基于IEWT-DELM的行星齿轮箱故障诊断

针对在恶劣情况下行星齿轮箱特征难以提取以及多种故障状态下难以准确分类这种问题,提出在经验小波变换基础上将原有频谱分解替换为在噪声干扰下更为稳定的尺度谱分解的改进经验小波变换与深度极限学习机相结合的故障诊断方法。首先,将行星齿轮箱不同故障工况下的信号利用改进经验小波变换分别进行降噪处理并提取各阶调频-调幅分量,之后选取包络幅值峭度较高的前6个分量多尺度样本熵作为故障特征集,输入到深度极限学习机中进行故障诊断分类,行星齿轮箱故障诊断试验表明:与EWT、EMD与DELM结合的故障诊断准确率相比,该方法故障平均识别率可达97.6%,具有一定的有效性。

基于IEWT和IFractalNet的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法易受噪声干扰,过度依赖专家经验等问题,提出了一种基于改进经验小波变换(IEWT)和改进分形网络(IFractalNet)的诊断方法。改进经验小波变换Fourier谱的分割方式,将轴承原始振动信号自适应分解为若干本征模态分量,并利用基于峭度、相关系数、能量比的综合评价指标筛选出最能反映信号故障特征的本征模态分量(imfs);针对样本集不平衡问题改进分形网络的损失函数和激活函数;将筛选到的imfs重构并输入IFractalNet进行自动特征提取与故障识别。实验结果表明:提出方法能够有效地对滚动轴承进行多种故障类型和多种故障程度的识别,避免了复杂的人工特征提取过程,相较于其他方法具有更高的泛化能力、特征提取能力和故障识别能力。

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。

基于改进经验小波变换的高压电缆局部放电噪声抑制研究

对高压电缆的局部放电(PD)进行监测,并对其所包含的噪声信息进行抑制,是一种有效的绝缘评估方法。针对PD信号所包含的复杂噪声信息,提出一种基于改进经验小波变换(IEWT)的噪声抑制方法。该方法以IEWT分解为核心,通过将含噪信号分解为按频率顺序排列的经验小波函数(EWF),有效避免复杂噪声信号分解时的模态混叠现象。利用峭度规则对分解得到的EWF进行筛选,最后对筛选出的有用EWF进行重构和降噪处理,达到对复杂含噪信号的噪声抑制效果。模拟仿真以及现场测试表明,与现有基于EWT和基于EMD的降噪方法进行对比,该文所提方法可更有效地抑制PD信号所包含的噪声信息。

基于改进经验小波变换的桥梁模态参数识别

针对经验小波变换(EWT)傅里叶谱划分易受高强噪声和调制边频带的影响,传统方法划分的频带不准确等问题,提出一种改进经验小波变换(IEWT)并将其用于桥梁结构模态参数识别。首先,利用振动信号的傅里叶谱进行了经验小波变换;去除分解后的高频分量,将剩余分量重构获得EWT趋势谱;然后,将EWT趋势谱代替傅里叶谱来进行频谱分割,以频谱分割得到的频率边界构造经验小波滤波器组对信号进行了经验小波变换,并对经验小波变换获得的单分量信号使用同步提取变换(SET)做去噪处理;最后,结合随机减量技术(RDT)和希尔伯特(Hilbert)变换识别桥梁结构模态参数,即频率、阻尼比和振型。分别以两个典型的仿真信号和实际工程案例对所提方法进行了验证,并且在桥梁加速度响应加入噪声验证该模态参数识别方法在低信噪比下的性能;仿真信号频谱分割和实桥模态参数识别。结果表明:相较于傅里叶谱,基于EWT趋势谱的频谱划分方法能更加精准地确定经验小波变换所需要的频谱边界,避免噪声和边频带的干扰,提高频谱划分精度;引入的同步提取变换能够去除单分量信号中的噪声,消除噪声对模态参数识别的影响;所提改进经验小波变换结合SET去噪、RDT和Hilbert变换能准确识别桥梁结构模态参数,且在低信噪比条件下鲁棒性好。

改进经验小波变换在滚动轴承故障特征提取中的应用

针对高速列车齿轮箱滚动轴承故障特征提取困难的情况,提出了基于改进经验小波变换(Empirical Wavelet Transform,EWT)的轴承故障诊断方法。首先,对轴承振动信号进行EWT变换得到多阶固有模态分量,通过计算峭度值筛选出包含故障信息的固有模态分量,采用经验小波逆变换的方式对筛选分量进行重构,最后计算Hilbert包络解调谱对重构信号进行分析。研究表明,结合EWT,峭度系数和经验小波逆变换的方法可以准确的提取轴承的故障特征,为轴承监测和维修提供准确信息。