多点最优最小熵反褶积结合交互信息的过载信号特征提取

针对弹药超高速侵彻多层建筑物的过程中,侵彻过载加速度信号产生粘连混叠,影响侵彻穿层特征的精准辨识提取,造成引信难以精确计层的问题,提出一种基于多点最优最小熵反褶积(MOMEDA)和交互信息的过载信号穿层特征提取方法。考虑到引信加速度敏感系统在高频强动载下的响应规律未知,该方法利用MOMEDA的非迭代盲解卷积增强技术来实现对原始侵彻过载信号的降噪,基于交互信息理论进一步优化MOMEDA最佳滤波器的长度以增强原始侵彻过载信号中多层目标特征。通过对引信超高速侵彻多层靶板的仿真、试验信号的研究结果表明,该方法可以有效突显原始侵彻过载信号中的穿层特征,为强粘连信号下的引信精确计层功能实现提供依据。

采用改进多点最优最小熵反褶积的齿轮箱复合故障特征提取

针对强背景噪声下齿轮箱复合故障中的微弱故障特征难以提取的问题,提出了一种改进多点最优最小熵反褶积的齿轮箱复合故障特征提取方法。将小波降噪作为前置滤波器,克服了多点峭度谱在强背景噪声下难以有效识别信号中的微弱故障周期成分的缺点,使信号峭度增加了65.9%,突出了微弱故障周期成分;根据多点峭度谱识别出的故障周期成分设置合理的故障区间,利用多点最优最小熵反褶积突出了信号中的故障周期,避免了对信号直接包络解调而出现的漏诊现象;将差分能量算子解调应用于改进算法处理后的信号,与传统的Hilbert解调方法相比,该算法得到的解调谱中故障特征频率的峰值更加明显。通过对仿真信号与齿轮箱中齿轮点蚀磨损复合故障振动信号的研究结果表明,改进多点最优最小熵反褶积方法能够完整地提取信号中的故障特征频率成分,成功率达到了100%;与变分模态分解进行了对比分析,改进算法有效消除了模态混叠现象。仿真和试验结果表明,改进算法可以有效提取强背景噪声下齿轮箱复合故障中的微弱故障特征。

利用参数自适应多点最优最小熵反褶积的行星轮轴承微弱故障特征提取

针对行星轮轴承故障振动信号受复杂传递路径、强背景噪声和齿轮振动干扰的影响,导致故障特征微弱难以提取的问题,提出一种参数自适应的多点最优最小熵反褶积(parameter adaptive multipoint optimal minimum entropy deconvolution adjusted,PA-MOMEDA)的行星轮轴承微弱故障诊断方法。为克服MOMEDA依赖人为经验选取主要影响参数的不足,建立多目标优化新指标,通过粒子群算法优良的寻优特性来自动确定最佳的影响参数,使用参数优化的MOMEDA对行星轮轴承故障信号进行最佳解卷积运算。针对MOMEDA解卷积信号存在严重边缘效应的问题,设计一种波形延伸策略对解卷积信号进行自适应补偿,提高了MOMEDA对微弱故障冲击特征的解卷积性能。对提升的解卷积信号进行包络解调处理,即可从其包络谱中提取到明显的故障特征频率。通过行星轮轴承故障仿真和工程实验数据分析表明,相比传统的MOMEDA方法、MCKD方法和快速谱峭度方法,该方法能成功地提取微弱的故障冲击特征且更加明显,提高了行星轮轴承故障诊断的准确性和鲁棒性。

基于最小输出熵的盲反卷积方法

针对多通道卷积混叠模型 ,基于信息理论的最小熵准则 ,利用单时间点观测样本给出了一类多通道盲反卷积方法 ,这种方法不同于其它方法的地方在于考虑了源和观测信号的上下文信息 .

基于Kalman滤波的信息融合白噪声最优反卷积滤波器

应用Kalman滤波方法 ,基于Riccati方程 ,在线性最小方差最优信息融合准则下 ,提出了两传感器最优信息融合白噪声反卷积滤波器。同单传感器情形相比 ,可提高滤波精度。它可应用于石油地震勘探信号处理。一个信息融合Bernoulli

基于非负最小二乘的矢量阵反卷积波束形成方法

针对现有反卷积波束形成方法无法直接适用于矢量阵等具有移变点扩散函数阵列的问题,本文给出了一种利用非负最小二乘法进行矢量阵这种移变模型的反卷积求解方法。推导了矢量阵的广义卷积模型,并在常规矢量阵波束输出、矢量阵点扩散函数字典、目标函数之间建立差函数方程组,通过最小化差函数的原则来实现对目标函数的求解,从而实现矢量阵反卷积波束形成处理。本文方法同样适用于其他移变模型阵列反卷积求解。对本文方法与传统波束形成、最小方差无畸变响应和多重信号分类方法在主瓣宽度、旁瓣级和稳健性等方面的性能进行了对比分析。结果表明本文方法在存在阵元位置误差情况下具有更窄的主瓣宽度和更低的主旁瓣比。

