基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法.对采集的轴承振动信号采用高、低正交共轭镜面滤波器组,将信号划分到不同频道上.滤波器每作用一次,数据点减半,采样的时间增至两倍.选取轴承缺陷所在频段的数据插零,将其他频带补零重构提高缺陷信号的时频分辨率;然后通过AR功率谱分析轴承运行状态,诊断出轴承对应的故障.对207滚动轴承的早期缺陷作了实际诊断,诊断结果与实际较为符合.证明该方法是一种有效的弱信号缺陷提取与诊断方法.

基于小波包移频算法的AR功率谱在滚动轴承故障特征信息提取中的应用

为克服经典的小波包迭代算法由于小波包分解过程中的隔点采样而发生的频率混叠现象,本文采用移频算法进行小波包分解与重构,以1#、2#、3#这3个608滚动轴承(其中1#轴承工作正常,而2#、3#轴承工作异常)进行分析。先通过小波包分解提取这3个轴承振动信号的频带能量特征以确定2#、3#轴承故障特征信息所在的频带。并按这些频带分别对2#、3#轴承的振动信号进行小波包重构。通过对重构信号的基于AR模型的功率谱分析以实现滚动轴承故障特征信息的自动提取,从而对2#、3#轴承的故障作出诊断。

基于AR功率谱和ZAM变换的FSK-BPSK复合信号参数估计

为了解决频率编码-二相编码(FSK-BPSK)复合调制信号参数估计精度低的问题,提出利用自回归(AR)模型功率谱估计联合ZAM(Zhao,Atlas,and Marks)变换的方法。首先,利用AR模型功率谱估计方法对信号相位不敏感的特点,对FSK-BPSK复合调制信号的跳频分量数以及跳频码元序列进行估计;然后,利用ZAM分布对相位变化极其敏感的特点,提取信号ZAM分布的各跳频频率下的截面,对相位编码的码元宽度和跳频码元宽度进行估计。仿真实验表明,在全频段信噪比不小于0 dB时,AR模型功率谱联合ZAM变换的方法能够精确地估计出该复合信号的各参数。

基于双树复小波和AR谱的滚动轴承故障诊断

针对滚动轴承信号的非平稳特性、小波变换频率混叠及信息丢失等问题,提出一种结合频率分离与功率谱的滚动轴承故障诊断方法。首先,双树复小波变换(DTCWT)对振动信号进行分解,依据幅频特性对子频段个数进行优化,实现信号频率的精准分离;其次,利用自回归(AR)功率谱得到不同子频段功率,将总功率作为特征输入遗传算法优化的支持向量机(GA-SVM)进行故障诊断。通过实验,复合轴承故障的总体识别率达到96%,其中3种外圈故障识别率达到100%,其结果表明所提方法能够准确提取故障特征并准确识别复合轴承故障。

基于变分模态逐步抽取的结构弱模态识别

针对结构的弱模态易淹没在噪声中导致模态识别遗漏的问题,该文提出了一种基于变分模态逐步抽取高能量模态的结构弱模态识别方法。该方法采用自回归模型功率谱准确选取高能量模态的初始中心频率;利用变分模态抽取法进行高能量模态分量的分解,接着将去除高能量模态成分的信号代替原始结构响应,重复进行下一阶高能量模态的初始中心频率选取和模态成分分解;对各模态分量进行主成分分析法实现振型识别。进一步,通过地震激励下的十自由度数值算例验证该方法在非平稳激励下弱模态识别的有效性;利用IASC-ASCE健康监测工作组开发的4层框架基准模型试验进行数据分析,验证该方法在实际应用中的有效性。结果表明,所提方法能够用于地震激励下含噪情况的结构弱模态识别。

基于改进倒谱的直扩信号伪码周期估计的研究

扩频因其良好的保密性被广泛应用于各领域,在非协作条件下对扩频信号解扩则需要进行参数估计。针对直扩信号在低信噪比情况下采用传统倒谱法估计伪码周期性能陡然下降,以及传统倒谱中周期图谱法会造成频谱泄漏的问题,提出了一种基于延迟相乘与Marple算法的Yule-Walker自回归功率谱的倒谱法。通过MATLAB仿真分析,该方法能够提升伪码周期分量幅度,增强噪声抑制能力,避免频谱泄漏。

