基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解(ITD)和独立分量分析(ICA)相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。

基于改进固有时间尺度分解算法的实时次同步振荡监测方法

为解决大规模风力发电并网系统中频繁发生次同步振荡的问题,需要快速准确地识别和检测次同步振荡的方法。次同步振荡发生时具有时变性和不确定性等特征,这给振荡的实时监测带来了挑战,针对该问题,首先提出了基于引入代数估计法改进的固有时间尺度分解算法(intrinsic time-scale decomposition,ITD)的解决方案。该方法不需要任何先验信息,且其性能不受振荡频率构成的影响。其次,利用合成信号、电磁暂态仿真和振荡实测数据进行了综合对比研究,结果表明该方法在信号检查的动态性能和参数估计精度等方面都取得了良好的效果。最后,通过硬件在环测试,验证了该方法的可行性。

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。

基于固有时间尺度分解的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和非平稳特性的情况,提出了一种基于固有时间尺度分解和样本熵的新型故障特征提取方法,并与Tikhonov支持向量机相结合实现滚动轴承的故障诊断。该研究充分利用了固有时间尺度分解具有提取故障特征明显、计算简单等优点。首先采用固有时间尺度分解方法将振动信号分解为一序列固有旋转分量和一个基线分量之和,并计算每个固有旋转分量的瞬时幅值和瞬时频率。然后,提取上述瞬时数据的样本熵作为特征向量。最后将其作为Tikhonov支持向量机的输入,实现滚动轴承故障精确分类。经过实验验证,本文方法获取的不同类型故障样本特征差别较大,与小波能谱熵、时间小波能谱熵相比能够更精确和快速的识别轴承故障。

基于固有时间尺度分解的能量算子解调法及故障诊断应用

针对Teager能量算子包络解调方法主要用于对单分量的调幅调频信号进行解调,而真实机械故障信号多为多分量的调幅调频信号的问题,提出了能量算子与固有时间尺度分解相结合的解调方法。首先,利用固有时间尺度分解法将原始振动信号分解为若干个固有旋转分量和一个单调趋势项,并基于波形匹配算法实现原始数据的自适应端点延拓以解决分解过程中的端点效应;然后再选取合适的固有旋转分量,利用能量算子方法实现调制信号的包络解调;最后,将该方法应用于仿真信号和故障模拟信号。结果表明:该方法能有效地提取机械振动信号的故障特征。

基于改进固有时间尺度分解法的绝缘子泄漏电流去噪研究

绝缘子泄漏电流中的噪声严重影响对泄漏电流的分析。给出了适用于泄漏电流去噪的改进固有时间尺度分解(ITD)方法。通过引入距离尺度,解决了ITD方法中的旋转混叠问题,避免了各个固有旋转分量(PRC)之间的频率交叉现象;通过引入两端延拓,解决了ITD方法中的端点效应问题。提出了采用改进ITD对安全区泄漏电流去噪时分解次数的计算公式,解决了分解时的盲目性;在借鉴小波阈值合理性的基础上,结合改进ITD方法的特殊性,给出了去噪时的阈值和去噪过程。采用所提方法对高压试验中采集到的绝缘子泄漏电流进行了去噪。结果表明,所提方法既平滑了泄漏电流信号,又有效保留了特征成分,效果优于未改进ITD方法的去噪结果。

基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测

针对固有时间尺度分解(ITD)方法中固有旋转分量存在局部波动的问题,提出一种集成固有时间尺度分解,将其结合谱峭度法,提高轴承故障检测的准确度。首先运用3次样条插值拟合基线控制点,实现振动信号的自适应频带划分,获得若干个固有旋转分量;然后根据K-L散度准则选取真实分量进行信号重构,使用谱峭度法确定带通滤波器的最优参数;最后分析滤波处理结果的包络谱,得到振动信号的特征信息。研究结果表明:与经验模式分解和单纯包络谱分析方法相比,采用集成固有时间尺度分解和谱峭度的包络方法(EITD-SK)能更好地提取滚动轴承故障特征信息,实现轴承故障的准确检测,结果与实际相符。

基于固有时间尺度分解的电台瞬态特征提取

在实际接收到的电台瞬态信号通常都表现出非平稳性或非线性,可以通过对此类信号的瞬时参数的估计达到信号检测及电台个体识别的目的。然而,利用传统的方法如希尔伯特变换或小波变换对这些非平稳信号进行处理时常常会遇到困难。提出一种基于固有时间尺度分解的非平稳信号瞬时参数提取及电台个体识别方法,仿真试验结果证明了该方法的有效性。

多维固有时间尺度分解算法

针对控制回路、机械系统实际运行数据复杂多变、非稳定、非线性、信号耦合性强等问题,提出了一种新的多维信号分解方法,多维固有时间尺度分解(MITD)。给出了算法步骤;对所提出的MITD进行一定程度优化,以达到更好的分解效果;对所提出算法进行仿真分析和工业实例分析,表明了MITD对多维数据分解的优越性。