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。

基于盲反卷积和参数化模型的超声参数估计

在超声检测中,往往需要获得传播时间(TOF)、回波个数、中心频率、幅值等全面的信息,来综合评判缺陷的位置、大小和类型。通过建立多回波的卷积模型和参数化模型,给出一种结合最小熵盲反卷积(MED)和期望值最大(EM)算法思想的超声回波参数估计方法。首先基于卷积模型,采用最小熵反卷积,实现了重叠多回波信号的有效分离;再基于参数化模型和所获取的回波个数,给出了基于期望值最大算法思想的参数估计算法;最终实现了重叠多回波超声信号TOF、回波个数、中心频率、幅值等参数的精确估计。仿真和实验验证了该方法的有效性和优点。

粒子群优化算法求解最优控制点的非均匀有理B样条曲线拟合

为使参数曲线拟合在压缩数据量的基础上仍能保持较高的精度,提出了一种基于特征点提取、最小二乘法逼近以及粒子群优化算法求解最优控制点的高精度非均匀有理B样条(NURBS)曲线拟合方法。首先,以反曲点和曲率极值点作为筛选依据从所有离散数据点中提取特征点;然后,将特征点在最小二乘法下逼近,并根据所得线性方程组计算得到初始控制点;最后,以初始控制点的位置坐标构造粒子初始种群,并建立一个衡量离散数据点与拟合曲线误差的适应度函数,且利用粒子群优化算法对初始控制点的位置进行迭代优化,直至达到最大迭代次数为止。在叶片和蝴蝶截面原型上进行的实验验证的结果表明,所提方法使待拟合数据量分别压缩为原来数据量的25/117和120/283,且与以精度高为优势的增加辅助控制点的方法相比,所提方法的拟合精度分别提高了57.1%和22.9%,在已有曲线拟合研究方法中具有较强竞争力。

并行RSSD和改进MOMEDA的齿轮箱故障诊断

为了克服传统共振稀疏信号分解与矩量法的局限性,提高其提取微弱故障特征的能力,提出了一种并行双参数优化RSSD和改进MOMEDA的行星齿轮箱故障诊断方法。首先,并行双参数优化RSSD构造了与不同故障特征相匹配的小波基函数,并将复合故障信号自适应分解为不同的谐振分量,实现了复杂故障特征的解耦。其次,利用改进MOMEDA对共振分量进行去卷积滤波,有效地消除了复杂传输路径和强环境噪声的影响,增强了与弱故障相关的脉冲。最后,通过对行星齿轮箱实验平台的实际故障信号的分析,证明了提出的方法不仅具有良好的解耦性能以及提取弱故障信号能力,且能够全面、准确地提取不同类型的故障。

应用CEEMD降噪与自适应MOMEDA的轴承故障特征提取方法

针对滚动轴承早期故障信号中冲击成分能量低且易被强烈的背景噪声所淹没的问题,该文提出一种基于互补集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)-小波阈值降噪和参数自适应多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)的滚动轴承故障特征提取方法。将CEEMD与小波阈值降噪结合对原始信号进行降噪;提出一种新的复合指标:峭度-包络波形因子,并以其为适应度函数设计变步长搜索法,对MOMEDA算法的滤波器长度进行寻优;基于寻优的滤波器长度对降噪的信号进行MOMEDA解卷积,并通过包络谱分析识别滚动轴承的故障特征频率。对比实验结果表明:以该文寻找的最优滤波器长度作为MOMEDA的参数,解卷积后包络谱故障频率更加清晰;且相较于传统的MOMEDA算法和小波阈值降噪-MOMEDA方法,该文提出的方法能够更有效地提取强噪声背景下微弱的故障特征信息。

基于SVD和MED的滚动轴承特征提取

针对滚动轴承振动信号易受噪声影响,难以提取故障特征信息的问题,提出一种奇异值分解(singular value decomposition,SVD)重构结合最小熵反卷积(minimum entropy deconvolution,MED)增强的滚动轴承故障特征提取方法。首先,对振动信号进行SVD分解,并计算奇异分量(singular component,SC)对应线性峭度(L-kurtosis)值;其次,根据线性峭度值结合设定阈值筛选SC,叠加得到重构信号;随后,对重构信号利用MED进行增强,凸出信号中周期冲击成分;最后,结合包络解调提取故障特征频率。仿真信号及实测信号分析结果表明,该方法可以降低噪声对振动信号的影响且凸显故障的特征信息,实现故障诊断。

一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。

强噪声背景下地铁牵引电机轴承故障识别方法研究

为了实现地铁车辆牵引电机轴承故障识别,论文针对电机轴承故障冲击被强背景噪声淹没特征提取困难的问题,利用多点最优调整的最小熵解卷积增强故障冲击成分,采用粒子群优化算法自适应地确定滤波器阶数和故障周期,获取高信噪比的故障特征信号,最后对故障特征信号进行包络谱分析实现故障识别。现场采集数据验证了该方法的有效性。

