基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。

一种交叉遗传优化MHW的风电机组微弱特征提取方法

针对变速变载、闪电雷击、雨雪冰雹等恶劣工作环境干扰下风电机组微弱特征的提取困难问题,提出了一种基于交叉遗传优化MHW的微弱特征提取方法。该方法通过变形参数调整对MHW小波形状进行拟合匹配,并通过交叉遗传优化算法对该变形参数进行优化,进而通过连续小波变换提取匹配波形优化的微弱特征。通过风电场风电机组齿轮箱振动数据分析,验证了该方法可以较好地抑制强背景噪声干扰,提取风电机组微弱故障特征。

基于优化的Morlet小波旋转机械振动故障信号微弱特征提取方法

主要研究旋转的机械振动信号微弱故障特征提取的一种新方法,建立了仿真模型进行仿真研究,得到的仿真结果能够验证这种方法的可靠与实用性。

多稳态匹配随机共振在机械早期故障特征提取中的应用

传统单稳态或双稳态随机共振方法的势函数稳态结构单一,难以匹配复杂多变的输入信号;固定尺度因子忽略了与势结构、输入信号之间的协同增强作用;且一阶系统易遭受低频噪声干扰,依赖高通滤波器辅助。因此,提出自适应二阶多稳态匹配随机共振方法,并应用于机械早期故障的微弱特征提取。该方法的优势在于:①多稳态势结构的多样性可与不同的输入信号实现有效匹配;②能实现输入信号、势结构、尺度因子三者之间的协同作用;③二阶多稳态随机共振能够抑制低频噪声干扰。仿真分析和机车轴承故障诊断案例表明:提出的方法相比单稳态和双稳态随机共振方法具有更强的微弱特征增强与提取能力。

基于零相位非抽样小波的微弱特征提取

为消除正交小波非对称性引起的非线性相位对分解结果的不利影响,结合零相位滤波原理与非抽样小波变换,提出了一类具有零相位特性的小波非抽样分解算法——零相位非抽样小波变换.为了降低零相位非抽样小波变换的计算量,采用基于重叠保留法与圆周卷积相结合的快速卷积算法代替传统卷积算法.零相位非抽样小波变换不仅克服了Mallat算法中因隔点采样环节造成的平移可变与频率折叠等诸多缺陷,也消除了传统非抽样小波变换分解结果出现移位与畸变的不足,非常适合于微弱特征提取.通过电机轴承故障诊断实例分析证实了该算法可用于提取微弱故障特征.

基于ITD与SSA的传动箱信号降噪及微弱特征提取

试验采集的传动箱振动信号特征能量通常很小且易淹没在背景噪声之中,针对这一问题,提出了一种将固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与奇异谱分析(Singular Spectrum Analysis,SSA)相结合的时频分析方法,并用于信号微弱特征的提取。通过仿真信号及试验采集的振动信号进行验证,结果表明:该方法能够有效地从混杂着能量较大的背景信号和噪声干扰中提取出微弱信号的特征频率成分,并达到了很好的降噪效果,提取出的信号更接近于原始无噪声信号。研究为设备运行状态信息的提取与状态识别提供了一种新方法。

阵列调制随机共振在微弱信号特征提取方面的应用

论述了阵列调制随机共振方法在强噪声背景下多频微弱信号特征提取中的工作原理和实现步骤;采用预先设定系统参数的多个并联非耦合随机共振单元形成阵列,将被测强噪声背景下的多频微弱信号分别与不同频率的载波进行调制,生成多个差频均为0.01Hz的信号作为各对应随机共振单元的激励信号,采用龙格-库塔算法求取各单元输出并进行频谱分析,根据0.01Hz处的信噪比判断在微弱信号中是否存在载波频率与差频值之和大小的频率分量,最后综合各个随机共振单元的检测结果生成微弱信号的频率特征向量;仿真结果表明,阵列调制随机共振在微弱信号特征提取方面效果明显,具有很好的应用前景。