基于AR-EWT和SSI的桥梁结构模态参数识别

为解决随机子空间识别(SSI)算法存在的系统定阶困难问题,避免各模态之间的相互影响,提出一种结合自回归功率谱经验小波变换(AR-EWT)和SSI的桥梁结构模态参数识别方法。首先,采用AR-EWT将结构不同测点的振动响应信号分解成一系列仅含单一模态信息的单分量信号,并利用奇异值分解(SVD)去噪单分量信号。然后,组装所有测点中包含相同模态信息的单分量信号。最后,利用SSI分别处理各组单分量信号,识别结构的自振频率、阻尼比和振型。ASCE Benchmark模型、简支梁模型和西宁北川河桥的模态参数识别结果表明:所提出的AR-EWT结合SSI的模态参数识别方法可避免直接利用SSI识别模态参数时存在的系统定阶问题,提高模态参数识别效率;ASCE Benchmark模型、简支梁模型和西宁北川河桥的模态参数识别结果与直接利用SSI的识别结果、有限元分析结果基本一致。

心脏量化听诊的新方法研究

本文从时频两域研究心脏量化听诊的新方法,实现心脏的诊断从定性到定量转变,即从时、频两域分别提取蕴含着丰富临床评价信息的心音特征波形,并依据所设定的阈值计算特征诊断参数,这些特征参数配以易于理解的图解和数字化参数来快速准确地判别正常心音与各种心脏杂音,该技术的实现不仅有利于缓解医生长时间听诊造成的听力疲劳,也使得其有可能成为一种大规模的人群心脏状况普查方法。

听神经病患者瞬态诱发耳声发射的定量分析

目的定量分析听神经病患者的瞬态诱发耳声发射(transient evoked otoacoustic emissions,TEO-AE)的时域和频域特性,研究TEOAE在听神经病诊断中的应用,并探讨听神经病的发病机制和病变部位。方法利用ILO96耳声发射仪对76例(152耳)听神经病患者、80例(160耳)听力正常者进行TEOAE测试,对TEOAE进行分频段的相关率、强度和信噪比的统计分析,求解其自回归(auto-regressive,AR)功率谱并检测其峰值,定量分析听神经病患者AR谱峰值的变化特性。结果听神经病组1、2kHz的分频段相关率、强度和信噪比均显著大于听力正常组(P<0.05);听神经病组3、4kHz的分频段强度大于听力正常组(P<0.05),而两组之间3、4kHz的相关率和信噪比差异无统计学意义(P>0.05)。听神经病组与听力正常组TEOAE信号均可检测三个主导频率,且两组之间三个主导频率的位置差异无统计学意义(P>0.05)。听神经病组TEOAE信号第一主导频率的反应幅值比听力正常组显著性增大(P<0.01),而第二、三主导频率反应幅值与听力正常组相比差异无统计学意义(P>0.05)。结论利用AR谱对TEOAE信号分析可作为对听神经病的诊断依据之一。听神经病组TEOAE第一主导频率反应幅值比听力正常组明显加大,说明耳蜗基底膜处对应第一主导频率的位置处于超活跃状态,第一主导频率的基底膜位置正反馈机制得到加强,即说明连接外毛细胞的内侧橄榄耳蜗束神经纤维的神经冲动活跃,TEO-AE信号AR谱的分析对于研究听神经病的病变机制和病变部位具有一定的意义。

基于改进经验傅里叶分解的工作模态分析

近年来,工作模态分析在结构参数识别中的地位逐步上升。针对环境激励下结构振动响应信噪比低的特点,引入自回归功率谱对经验傅里叶分解进行改进,并提出了一种基于改进经验傅里叶分解的结构工作模态分析方法。为了验证该方法的可行性和有效性,对四层模拟框架和某人行斜拉桥进行工作模态参数识别,并利用随机子空间所识别的结果进行对比。结果表明,该方法识别的模态参数与随机子空间的结果相当,并且在密集模态情况下,该方法具有一定优势。因此,改进经验傅里叶分解能为今后的结构模态识别提供参考。