基于IEWT-MOMEDA-FSC的滚动轴承故障诊断

针对滚动轴承故障信号常伴有噪声干扰且故障特征难以提取的问题,本文提出一种基于改进经验小波变换(IEWT)、多点优化最小熵解卷积(MOMEDA)和快速谱相关(FSC)的滚动轴承故障诊断方法.首先,将原始信号进行快速谱相关分析得到增强包络谱,通过增强包络谱的极值点来自适应地划分频谱,以分割的频谱为边界构建小波滤波器组将信号分解为多个IMF分量,利用相关峭度准则筛选出有效的分量进行叠加;其次,用MOMEDA对其进行降噪处理,将降噪后的信号进行快速谱相关分析,得到增强包络谱图;最后,将增强包络谱图中幅值较高的频率与故障频率对比,判定其失效形式,用所提出的方法对实测轴承故障信号进行分析验证.结果表明,所提出的方法能有效降低噪音干扰且增强信号故障冲击特性,在噪声环境下具有较强的故障特征提取能力.

基于格点搜索法的MOMEDA在滚动轴承故障特征提取中的应用

针对背景噪声下故障轴承产生的周期性脉冲特征微弱难以提取问题,提出多点优化最小熵解卷积修正(MOMEDA)方法,并利用格点搜索法解决其滤波器设置需人工干预问题。首先以频域谱负熵为寻优目标,利用格点搜索法迭代求解MOMEDA滤波器最优阶数;其次应用该参数寻优方法下的MOMEDA对仿真信号和轴承内圈故障信号中的周期性脉冲成分进行增强,并通过平方包络谱提取微弱故障特征;然后应用受试者工作特征(ROC)曲线评估该方法的灵敏性和特异性。该方法可有效增强故障脉冲成分,且具有良好的灵敏性和特异性。

一种用于滚动轴承故障诊断的脉冲增强提取方法

针对齿轮箱滚动轴承发生故障时,其故障脉冲被强烈干扰信号湮没而导致故障特征难以提取的难题,提出了基于脉冲增强提取的滚动轴承故障诊断方法。基于表征故障脉冲周期性的包络谱,构建了能指示振动信号中故障脉冲强度的脉冲提取算子(PEO);考虑到微弱故障信号特征增强的需求,结合最小熵解卷积(MED)构造了脉冲增强提取算子指标(PEEO),用于评价MED不同滤波长度对故障脉冲增强的效果;构建基于MED滤波长度、脉冲频率以及PEEO的三维滤波模型,利用三维滤波谱PEEO峰值定位MED最优滤波长度并指示脉冲增强信号特征频率,获取最优脉冲增强信号的同时实现齿轮箱滚动轴承故障特征的提取。仿真分析和实验验证结果表明,该方法可以有效增强轴承故障脉冲,并在最优脉冲增强信号PEEO幅值谱中呈现显著的轴承故障特征,实现了齿轮箱滚动轴承微弱故障的诊断,且与典型方法相比具有明显优势。

基于ACMD与改进MOMEDA的滚动轴承故障诊断

针对强背景噪声下滚动轴承故障特征难以提取的问题,提出基于自适应非线性调频分量分解(adaptive chirp mode decomposition,ACMD)与改进多点优化最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)的故障诊断方法。(1)为提高信号信噪比,采用基于基尼系数指标的ACMD,进行信号重构预处理;(2)为提高参数设定的准确性,提出改进的MOMEDA方法——利用天鹰优化算法,以多点峭度最大为目标,寻优确定滤波器周期参数;(3)对信号进行包络谱分析,通过对比包络谱的主导频率成分与理论故障特征频率,判断故障类型。仿真及实测数据分析结果表明,该方法能有效提取强背景噪声下的滚动轴承故障信号的特征信息,具备一定的优越性与实用性。

列车牵引电机轴承故障特征稀疏在线监测方法

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。

基于OSSD-EMOMEDA的轮毂电机轴承故障特征提取方法

为了解决轮毂电机轴承早期微弱故障特征难以提取的问题,提出一种基于优化奇异谱分解(optimized singular spectrum decomposition,OSSD)和增强多点最优调整最小熵解卷积(enhance multipoint optimal minimum entropy deconvolution adjusted,EMOMEDA)的特征提取方法,以实现故障特征的检测与提取,及时掌握轮毂电机的运行安全。首先,提出由新的时频综合指标(time-frequency composite index,TCI)自适应优化分量个数的OSSD方法,并对原始信号进行前处理,通过包络谱峰值指标选择敏感的奇异谱分量。然后,提出EMOMEDA方法,设计一种改进的波形延拓策略恢复解卷积信号长度,克服MOMEDA算法的边缘效应,并通过二次解卷积运算获得最优解卷积信号。最后,对最优解卷积信号进行包络分析,实现故障特征的增强提取。分别采用仿真和试验信号验证所提方法的可行性,并将其与多种故障特征提取方法进行对比,证明了其优越性。结果表明,所提方法能够有效提取微弱故障特征,在特征增强方面具有可观的优势。