基于参数化滤波的旋转设备特征频率提取

针对强背景噪声下的特征提取问题,提出一种基于参数化滤波的旋转设备特征频率提取方法。对目标特征频率进行瞬时频率的初步提取;利用傅里叶基函数对初始瞬时频率进行拟合,得到所需特征频率的瞬时频率;根据提取出的瞬时频率和瞬时幅值重构出提取后的频谱图,从而达到对噪声进行抑制并准确提取所需特征频率的目的。使用仿真信号验证了该方法的有效性,对齿轮传动系统中行星齿轮箱振动数据、轴承外圈故障振动数据及轴承外圈早期故障进行试验分析。结果表明,该方法能有效提高信号的信噪比,准确提取特征频率,增强故障特征。

基于均值包络ITD和谱峭度的特征频率提取方法

提出基于均值包络本征时间尺度分解(ITD)和谱峭度的特征频率提取方法。用于轴承故障诊断中,振动信号经均值包络ITD分解和重构,通过谱峭度选取故障共振频率带,最后比较包络谱与特征频率做出故障诊断。对美国凯斯西储大学滚动轴承数据的处理结果证明,该方法得到的谱线更加明显,诊断更加准确。

基于SVD原理的PCA特征频率提取算法及其应用

针对实测转子位移信号存在噪声污染的问题,提出一种基于SVD原理的PCA特征频率提取算法。首先,从理论上推导了PCA与SVD的内在联系,即PCA产生的协方差矩阵特征值等于SVD产生的矩阵奇异值的平方,且PCA产生的特征向量等于SVD产生的左奇异向量;然后,基于上述结论,提出一种基于SVD原理的PCA特征频率提取算法,并通过仿真信号验证了算法的有效性;最后,将该算法应用于大型滑动轴承试验台主轴的轴心轨迹提纯,得到的轴心轨迹清晰、集中,可成功识别转子的不对中及碰磨故障。

基于PCA和MK-MOMEDA的特征频率提取算法及其应用

针对柔性薄壁轴承故障特征频率提取的问题,提出了主成分分析(PCA)与多点最优调整的最小熵解卷积(MOMEDA)相结合的特征频率提取算法。算法中用PCA对原始信号作降噪处理,获得重构信号,利用多点峭度(MKurt)提取重构信号中的周期性冲击信号的周期,对理论周期进行修正,进而得到精确的解卷积周期,通过MOMEDA对重构信号进行增强,突出其周期性冲击,可以更有效地提取特征频率。将此方法应用到柔性薄壁轴承的故障特征频率提取上,并与最大相关峭度解卷积(MCKD)算法作对比。结果表明,该方法可将轴承故障冲击与因轴承长短轴交替而产生的周期性冲击分离,消除这种正常的周期性冲击的干扰,有效提取信号中的故障特征频率,效果优于最大相关峭度解卷积算法。

利用稀疏盲源分离方法的叶片裂纹特征提取

叶轮是离心压缩机的核心部件,实现压缩机叶片裂纹早期故障识别在工业生产中具有非常重要的意义。有裂纹的叶片的异常振动会直接反映到流体的压力脉动中。然而实际中由叶片裂纹造成的异常振动非常小,使得压力脉动中的故障信息非常微弱,导致故障频率难以识别。先利用稀疏盲源分离方法对离心压缩机扩压器处的压力脉动信号进行处理,然后对分离的信号进行包络分析,最后提取出故障特征频率,实现了离心压缩机叶轮叶片裂纹故障检测,可以对叶轮状态进行长期实时监测。

电动汽车动态工况的EMI测试技术需求与方案设计

针对电动汽车高度集成的电力驱动系统可能带来电磁兼容性问题,讨论国际上现行电动汽车电磁干扰(electromagnetic interference,EMI)测试标准中汽车工作状况设置,指出动态车辆工况设置及测试方法研究的必要性。并设计动态车辆工况信息直接、间接测量方案,实时获取车速ν_V、负载扭矩T_V、制动力F_S参数信息;其次,提出在动态车辆工况下特征频率提取采用实时频谱分析仪,最大发射值测量采用接收机的EMI测试方法;最后,提出读写时间戳法,实现动态车辆工况信息、EMI测试数据匹配。该集成方案可实现电动汽车动态工况下的EMI测试,且测试数据时间戳无累计误差。