基于多尺度形态滤波和递归求差的冲击特征自适应分离方法

针对故障诊断中的耦合冲击特征提取和分离难题,提出了一种基于多尺度形态滤波(multiscale morphological filtering, MMF)和递归求差的冲击特征自适应提取与分离方法。首先,利用能量幅值(energy amplitude, EA)指标和频响特性分析,从典型组合算子中筛选出适合冲击特征分离的组合形态滤波-帽变换(combination morphological filter-hat transform, CMFH)算子;其次,利用CMFH形态学算子和加权谐噪比(weighted harmonic to noise ratio, WHNR)指标实现周期性冲击特征提取;然后,利用求差增强技术(strengthen operate subtract operate, SOSO)抑制谐波干扰和白噪声,进一步增强周期性冲击特征;最后,通过迭代求差思想构造循环滤波器,对周期性冲击特征进行多尺度提取与分离。仿真数据和牵引电机轴承故障数据分析结果表明,该方法在随机冲击、谐波干扰下的周期性冲击提取能力优于最大二阶循环平稳盲解卷积(maximum second order cyclostationary blind deconvolution, CYCBD)方法和经典谱峭度方法。

基于多尺度形态学滤波和K-SVD的轴承复合故障特征提取方法

针对滚动轴承复合故障诊断中的故障特征分离和提取难题,课题组提出一种基于多尺度形态滤波(multiscale morphological filtering,MMF)和K-SVD字典学习的复合故障特征分离与提取方法。首先,利用多尺度形态学滤波的尺度差异对信号进行分解,实现复合故障特征分离;其次,通过特征能量因子(feature energy factor,FEF)筛选出最佳尺度分量,并利用K-SVD分别构建学习字典库;然后,通过正交匹配追踪算法(orthogonal matching pursuit,OMP)从字典库中重构出信号;最后,结合迭代求差思想,对复合故障进行分离和特征强化。仿真和实验分析表明该方法能够自适应地分离并准确提取滚动轴承复合故障特征。与经典变分模态分解(variational mode decomposition,VMD)方法对比,该方法具有更好的鲁棒性。

一种铁磁管道中远场涡流的伪峰移除方法

在铁磁性管道的远场涡流检测中,由于涡流信号会从激发线圈和接收线圈处2次穿透管壁,所以同一缺陷必然影响2次远场涡流信号的传输,其在接收信号中分别体现为主峰和伪峰。主峰包含了管道缺陷的位置等信息,然而伪峰在管道的检测和评估中表现为对缺陷定位的干扰。为了排除伪峰对管道缺陷定位的干扰,给出了一种新的远场涡流伪峰移除方法,首先利用数学形态学滤波器滤除缺陷信号的基线偏移,然后提出以径向基函数拟合主峰、伪峰的数学模型,并使用Nelder-Mead单纯型法求解该模型的参数以得到伪峰信号。仿真实验和实际数据处理结果表明,该方法具有良好的伪峰移除效果,具有一定的适用性。