噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。

基于变分模态分解和1.5维谱的轴承早期故障诊断方法

提出了基于变分模态分解(VMD)和1.5维谱的滚动轴承早期故障诊断方法。利用VMD方法处理故障信号时,需要预先设置分解所得本征模态函数(IMF)分量的个数,且为了便于后续分析,需要从所得结果中筛选出最佳信号分量,为此提出一种分量峭度图方法来同时解决这2个问题。首先,设置IMF分量个数最大值,计算相应的分量峭度图;接着,根据分量峭度图对原故障信号进行VMD处理,并选定最佳IMF分量;然后,对最佳IMF分量做进一步包络解调运算,并计算包络信号的1.5维谱;最后,通过分析1.5维谱中幅值突出的频率成分可实现故障类型的准确判定。模拟信号及实测信号分析结果表明,所提的基于VMD和1.5维谱的诊断方法能够有效提取出轴承早期故障信号中的微弱特征信息,实现轴承早期故障的准确判别。

最大相关峭度解卷积结合1.5维谱的滚动轴承早期故障特征提取方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,尝试将最大相关峭度解卷积方法引入到滚动轴承故障诊断领域,并与1.5维谱结合,提出了最大相关峭度解卷积结合1.5维谱的轴承早期故障特征提取方法。首先对故障信号做最大相关峭度解卷积预处理,然后计算解卷积信号的包络信号,最后对包络信号做1.5维谱分析,从而得到解卷积信号的1.5维包络谱,通过分析谱图中幅值突出的频率成分来判断故障类型。滚动轴承故障模拟及实测信号分析结果表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。

基于1.5维谱的船舶轴频电场信号实时检测

为有效地从海洋环境电场中检测出船舶轴频电场信号,在采用正态概率图法分析海洋环境电场高斯性的基础上,利用1.5维谱在抑制高斯噪声和加强谐波信号基频分量等方面的优势,提取特征频段(1～7Hz)范围内的1.5维谱的平均值为特征值,利用滑动检测方法对信号进行了实时检测,并通过实测数据对该检测算法进行验证。结果表明:该方法在信噪比较高和较低的情况下均能较好地实时检测到目标信号,并且在没有目标信号的情况下不会出现虚警。

基于SVD-LCD与1.5维谱的滚动轴承故障诊断

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比、非线性、非平稳的特征,提出了奇异值分解降噪、局部特征尺度分解和1.5维谱相结合的故障诊断方法。该方法首先运用奇异值分解降噪技术降低信号中的噪声,然后对降噪信号进行局部特征尺度分解,得到若干个内禀尺度分量,并进行Hilbert变换求取包络信号,最后求取包络信号的1.5维谱提取故障特征。通过轴承内圈故障数据分析,验证了该方法的有效性。

基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断

为了准确提取轴承的故障特征,提出了一种遗传算法(GA)参数优化的变分模态分解(VMD)结合1.5维谱的轴承故障诊断方法。首先以VMD方法中模态分量的包络熵值最小为优化目标,利用遗传算法对模态分量个数和二次惩罚因子进行优化,确定这两个能使VMD实现最优分解的输入参数。然后利用参数优化的VMD方法对仿真信号和轴承内环故障信号进行分解,并做各模态分量的1.5维谱图。参数优化的VMD分解得到了与仿真信号原始分量相符的4个模态分量,1.5维谱剔除了未参与二次相位耦合的10Hz频率分量。同时在1k Hz频率以下,运用本文方法提取了轴承内环故障特征频率的1至6倍频频率成分以及电机转频对它们的调制频率。由此表明,遗传算法参数优化的VMD可实现复杂信号的正确分解,1.5维谱可有效检测信号的二次相位耦合。同时,遗传算法参数优化的VMD结合1.5维谱能有效提取轴承内环故障特征,从而验证了本文方法的有效性和实用性。

