基于Teager算子的柴油机活塞-气缸磨损故障特征增强方法

柴油机活塞与气缸磨损情况是判断柴油机技术状态的主要指标,也是柴油机大修送修的主要条件,其监测诊断一直是柴油机维修的重点。由于柴油机结构复杂,工作状态激烈,活塞-气缸磨损故障很难有效监测诊断,尤其是活塞-气缸早期磨损故障,更是监测诊断一直是研究的重点和难点。根据活塞-气缸磨损后在工作中产生冲击的特点,利用Teager算子提取瞬态冲击信号的优势,对柴油机怠速时缸体上部左侧振动信号进行Teager算子增强,通过提取出的Teager算子能量最大值,判断是否存在活塞-气缸磨损故障以及故障的严重程度。通过两种不同型号柴油机、不同故障缸的机体振动实测信号分析表明,该方法简便有效。

Teager算子和极坐标级联增强时频特征算法及轴承微弱故障特征提取

提出了一种Teager算子和极坐标级联增强时频特征方法(Cascading enhancement of time-frequency feature based on Teager energy operator and polar diagram,CETFTP),应用于提取轴承早期单一和并发故障微弱特征。首先计算信号的Teager能量算子输出,一级增强冲击信号能量,按有限种可能周期将时间尺度平面上的时频系数累加,映射到极坐标平面,二级增强周期冲击时频特征。对仿真信号和4种工况轴承实测信号进行CETFTP分析,结果表明:CETFTP方法能级联增强周期冲击特征,有效抑制非同周期的其他分量和噪声干扰,更能提取强噪声下的轴承微弱故障特征;CETFTP不仅能有效提取单一故障微弱特征,而且能消除并发故障调制源之间的干扰,逐个提取信号中的多个调制源特征,为轴承并发故障特征提取提供了一条新途径。

基于Teager算子的短时HRV样本熵算法

在心率变异性(HRV)数据的短时非线性分析中,单纯的样本熵算法不能有效提取健康人和充血性心衰(CHF)患者的信号特征差异。为此,提出一种基于Teager能量算子的样本熵分析算法。采用Teager算子的预处理捕获心脏动力学活动中的异常节律变化,以强化样本熵分析效果。对MIT BIH数据库中样本的实验结果表明,该算法可反映健康人与CHF患者的短时HRV信号非线性复杂性的差异,为计算机分析诊断心衰等疾病提供新的辅助依据。

基于交叉小波变换与Teager算子的柴油机燃烧特征增强方法

为更有效地对柴油机燃烧进行监测和诊断,提出一种基于交叉小波变换与Teager能量算子的柴油机燃烧特征增强方法。首先利用交叉小波变换对柴油机缸盖振动信号进行时频相干分析,以衰减甚至消除随机噪声干扰,然后进一步采用Teager算子对于柴油机燃烧时频特征进行增强。仿真和实际信号分析结果表明,该方法有助于柴油机燃烧特征的提取和失火故障的诊断。

LCD联合改进Teager算子的轴承故障诊断

提出了将局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)和改进Teager能量算子(NTEO)相结合的滚动轴承故障诊断方法.首先简单介绍了近几年新提出的一种自适应时频分析方法LCD,它能够将一个复杂的多分量信号分解为若干内禀尺度分量(Intrinsic scale component,简称ISC),计算各阶ISC的峭度和与原信号的相关度,然后对峭度和相关度都比较大的ISC用NTEO计算瞬时Teager能量序列,接下来把各阶Teager能量序列相加得到总的能量序列,最后对能量序列做快速傅里叶变换,查找故障频率.分别把有内圈和外圈故障的轴承的振动信号进行了分析,有效的提取出了故障特征频率,并与传统的Hilbert包络谱方法和Teager能量谱进行对比,验证了方法的优越性.

基于Park变换和Teager能量算子的晶闸管逆变器保护新方法

在高压直流输电系统中,晶闸管逆变器直流差动保护误动于区外故障,以晶闸管逆变器作为研究对象,提出了基于Park变换和Teager能量算子的晶闸管逆变器保护新方法。首先,利用Park变换分析逆变器交流侧电流,建立和直流侧电流的平衡关系,提出主判据;其次,采用逆变器交流侧接地故障的零序电流和逆变器交流侧电流的Teager能量算子作为辅助判据;最后,通过PSCAD仿真将该保护和传统直流差动保护进行比较。结果表明:该保护可有效解决传统直流差动保护误动于区外故障的问题,对于直流差动保护不能动作区内的相间短路故障,该保护方法可正确动作。

一种改进VMD与Teager能量算子的电能质量扰动检测方法

为提高电能质量扰动检测的精度和实时性,提出了基于能量损失比的变分模态分解(variational mode decomposition,VMD)与Teager能量算子(Teager energy operator,TEO)结合的电能质量扰动检测方法。首先通过能量损失比预设置VMD本征模态函数(intrinsic mode function,IMF)的最优取值。然后通过VMD的信号频带划分能力实现扰动信号各模态有效分离。最后利用TEO解调各IMF定位扰动发生的起止时刻,实现对电能质量扰动的检测。分别采用小波变换(wavelet transform,WT)、希尔伯特-黄变换(Hilbert-Huang transform,HHT)和VMD-TEO方法在无噪声和30 dB噪声条件下对不同类型的单一和复合电能质量扰动信号进行对比仿真实验。实验结果表明,VMD-TEO方法能够对电能质量扰动实现准确检测且精度高,并具有良好的抗噪性能和快速响应能力。