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。

多阶FRFT自适应滤波及齿轮微弱故障特征提取

提出了一种基于稀疏信号分解的多阶分数阶傅里叶变换(Fractional Fourier Transform,FRFT)自适应滤波方法,用于分离加减速过程啮合频率包络调制信号,提取微弱故障特征。首先提出基于两级步长FRFT确定基函数来改进多尺度线调频基稀疏信号分解方法,然后根据分解信号将分析信号分成具有较好LFM特性的信号段,采用确定基函数时保留的最佳阶次和分数阶域聚集点对各段信号进行单阶FRFT滤波,实现多阶FRFT自适应滤波。采用该方法对变速器加减速过程振动信号进行滤波解调分析。试验结果表明:基于两级步长FRFT确定基函数,速度快、精度高、抗干扰能力强;该滤波方法计算效率高,不需要选择和设置复杂滤波器,解决了信号频率呈曲线变化时,单阶FRFT滤波失效和多阶FRFT滤波各阶次难以确定的问题,能有效剥离出啮合频率包络调制信号,滤波分量的解调谱能有效提取出早期齿轮故障微弱特征。

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。

自适应随机共振新方法及其在故障诊断中的应用

系统参数的选择对随机共振方法的优劣起着决定性的作用。已有的随机共振方法在选择参数过程中存在着致命的问题,例如人为主观选择参数,或者只对单一参数进行自适应优化,而忽略了参数之间的交互作用。为了解决以上问题,提出一种新的自适应随机共振方法。与已有方法相比,该方法的优势在于利用蚁群算法优良的寻优特性,能并行选择和优化随机共振系统的多个参数,考虑了参数之间的交互作用,自适应地实现与输入信号最佳匹配的随机共振系统。因此该方法解决了已有方法在参数选择中存在的问题,从而能更有效地削弱信号中的噪声并增强微弱特征,实现早期故障准确诊断。通过仿真试验和机车轴承早期故障诊断的工程应用,表明提出的方法在微弱特征检测与早期故障诊断中取得了比已有方法更好的效果。

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息,准确识别齿轮早期故障位置。

冗余小波变换零相位分解实现方法及应用研究

为消除正交小波非对称性引起的非线性相位对分解结果的不利影响,结合零相位滤波原理与冗余小波变换,提出了一类具有零相位特性的冗余小波分解算法——零相位冗余小波变换。该小波变换不仅克服了Mallat算法中隔点采样环节造成的平移可变与频率折叠等诸多缺陷,也消除了传统冗余小波变换分解结果出现移位与畸变的不足,非常适合于微弱特征提取。通过实例分析证明了该算法用于轴承微弱故障特征提取的有效性与优势所在。

基于振动信号的断路器机械零部件故障程度识别

如何有效识别高压断路器机械零部件故障严重程度是目前还未解决的问题,针对该问题,提出一种基于振动信号混沌吸引子形态特性的断路器零部件故障程度识别方法。为了更好地提取零部件早期故障的微弱故障特征,首先将振动信号按照断路器动作时序进行分时分割处理;然后提出一种参数自适应的信号分解方法,将分时振动信号各模态分量自适应地分离出来;最后重构模态分量混沌吸引子,利用混沌吸引子形态特性判断断路器零部件故障严重程度。两种不同型号断路器的试验结果表明,振动信号的模态分量混沌吸引子对故障程度具有较高的敏感度,正常与故障状态下的吸引子形态差异明显、吸引子形态随故障程度的加剧表现出一定的变化规律。该方法可为识别高压断路器机械零部件故障严重程度提供一条新思路。

基于EMD与SSA的齿轮箱分形诊断研究

提出了一套齿轮箱故障分形诊断方法。首先将EMD与SSA相结合,提取信号(尤其是微弱信号)的特征信息;其次通过多重分形从多重角度对提取到的特征信息进行诊断;最后通过分形理论识别出齿轮的3种状态。