信号经TQWT分解后的时间序列的复杂度,OLTC油室内绝缘油的阻尼等降低了其切换过程中振动信号的复杂度,变压器油箱内绝缘油对振动信号的影响有限,但呈现随机性。研究结果可为基于OLTC机械状态的振动监测技术提供重要依据。

基于优化TQWT和LE的变压器绕组状态检测

为实现短路冲击下变压器绕组状态的准确检测,提出了优化可调品质因子小波变换(TQWT)和拉普拉斯特征映射(LE)相结合的方法对变压器短路冲击下的振动信号进行分析。提出归一化奇异值熵作为TQWT分解过程中关键特征参数的选取准则,然后对TQWT分解后的振动信号子带能量序列进行LE,用以获取表征绕组状态的振动信号敏感特征。对某110 kV变压器短路冲击试验下振动信号的计算结果表明:优化TQWT算法可有效提高短路暂态振动信号分解的准确性,经LE获取的振动信号敏感特征可更加清晰地反映变压器绕组机械状态的劣化过程。当特征向量距离的变化超过3倍时,需要重点关注变压器绕组状态,从而为变压器绕组状态检修策略的制定提供依据。

基于PEGIES和TQWT的滚动轴承故障特征提取

针对滚动轴承在强背景噪声下周期性冲击特征难以提取的问题,提出一种基于周期增强的包络谱基尼系数(periodically enhanced Gini index of the envelope spettrum,PEGIES)和可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)相结合的滚动轴承故障特征提取方法。首先,以PEGIES为TQWT分解效果的评判指标,事先设定品质因子Q和冗余度迭代范围区间,以中心频率比CFR为阈值指标及最大分解层数公式确定对应品质因子Q分解下的最佳分解层数J。通过网格搜索的方式确定最佳品质因子Q,得到其对应的TQWT分解重构子带,选取大于PEGIES均值的子带进行合并处理得到最佳分量,通过Hilbert包络解调得到故障特征。为验证方法的有效性,将XJTU-SY滚动轴承加速寿命实验数据集和DDS(drivetrain diagnostics simulator)实验台实测信号作为研究对象,结合仿真信号结果,与其他方法进行对比,证实本文所提方法能在一定程度上降低转频的干扰,具有更好的故障特征比,能实现更加准确的诊断。

基于TQWT能量选择算法隧道爆破信号特征提取分析

以悬泉寺隧道掘进工程为背景,对隧道爆破振动进行监测。利用可调品质因子小波变换(Tunable Q-factor Wavelet Transform)优良的能量优化选择能力,实现信号高、低品质因子成分及所含高频强噪声的分离。通过对高、低品质因子优化分解子带能量人工判别,选取优势能量子带进行信号重组,得到最能体现信号特征的最佳分析信号。对最佳信号的分析结果表明:隧道爆破不同批次雷管混用导致MS3~MS5段间延时时差超过了设计值,爆破信号归一化短时傅里叶(Normalized Short Time Fourier Transform,NSTFT)时频分布说明隧道爆破主频与各段别起爆波形中心频率均值较为接近,体现了各段雷管起爆能量对信号能量分布的贡献。隧道爆破信号精细化分析在隧道爆破振动特征提取、雷管微差间隔识别和信号主频的判别等方面具有很好的工程应用价值。

高速列车齿轮箱轴承故障诊断的自适应TQWT方法

齿轮箱轴承是高速列车传动系统中重要的零部件之一,其故障诊断对保障列车运行安全具有重要意义。轴承故障诊断主要依靠其故障特征的提取,因此提出基于改进谱峭度(improved spectral kurtosis,ISK)的自适应可调品质因子小波变换(TQWT)故障特征的提取方法。首先在谱峭度基础上引入包络谱熵,提出既能度量信号脉冲强度又能表征其周期性的ISK指标。文章提出的方法利用ISK在TQWT的品质因子Q与冗余因子r的取值范围内自动选取最佳Q、r参数,将信号分解成若干信号分量,并通过选取冲击特征丰富的分量信号进行合并、包络解调提取故障特征。仿真信号验证方法的可行性与有效性,将该方法运用于齿轮箱轴承故障诊断中,结果表明:该方法能挖掘原始信号中不易被发现的信息,使包络谱中故障特征丰富,能有效地诊断轴承故障。