基于小波包-1.5维Teager能量谱图和深度学习的滚动轴承故障诊断方法研究

带式输送机工作环境恶劣、干扰源复杂,受非周期性冲击及谐波干扰,其托辊滚动轴承故障诊断困难。针对此问题,提出了一种基于小波包-1.5维Teager能量谱图和深度学习相结合的滚动轴承故障诊断方法。首先,利用小波包分解对故障信号进行分解,提取能量占比较高的分量进行重构;然后,采用Teager能量算子和1.5维谱处理重构信号滤除周期性谐波干扰,构建出故障特征能量谱图;最后,利用卷积神经网络对能量谱图进行训练和测试,精准诊断出滚动轴承故障类型。仿真与实验分析结果表明,所提方法可有效滤除非周期性冲击和谐波的干扰,并精准诊断出轴承故障类型。所提方法为托辊滚动轴承的故障诊断提供了一种新思路,具有一定的工程应用价值。

一种采用B样条插值的改进能量算子在电梯电机轴承故障诊断中的应用

针对传统Teager能量解调算子方法对电梯运行系统中存在的强背景噪声较为敏感的不足,提出了一种改进的能量解调算子方法;采用了B样条技术与传统Teager能量算子方法进行结合,其中建立的B样条曲线对信号进行插值起到滤波作用;然后再利用Teager能量算子对滤波信号进行转换;最后利用傅里叶变换得到转换信号的频谱图从而揭示故障特征;所提出的基于B样条插值的能量解调方法不仅保留了传统能量解调算法的优点,如较高的解调精度和优秀的时间分辨率等,并且可以在强噪声背景下提取出微弱轴承故障特征;经实验验证实现了提高强背景噪声下的轴承故障检测的性能,能够在故障退化的早期检测故障,满足了实际工况下故障诊断上的应用。

基于Teager能量算子的滚动轴承故障诊断研究

周期性冲击是判断滚动轴承局部损伤故障的关键特征,如何提取周期性冲击及其重复频率是轴承故障诊断的关键。Teager能量算子能够估计产生信号所需的总机械能,对信号的瞬态变化具有良好的时间分辨率和自适应能力,在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率,针对滚动轴承故障振动信号中的瞬态冲击特点,提出了基于Teager能量算子的频谱分析方法,利用Teager能量算子提取轴承故障引起的周期性冲击,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。分析了滚动轴承故障仿真信号和实验测试信号,并和包络谱方法进行了对比分析,准确诊断了滚动轴承元件故障,验证了该方法的有效性。

基于Teager能量算子(TEO)基频的应力影响下的变异语音分类

变异语音识别是一项极具挑战意义的研究课题,一种解决方法是在前端对语音进行变异分类,然后根据不同变异情况采用相关的处理算法。在各种语音变异中,说话人在战斗机、航天飞机座舱等环境中,身体受到应力（重力）影响时的情况更具有特殊性。其所引起的发音变异有别于因心理的、感知的或生理的因素所引起的变异,目前国内外还鲜见有关应力影响不变异语音分类问题的专门研究。木文从对应力影响下的几种基于基频的语音特征的分析出发,提出了对应力影响下的变异语音和正常语音进行分类的方法。对航空模拟飞行器中采集的小词表实验样本,特定人平均分类正确率达到了93.3％,多说话人分类上确率达到了85.8％。

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术。首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障。

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。

基于Teager能量算子和深度置信网络的滚动轴承故障诊断

针对传统的分类器对滚动轴承早期微弱故障进行诊断时泛化能力不强的问题,提出基于Teager能量算子(TEO)和深度置信网络(DBN)的滚动轴承故障诊断方法。先用TEO提取滚动轴承振动信号中的瞬时能量,构造相应的特征向量;采用层次优化算法调整DBN结构参数,生成合适的分类器。应用美国西储大学轴承实验振动信号,对不同类型、不同损伤程度的滚动轴承进行故障诊断,对比分析DBN、支持向量机(SVM)和邻近算法(KNN)的分类准确性。研究结果表明:DBN能更准确、稳定地识别滚动轴承各种故障,具有较强的泛化能力。

基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。

Teager能量算子结合MCKD的滚动轴承早期故障识别

针对Teager能量算子在解调滚动轴承早期微弱故障特征中的不足,提出一种最大相关峭度解卷积降噪与Teager能量算子解调相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后利用Teager能量算子增强降噪信号中的周期性冲击特征、抑制非冲击成分,最后通过分析Teager能量谱中明显的频率成分来诊断故障类型。滚动轴承外圈、内圈故障诊断实例表明,该方法能有效实现滚动轴承早期微弱故障的识别。

基于Teager能量算子(TEO)非线性特征的语音情绪识别

目的探索识别汉语语音情绪的有效识别特征。方法采用基于Teager能量算子(TEO)的非线性特征,通过马尔可夫模型法(HMM),从汉语语音中识别平静和生气、欢快、悲伤4种情绪。结果文本有关时,5个非线性特征:基于频域TEO的Mel倒谱系数(nonlinear frequency domain Mel,NFD-Mel)、基于幅频特性的Mel倒谱参数(am plitude and frequency property Mel,AF-Mel)、基于微分幅频特性的Mel倒谱参数(am plitude and frequency property Mel of differential,DAF_Mel)、基于幅度调制的子带倒谱参数(AM-based SBCC,AM_SBCC)及基于幅频调制的子带倒谱参数(AMFM-based SBCC,AMFM-SBCC)的情绪识别性能全部高于Mel频率倒谱参数(Mel-scaled cepstrum coefficients,MF-CC)。文本无关时,NFD-Mel、AF-Mel、DAF-Mel的识别率高于MFCC,AM_SBCC、AM FM-SBCC的情绪识别率低于MFCC。结论结合非线性TEO的识别特征NFD-Mel、AF-Mel、DAF-Mel可有效提高情绪识别性能。

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。