基于改进固有时间尺度分解和谱峭度的轴承故障诊断方法

基于固有时间尺度分解(intrinsic time-scale decomposition,ITD)方法的线性变换和三次样条插值,提出一种改进的固有时间尺度分解方法(improved intrinsic time-scale decomposition,IITD),将IITD方法和谱峭度(spectrumkurtosis,SK)相结合,实现轴承故障的智能诊断。首先采用改进ITD方法对采集的轴承振动信号进行分解,得到若干个固有旋转分量(proper rotation component,PRC),然后利用谱峭度法对相关性最大的PRC进行滤波处理,最后对滤波后的PRC进行Hilbert包络解调来提取故障特征频率,从而识别轴承故障类型。仿真和实验分析结果表明:该文所提IITD-SK法可成功提取出故障特征频率,实现轴承故障的有效诊断,与传统的傅里叶变换、包络谱分析以及EMD方法的结果相比,该方法诊断效果更佳。

基于固有时间尺度分解的信号细微特征识别

为解决无线复杂环境下同型号通信电台发送的信号识别问题,针对传统时频方法处理杂散细微特征存在不足,提出了一种基于固有时间尺度分解(intrinsic time-scale decomposition,ITD)的信号细微特征识别方法。首先通过ITD方法将稳态状态下信号分解,计算分量瞬时参数并得到信号的时频谱,然后提取频谱特征作为细微特征,最后使用SVM分类器进行模式训练以实现信号的识别。仿真结果表明,该算法能够解决传统方法的实时性和准确性差等问题,取得较好的识别效果。

基于固有时间尺度分解与多尺度形态滤波的滚动轴承故障特征提取方法

为了准确提取出滚动轴承的故障特征并对轴承状态进行评估,提出了一种固有时间尺度分解(intrinsic time-scale decomposition,ITD)与多尺度形态滤波相结合的滚动轴承故障特征提取方法。首先,采用ITD方法将滚动轴承故障信号分解成多个固有旋转分量(proper rotation,PR);然后,对比各个PR分量与原始信号的相关性;最后,采用多尺度形态滤波算法对相关性较大PR分量进行滤波降噪,并提取滚动轴承故障特征频率。采用所建立方法对轴承外圈故障和内圈故障实验数据进行分析。结果表明,所提出的故障特征提取方法能够有效抑制噪声,清晰准确地提取出滚动轴承故障特征频率。

基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究

滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难。因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通过卷积神经网络(Convolutional Neural Network,CNN)实现轴承智能故障诊断。结果表明,与现有方法相比,ITD-CNN在不同信噪比下均有较高的准确率;在-4 dB信噪比下,准确率仍比现有方法高2.57%~13.35%,表明其良好的识别能力和泛化性能。

一种平滑固有时间尺度分解法在故障诊断中的应用

为提高滚动轴承振动信号故障信息提取精度,针对故障诊断过程中存在的噪声干扰问题,文章提出了一种平滑固有时间尺度分解法(Smooth Intrinsic Time Decomposition, SITD)的算法,将小波分析法嵌入到ITD分解过程中,采用了一种自适应阈值函数选取小波系数,使信号重建过程中获得更加精细的有用信号信息。将此方法应用于滚动轴承内圈故障和外圈故障诊断,结果表明与传统ITD方法比较,SITD方法不仅可有效消除背景噪声,同时保留冲击特征,还减少了端点效应,提高了滚动轴承的故障诊断精度。

基于固有时间尺度分解与最大相关峭度解卷积的轴承故障特征提取

针对滚动轴承故障信号的非平稳性、非线性及复杂性特征以及在故障识别过程中存在噪声干扰、故障特征不清晰的问题,提出一种基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合的轴承故障特征提取方法。利用固有时间尺度分解对故障信号进行分解,降低信号分解中的模态混叠;对分解的固有旋转分量进行选择,提取故障信号的有用成分,实现信号降噪;采用粒子群优化的MCKD提取故障特征信号的冲击成分。实验结果表明,该方法可以降低信号的模态混叠问题,增强故障特征,有利于噪声环境下轴承故障特征的提取。

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。

基于ITD-LE指标的航空发动机中介轴承复合故障识别

为了基于航空发动机整机机匣振动信号实现中介轴承复合故障的有效识别,从信号的复杂性角度出发,利用图谱中的拉普拉斯能量(Laplace Energy, LE)指标对信号的复杂性进行描述,提出了将固有时间尺度分解(Intrinsic Time Scale Decomposition, ITD)与LE指标相结合的故障诊断方法。为实现复合故障的有效分离,基于ITD算法对某型航空发动机整机机匣振动加速度信号进行分解,并对分解后获得的固有旋转分量(Proper Rotation Components, PRCs)基于奇异值差分谱进行降噪。然后利用LE指标对分量信号进行筛选,对筛选后的信号进行重构,最后根据重构信号的平方解调谱,对实际航空发动机中介轴承的复合故障进行识别。结果表明:所提出的方法,可以基于航空发动机的整机机匣振动信号,准确有效地提取出中介轴承复合故障的特征频率,实现中介轴承复合故障类型的有效识别。

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。

ITD结合参数优化MOMEDA的滚动轴承故障特征提取

针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子最大原则提取包含丰富故障信息的ITD分量,其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度和平方包络谱的基尼指数进行优化,最后进行包络谱分析提取故障特征频率。通过仿真信号与实测信号分析表明该方法能在强噪声干扰下有效提取故障特征。

“尺度”意涵探析

“动物只是按照它所属的那个物种的尺度和需要来进行塑造。而人则懂得按照任何物种的尺度来进行生产,并且随时随地都能用内在固有的尺度来衡量对象;所以,人也按照美的规律塑造物体。”