基于时频掩蔽和振动特征的齿轮箱振源分离方法

针对齿轮箱振动信号中存在多源混合问题,提出基于时频掩蔽和振动特征的齿轮箱振源分离算法。算法的主要步骤为:首先通过短时傅里叶变换将时域信号转换为时频谱进行分析,通过最佳比率掩蔽获取齿轮啮合频率特征,其次采用寻峰算法获取混合信号中所有频率成分,结合故障频域特征进一步分离故障成分,通过理想比率掩蔽获取齿轮的调制特征,最后运用短时傅里叶逆变换恢复源信号。通过风电传动试验台信号和实际风电现场振动信号对算法进行验证,结果表明,在已知齿轮转速情况下,所提出的算法可以有效分离源信号并提取故障成分。

基于同源的旋转机械振源信号分离策略

旋转机械振源分离中一直存在振源信号统计特征和源个数难以确定的问题,提出了一种基于同源响应的振源分离策略。该策略根据旋转机械设备的重复性特点建立了目标对象的描述,将同振源(同源)的多次响应波形性质归纳为三点:响应片段化、模式相似、确定的分布规律。并将同源响应的三个性质作为振源信号的分离准则,对于旋转机械振源信号更具有通用性,从而克服了振源信号统计特征和源个数难以确定的问题。引入同源的概念,对混合信号中的振源依次分离,为旋转机械的振动源分离提供新的参考。基于此策略给出一种振源信号的分离方法,但不局限于给出的方法。在此方法的基础上,通过试验分析验证了该分源策略的可行性。

振动分析法中混合信号分离算法的研究

振动分析法是电力变压器故障在线测量的一个有效手段,但混合振动信号分离则为一个难题。为解决变压器振动频响法,各振动源信号不易分离的问题,采用盲源分离算法对上述问题进行处理。首先介绍了盲源分离法的基本概念,包括fastICA与SDICA算法。然后对这两种算法在变压器振动信号分离中的适用性进行了分析。最后基于实验测得的实验信号,使用仿真手段分别对SDICA与ICA算法的影响因素和分离效果进行了研究。

Isolation of Whole-plant Multiple Oscillations via Non-negative Spectral Decompositio

Constrained spectral non-negative matrix factorization(NMF)analysis of perturbed oscillatory process control loop variable data is performed for the isolation of multiple plant-wide oscillatory sources.The technique is described and demonstrated by analyzing data from both simulated and real plant data of a chemical process plant. Results show that the proposed approach can map multiple oscillatory sources onto the most appropriate control loops,and has superior performance in terms of reconstruction accuracy and intuitive understanding compared with spectral independent component analysis(ICA).