参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离方法

针对滚动轴承复合故障分离的问题,基于相关峭度具有突出故障冲击周期性的特点和1.5维谱抑制高斯白噪声、剔除非耦合谐波分量的优点,提出了参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离的方法。首先以轴承不同故障特征频率对应的周期计算得到的最大相关峭度为评价指标,通过相应的相关峭度图来实现VMD中参数选择以及最优分量的选取;然后对最优分量进行包络处理,并为减少冗余成分和噪声干扰,选择1.5维谱来对包络信号做进一步分析,以此来实现滚动轴承复合故障的有效分离。通过对轴承复合故障仿真及实验信号的分析证明了该方法的有效性。

基于LMD能量信号和1.5维谱的轴承故障分析

为了更准确的诊断滚动轴承是否发生故障,提出了利用Teager能量算子求LMD分量能量信号,再做其1.5维谱的方法。局部均值分解(Local Mean Decomposition,简称LMD)算法分解得到一组乘积函数分量,每一个分量都可近似看作一个线性平稳的单分量信号。Teager能量算子可以追踪信号瞬态能量,使故障冲击成分突出。1.5维谱具有降低频谱中高斯噪声影响的作用。新的故障诊断方法结合了各方法的优点,能有效地提取滚动轴承故障信号的特征频率及其倍频。通过对实测滚动轴承外圈、滚动体、内圈故障信号的分析,有效地提取了各种故障的特征频率,验证了新方法在滚动轴承故障特征提取中的可靠性。

基于1.5维谱的脑电非线性相位耦合分析

应用随机信号的1.5维谱分析脑电信号,旨在克服脑电功率谱分析的缺陷,同时保留高阶谱分析的优良特性。对五种不同思维状态(放松、启发式写信、两位数乘、数字擦除重绘、三维旋转)下的脑电进行1.5维谱分析,并对分析结果作了初步的讨论。分析显示,所有脑电均出现明显的平方相位耦合结构,但在不同思维状态下的脑电平方相位结构存在明显的差异,结果表明相位耦合信息可能为研究脑电提供新的途径。

基于自适应的SSD算法和1.5维谱的新型雷达干扰识别

随着数字射频存储器(DRFM)技术的发展,新型有源雷达干扰呈现出灵活多变和脉压增益大的特点,对雷达的生存环境是个严峻的挑战,如何有效地捕捉并识别干扰类型具有研究意义。本文提出了一种基于自适应的奇异谱分解(SSD)算法和1.5维谱的识别方法。通过对5种干扰和回波进行SSD分解,利用峭度准则自适应选取最佳分解个数和最佳分解分量,对最佳分解分量进行1.5维谱估计,将估计结果送入到支持向量机(SVM)中训练学习并分类。仿真结果表明,该方法智能化选参和特征稳定的优点突出、识别率较高。

基于频率加权能量算子与1.5维谱结合的发电机特征振动信号增强

针对多极发电机故障振动信号信噪比低,故障识别难度高的不足,本文提出了频率加权能量算子(FWEO)与1.5维谱结合的方法来对发电机振动信号进行特征增强和滤噪。该方法应用频率加权能量算子来提取瞬态冲击特征和滤噪,应用1.5维谱来进行信号的二次特征增强和抑噪。对3对极发电机定子匝间短路故障前后定子振动数据的处理效果表明,本文所提方法能有效对发电机特征振动信号进行增强并实现有效滤噪,实现故障的快速识别;其处理效果不仅优于单一的频率加权能量算子和单一的1.5维谱,而且与当前流行的最大相关峭度解卷积算法相比具有一定优越性。

基于SSD和1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障信号信噪比低、较难提取的问题,提出了基于奇异谱分解和1.5维谱的滚动轴承故障诊断方法。首先,利用SSD处理振动信号得到一组奇异谱分量;然后,根据峭度准则选取最佳分量并进行包络解调;最后,计算包络信号的1.5维谱并分析谱图中提取到的故障特征信息,实现故障类型的准确判定。试验结果表明,该算法能够有效提取轴承内、外圈早期微弱故障的特征信息,与单一方法及EMD相比具备更佳的诊断效果。