结构动力响应扩展离散解析模式分解的截止频率优化选取方法

为对结构动力响应进行有效分解并获得分解后振动响应的时频特征,提出了结构振动响应分解的扩展离散解析模式分解。基于扩展的离散解析模式分解,提出了截止频率选取的优化方法。传统的截止频率选取方法往往是根据傅里叶频谱图来进行人为选取。然而,对于具有密集模态成分的结构振动响应或者信噪比低的结构环境振动响应,很难根据傅里叶频谱图来选取截止频率。为了更好地对截止频率进行自动化优化选取,提出用自回归功率谱代替传统的傅里叶谱选取截止频率的方法。为验证扩展离散解析模式分解方法的有效性,首先对一模拟的结构振动信号进行有效分解;然后,对一个具有密集模态的36层框架结构的数值模拟,利用所提自回归功率谱法,获得了具有密集模态的振动信号的截止频率,并对结构振动信号进行了有效的分解;最后,以吉安赣江公路大桥为工程实例,选取了大桥环境振动加速度实验数据,利用自回归功率谱找出了信号分解中的截止频率;进而利用扩展离散解析模式分解获得了大桥的前两阶振动响应,并识别出了大桥的前两阶振型。结果表明:扩展离散解析模式分解是解析模式分解在离散信号处的有效延展;同时,利用自回归功率谱在扩展离散解析模式分解中寻找截止频率的方法更为有效。

基于粒子群算法的改进模态参数识别方法

针对一类多模态振动衰减信号的模态参数识别,结合奇异值分解(singular value decomposition,SVD)、解析模态分解(analytical mode decomposition,AMD)、自回归功率谱和粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的模态参数识别方法(PSO-AMD),可实现在强干扰环境下密集频率信号的模态参数识别。对模拟振动响应信号的分析结果表明,该研究提出的改进方法具有更高的稳定性,对低信噪比、密集频率、大阻尼的振动信号仍保持高识别精度。该研究的模态参数识别方法可应用于复杂噪声环境中的大阻尼和密集频率衰减振动信号的模态参数识别。

心音在时频两域中解析方法的研究

为实现心音的快速准确解析,对心音信号分别在时域和频域中的解析方法进行了研究。时域里,建立单自由度模型(SDOF)以仿真人耳听音鼓膜的特性,并从该模型中提取心音特征波形(CSCW),并从CSCW中提取4个有效的特征诊断参数T1、T2、T11、T12,它们是心音特征波形与阈值THV之间形成的交叉点所确定的时间间隔。频域里,基于自回归-功率谱密度(NAR-PSD)曲线定义了新的形态特征,提取一些心脏杂音可识别参数指标,提出了两个特征诊断参数fm ax和fwidth,分别描述了NAR-PSD最大频率峰值和频带宽度。通过采集大量的临床心音数据对正常/异常的心音案例进行解析。实验结果表明,在时域和频域中,这些特征诊断参数有助于判别心音的正常与异常。

基于改进EWT的超高层建筑模态参数识别

文章基于改进经验小波变换(empirical wavelet transform,EWT)、自然激励技术(natural excitation technique,NExT)及归一化的希尔伯特变换(normalized Hilbert transform,NHT),发展一种超高层建筑的模态参数识别方法。该方法首先使用基于Burg算法的自回归功率谱替代傅里叶频谱划分频谱区间,改进傅里叶频谱分割过程,以此构造经验小波滤波器组,将结构响应信号自适应地分解为一系列固有模态函数(intrinsic mode function,IMF),再利用NExT得到单分量信号的自由衰减响应,最后通过NHT和曲线拟合识别结构的阻尼比和自振频率。利用该方法对数值模型和台风“海棠”影响下台北101大楼的结构响应进行了模态参数识别分析。研究结果表明,文中提出的模态参数识别方法用于超高层建筑模态参数识别具有有效性、准确性和适用性,该方法可以利用非线性、非平稳、动态响应小且噪声水平高的结构响应信号,准确地估计超高层建筑的固有频率和阻尼比。

基于虚拟仪器的轴承振动信号处理技术

介绍了虚拟仪器的基本概念、硬件平台和软件平台的组成,以图形化编程语言LabVIEW为基础,以自回归模型功率谱分析的方法处理轴承振动信号,给出了FFT谱分析方法的信号处理结果,证明自回归模型功率谱的优点。

用瞬态诱发耳声发射信号识别听神经病

听神经病是一种特殊的感音神经性耳聋,目前对其病变部位和发病机理的认识仍有争议,诊断方法也较为复杂。该文探讨利用瞬态诱发耳声发射(TEOAE)信号识别听神经病的可行性。采用前馈神经网络,以TEOAE信号的自回归模型功率谱为特征,对正常耳和听神经病耳的TEOAE信号进行分类识别,总正确率可达88.67%,说明了利用TEOAE信号对听神经病进行识别的可行性。该方法对听神经病的识别具有一定意义,若应用于新生儿听力筛查中,将有助于降低新生儿听神经病的漏检率。