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。

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。

局部特征尺度分解方法及其分量判据研究

在研究内禀时间尺度分解(ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(ISC)之和。对LCD方法的基本原理进行了阐述,并对其分量判据进行了研究,将经验模态分解(EMD)方法中的标准差判据应用于LCD方法。标准差判据的阈值会因自适应时频分析方法的不同而有所差异,因此标准差判据不具有自适应性,针对标准差判据的这一缺陷,提出了一种新的具有自适应性的分量判据——极值单调性判据,该判据无需设定任何阈值。信号分析结果表明了这两种判据的有效性,而极值单调性判据的适用性更强,可直接应用于EMD方法。另外,对比分析了LCD方法和EMD方法的计算效率,分析结果表明LCD方法在计算效率方面要优于EMD方法。

基于IITD-WT的大地电磁噪声压制方法

矿集区采集的大地电磁信号极易受到各类噪声污染,导致其视电阻率-相位曲线在低频段出现紊乱现象或呈现出近源效应等。文中提出了一种优化固有时间尺度分解(Improved Intrinsic Time Decomposition,IITD)和小波阈值(Wavelet Threshold,WT)的大地电磁(Magnetotelluric,MT)去噪方法及应用。首先将含噪信号进行IITD分解得到若干阶旋转(Proper Rotation,PR)分量;然后对PR分量进行小波去噪,叠加小波系数重构得到MT去噪数据。通过计算机模拟出不同类型的强噪声,并对小波阈值法设置不同的分解层数、基函数对强噪声进行处理,总结出该算法面对不同噪声时的去噪性能。对模拟大尺度方波和三角波噪声去噪后,信噪比最高可达24dB和17dB,所提方法去噪性能显著。将所提方法应用至MT实测数据的降噪,结果显示该方法能够有效去除隐藏在MT数据中的强噪声。由去噪前后视电阻率曲线对比可知,相较于远参考法和原始曲线,所提方法获得的视电阻率曲线更为光滑、连续,低频段的数据质量明显改善。

ITD-多尺度熵和ELM的风电轴承健康状态识别

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。

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。

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ITD分解和孪生支持向量机的电能质量扰动识别方法研究

电能质量扰动信号的识别与分类是电能质量分析、评估和治理的基础和关键。针对电能质量扰动信号种类复杂、识别速度慢且准确率低等问题,提出一种基于ITD分解和孪生支持向量机的电能质量扰动识别方法。首先,对电能质量扰动信号做ITD分解,得到一系列固有旋转分量(PRC),并通过云模型的熵和超熵筛选出有效的PRC分量,减少特征冗余;其次,计算有效的PRC分量的模糊熵和能量熵,并根据模糊熵和能量熵求得混合特征矩阵;最后,基于混合特征采用麻雀优化的孪生支持向量机对扰动信号进行分类。仿真分析结果表明,该方法能识别多种电能质量扰动信号,且提高了对单一电能质量的识别准确率,进而为电能质量的分析、评估和治理提供辅助决策,以进一步提高供电质量。

一种基于ITD算法的直扩信号检测算法

固有时间尺度分解(ITD)算法是一种局域波分解算法,该文对直接序列扩频信号ITD分解,提出了一种通过频域粗搜索和细搜索分别检测直扩信号码片速率和载波频率的快速算法。该算法以瞬时幅度作为分析参量,先设置截止频率对信号低通滤波处理,并通过引入伴随频率达到抑制噪声的目的,利用了固有时间尺度分解算法时频分辨率高,运算速度快的优势。仿真结果显示在-15dB信噪比下能够有效地检测出码片速率和载波频率。