ITD与DLE相结合的模拟电路故障诊断

指向李雅普诺夫指数(directional Lyapunov exponent,DLE)描述了一个系统在相空间中平衡点附近的特征结构,它与系统参数之间有着直接联系,因而可用来实现对被测系统的故障诊断。但由于对其计算时要求输出相空间轨线在平衡点附近形成单涡结构,因而对激励信号形式提出了很高的要求。利用固有时间尺度分解(intrinsic time-scale decomposition,ITD)方法,将任意混沌激励下的输出信号分解为一组单涡混沌信号,进而对各分量求解DLE曲线;并通过分析DLE曲线所反映的被测系统平衡点附近各个方向上平均发散速率大小的变化,实现对被测模拟电路系统的故障诊断。仿真结果表明,该方法可以有效地对被测系统平衡点附近结构进行分析,可应用于模拟电路的故障诊断之中。

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。

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ITD和排列熵的行星齿轮箱故障诊断方法

行星齿轮箱故障信号包含了多个调制过程,特征呈现复杂的边带成分,且信号易受噪声影响,数据的选择会直接影响故障特征提取效果。针对行星齿轮箱故障信号特点,提出基于固有时间尺度分解(ITD)和排列熵(PE)结合的行星齿轮箱故障诊断方法。ITD-PE方法将原始信号分成多个子序列,对各子序列进行ITD分解,利用互相关系数准则筛选敏感分量,计算其PE,实现了故障程度的区分;并对最小熵的数据段进行包络分析,提高了故障特征提取的效果。仿真和实验分析均表明:ITD-PE方法不仅能实现行星齿轮箱故障的准确诊断,且能利用熵值大小区分故障程度。

基于ITD和改进形态滤波的滚动轴承故障诊断

为从受谐波和随机噪声干扰的振动信号中提取出故障冲击成分,融合四大基本形态学算子提出了改进形态滤波方法——平均组合差值形态滤波(ACDIF)方法,同时与固有时间尺度分解(ITD)相结合,并将ITD-ACDIF方法应用到滚动轴承的故障诊断中。首先,对轴承振动信号进行ITD分解得到一系列旋转分量(PRC);然后,以峭度为准则筛选出含故障信息丰富的有效PRC,对每个有效分量进行ACDIF滤波提取冲击成分进行信号重构;最后,利用频谱分析提取重构信号中的故障特征。数值仿真和轴承故障振动信号的试验结果表明,本文方法可有效滤除谐波干扰,提取强背景噪声下的冲击故障特征,实现设备的故障诊断。

基于ITD和短时傅里叶变换的故障诊断方法

根据固有时间尺度分解和短时傅里叶变换方法的优点,提出固有时间尺度分解和短时傅里叶变换相结合的故障诊断方法。采用ITD方法故障信号分解为若干个固有旋转分量和一个单调趋势项,提取特征信号并确定故障;运用短时傅里叶变换方法对分解的PR分量进行时频分析得到特性频率并进行相关预判断。以齿轮箱为试验对象进行诊断,结果表明,该方法可以有效地提取故障特征信号,并对隐藏的信号进行提取,实现有效诊断故障和预防故障发生。

基于SVD-ITD和支持向量机的潜水磨碎泵故障诊断

针对潜水磨碎泵流道堵塞的故障诊断,提出了一种基于奇异值分解(SVD)和固有时间尺度分解(ITD)的电流信号分析和构建支持向量机故障识别模型相结合的方法。搭建了潜水磨碎泵堵塞实验台,采集了潜水磨碎泵在不同堵塞程度下的电流信号,利用SVD滤除电流工频信号,采用ITD分解得到各固有旋转分量(PCRs),再将PCRs的均方根值(RMS)与相对应的堵塞程度标签组成数据特征集,最后输入到支持向量机确定故障状态。实验结果表明提出的方法能够准确地识别出四种不同堵塞等级,准确率高达92.3%。因此所提出的方法在少量样本情况下对堵塞程度有较高的识别能力,具有很高的实际应用价值。

基于深度学习的高压输电线双极短路故障检测

高压输电线路通常比较长且所处环境复杂,检测输电故障时易受到其他电气设备的电磁信号干扰,引起误判。为了提升高压输电线线路运行的稳定性,提出一种基于深度学习的高压输电线双极短路故障检测方法。将母线的电压幅值以及相角作为故障检测的输入项,实现故障数据的归一化和降维,获取全新的故障数据时间序列。基于此,采用改进的ITD分解提取特征值,经过特征选择后将融合的特征矩阵输入深度神经网络中训练,对故障完成精准分类,实现高压输电线双极短路故障的检测。实验测试结果表明,采用所提方法可以获取较高的高压输电线双极短路故障检测精度,同时还可以有效提升故障检测效率,有效保障了高压输电线线路的平稳运行。

一种快速OFDM调制信号识别算法

利用固有时间尺度分解对接收信号提取瞬时参数,结合方向数据的统计分析方法,提取了3个特征参数作为联合特征向量组,对正交频分复用(OFDM)信号和常见单载波调制信号进行类间识别,并对载波频率、符号速率和采样率等系统参数对识别性能的影响进行了分析.该算法可直接在中频对信号进行处理,避免了载波恢复过程.仿真结果表明,该算法可以在信噪比较低的条件下很好地区分OFDM信号和单载波,并对系统参数表现出了一定的鲁棒性.

基于ITD样本熵与PNN的自动机故障诊断

针对自动机振动信号短时、非平稳、高冲击的特性,本文提出一种运用固有时间尺度分解(ITD)样本熵和概率神经网络(PNN)进行故障诊断的方法。首先将ITD引入自动机的故障诊断中,通过对ITD分解得到前五层重构信号提取的时频特征来验证ITD方法的有效性,并对信号进行样本熵提取,把其作为特征向量分别用概率神经网络和BP神经网络对自动机进行故障模式识别。实验结果表明:概率神经网络相对于BP神经网络可以提高故障分类的正确率,从而验证了ITD样本熵与PNN的自动机故障诊断方法的优越性。

基于ITD-KICA盲分离降噪的滚动轴承故障特征提取

滚动轴承在实际工况下的故障信号和故障信息常常淹没于噪声中,传统的故障特征提取方法很难有效提取出轴承故障特征信息。因此,采用时间固有尺度分解(ITD)和核独立分量分析(KICA)相结合的信噪盲分离分析法降噪。对轴承信号进行ITD分解,根据相关系数将分解得到的PRC分量重组以及构建虚拟噪声通道,利用KICA解混实现故障信号与噪声信号分离,对信噪分离后的有效分量信号做包络谱的分析。通过仿真及轴承故障实验分析和对比表明,该方法能有效提取轴承的故障特征。