基于短时1.5维谱的脉冲星个别脉冲检测

为改善脉冲星微弱脉冲信号的检测性能,分析了个别脉冲及其背景噪声1.5维谱特征,以脉冲星辐射脉冲谱能量与噪声谱能量的比值作为脉冲星辐射脉冲出现的判据,以1.5维谱的短时设计反映判据发展的时变特性,提出了基于短时1.5维谱的脉冲星个别脉冲检测算法。对PSR J1056-6258等多颗脉冲星观测数据进行了实验,结果表明基于短时1.5维谱的脉冲星个别脉冲检测的可检测信噪比可达到约-26d B,且大于30%的色散预修正即可保证低信噪比情况下射电脉冲星色散脉冲信号的检测性能。

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。

融合Autogram的共振解调和1.5维谱的滚动轴承复合故障诊断方法

对滚动轴承复合故障进行诊断时,通常采用先分离后诊断的信号处理方法,由于故障特征信号相互耦合或干扰,容易出现误诊或漏诊的现象,针对该问题,提出了基于Autogram的共振解调和1.5维谱的复合故障诊断方法,能够在不分离复合故障信号的前提下识别故障类型。采用变分模态分解(VMD)对原始振动信号降噪,提出了一种综合指标Z选取VMD的有效分量进行信号重构,提高信号的信噪比;使用Autogram算法确定共振频带中心频率和带宽,对共振信号进行包络解调,得到包络信号的1.5维谱,根据1.5维谱中的故障特征来识别滚动轴承复合故障的类型。采用滚动轴承3种不同类型复合故障的实测信号验证了所提方法的可行性,试验结果表明,所提出的方法可以提高复合故障识别的准确性和直观性。

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。

最优共振带提取与1.5维谱的滚动轴承早期故障诊断方法

滚动轴承的振动信号反映到频谱图中,会出现共振带,能够有效并准确提取共振带加以分析是滚动轴承故障诊断常用方法。为了准确提取出共振带,采用巴特沃斯带通滤波器对共振频带进行提取,为了得到最优共振带,将采用特征频率强度系数这一指标来反映提取的共振带效果,然后利用具有高强降噪特性的1.5维谱来对滤波信号进行特征提取.通过仿真信号以及试验信号对该方法进行验证,结果表明,该方法能够在强噪背景下对特征的提取以及实现滚动轴承早期故障诊断。

基于CEEMDAN和1.5维谱的滚动轴承早期故障诊断方法

针对滚动轴承早期故障难以识别的问题,提出一种自适应白噪声的完备总体经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和1.5维谱相结合的滚动轴承故障诊断方法。该方法首先运用CEEMDAN对振动信号进行分解,得到一系列IMF分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的IMF分量,最后对提取的IMF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。利用仿真信号和工程实验数据对该方法进行分析验证,所得出结果的谱图均比用单一方法得出的谱图清晰,充分证明该方法在滚动轴承早期故障诊断中的优势。

基于1.5维谱的欺骗干扰识别方法

针对欺骗干扰自动识别运算量大、干噪比较低时识别率低和识别模型的实时性不强等问题,研究了一种基于1.5维谱的欺骗干扰识别方法.首先对速度欺骗、距离欺骗和角度欺骗3种干扰信号进行1.5维谱估计,然后提取得到的图像的盒维数、信息熵和信号聚散度作为特征参数,构建三维特征空间,最后将3个特征参数送入径向基函数(RBF)神经网络进行自动分类.仿真结果表明,该方法对欺骗干扰样式识别率较高,受干噪比影响相对较小,运算速度较快,具有较好的实时性.

基于双树复小波包变换和1.5维谱的轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于双树复小波包变换和1.5维谱的诊断方法。首先通过双树复小波包变换将复杂的、非平稳的原始故障信号分解为若干个不同子带信号分量,继而利用峭度评价指标从分解所得结果中筛选出蕴含丰富特征信息的子带信号分量,将其视为最佳分量并做进一步包络解调运算,最后计算所得包络信号的1.5维谱,从中提取出轴承故障特征信息。实测信号分析结果表明,基于双树复小波包变换和1.5维谱的诊断方法能够实现滚动轴承故障类型的有效判定,具有一定工程应用价值。