基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。

基于经验模式分解和Teager能量谱的齿轮箱故障诊断

在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,对汽车运行的安全性有重要意义。利用经验模式分解和Teager能量谱对振动加速度传感器获取的齿轮箱振动信号进行特性分析。先利用经验模式分解获得故障信号的本征模式函数,然后计算本征模式函数Teager能量谱,提取本征模式函数系数-能量谱特征值来分析时频故障特性。仿真研究结果表明用Teager能量特征表达在故障定位和故障信息提取方面是可行的和有效的,提高了故障检测的可靠性。

基于DT-CWT自适应Teager能量谱的轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波变换和Teager能量谱结合,提出了基于双树复小波自适应Teager能量谱的早期故障诊断方法。首先,利用双树复小波将采集到的振动信号分解为不同频带的子信号,并计算各子带的频带幅值熵;然后,将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳阈值,从而自适应并且有效地提取出共振带;最后,对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。

基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。

基于小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及从小波包分解后的频带不能有效确定并自适应提取共振带的问题,提出了频带幅值熵的概念。在此基础上,将小波包变换和Teager能量谱结合,提出了基于小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用小波包对采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳熵阈值以及小波包最佳分解层数,从而自适应并且有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。

基于滑动峭度法和Teager能量谱的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于滑动峭度法和Teager能量谱的滚动轴承故障特征提取方法。该方法首先对原始振动信号进行滑动峭度计算,获得一个反应冲击信号偏离高斯分布的峭度时间序列,然后通过计算该峭度时间序列的Teager能量谱识别轴承故障特征频率及其倍频成分。应用该方法分析了滚动轴承模拟信号和实测信号,准确诊断出滚动轴承元件故障,证明了该方法的有效性。

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。

基于二次聚类分割与Teager能量谱的滚动轴承微弱故障特征提取

如何从含噪振动信号中准确提取微弱周期性故障特征是辨识滚动轴承局部故障的关键。针对此问题,提出一种基于二次聚类分割与Teager能量谱的滚动轴承微弱故障特征提取方法。首先通过傅里叶变换得到故障信号的频谱并利用模糊C均值算法对其进行聚类分割;然后对每个频段进行傅里叶逆变换并计算不同频段时域信号的峭度,选取峭度最大频段对应的时域信号作为滤波信号,对该信号进行第二次聚类分割及傅里叶逆变换,选取最大峭度对应的频段作为通带过滤信号,进一步消除噪声和自然周期性成分的影响;最后采用Teager能量算子对得到的时域故障信号进行解调分析,以获取滚动轴承微弱故障特征频率。仿真分析和实验验证结果表明,该方法能准确有效地提取出滚动轴承微弱故障特征。

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。

基于Teager能量谱极限学习机的GIL局部放电识别

对气体绝缘金属封闭输电线路(GIL)设备进行局部放电故障诊断与定位对其内部绝缘保护具有重要意义,由于GIL呈全封闭结构,现有外置式的检测方式对内部缺陷检测不够敏感,无法实现局部放电的量化描述与定位。因此,提出一种基于Teager能量谱极限学习机的局部放电故障诊断与定位方法。以脉冲电流能量波动特征与频段为分析对象,首先,利用Teager能量算子提取不同放电故障位置的能量波动特征;其次,利用小波包变换对不同位置的放电故障能量特征频段占比进行计算;最后,结合极限学习机(ELM)对GIL设备局部放电故障进行定位与诊断。结果表明,不同位置的局部放电缺陷能量波动差别明显,利用小波包变换分析后的特殊频段能量占比可以作为故障分类的依据。通过与其他在线监测方法的对比,表明ELM可以实现GIL设备局部放电故障的有效定位与诊断。

基于EEMD和Teager能量谱提取轴承故障特征

针对轴承振动信号非平稳性以及故障特征难于提取等特点,提出结合集成经验模式分解和Teager能量算子解调,构造Teager能量谱提取轴承故障特征的方法。利用集成经验模式分解能够抑制经验模式分解在处理非平稳振动信号时的模态混叠,Teager能量算子解调能够抑制传统Hilbert变换中的端点效应,具有计算速度快、解调效果好等优点,分解轴承故障信号,计算本征模函数的Teager能量谱,并提取轴承故障特征。仿真和试验分析结果验证了该方法的有效性。

基于Teager能量谱和卷积神经网络的滚动轴承故障诊断

在智能制造环境下,针对滚动轴承在变负载驱动环境下特征提取难、故障诊断准确率低的问题,提出基于Teager能量谱和卷积神经网络的滚动轴承故障诊断方法。将不同负载驱动下的多种故障振动信号,通过计算Teager能量算子之后进行快速傅里叶变换,绘图得到Teager能量谱图,形成数据集。使用数据集训练改进的卷积神经网络,得到滚动轴承的故障诊断模型,并通过该模型进行故障诊断。经过实验验证,在变负载驱动环境下,使用Teager能量谱图进行故障诊断结果优于使用原始信号时域图和频域图,轴承不同故障的诊断准确率达到93.35%,同时方法使用卷积神经网络解决了人工提取特征不全面、诊断效率低的问题,具有一定的实用性。

基于总变差去噪和Teager能量谱的滚动轴承故障诊断

针对强噪声背景下滚动轴承振动信号故障特征难以提取的问题,提出了结合总变差去噪和Teager能量谱的滚动轴承故障特征提取方法。首先,使用总变差去噪方法对滚动轴承振动信号降噪;然后,对降噪后的信号进行Teager能量谱分析,从中识别出滚动轴承的故障特征频率,实现对滚动轴承的故障诊断;最后,通过美国凯西西储大学的实验数据验证了该方法的有效性。

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。

基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击特征微弱,背景噪声干扰严重,冲击特征难以提取,本文提出了一种基于最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,简称MCKD)与1.5维Teager能量谱相结合的滚动轴承故障诊断方法。由于轴承出现故障时其信号表现为周期性冲击,根据这一特性,本文首先利用MCKD的提取淹没在噪声信号中的周期性冲击特征成分,对原始信号进行降噪;然后再利用1.5维Teager能量谱得出信号的故障特征信息,并将该方法与谱峭度方法进行对比,通过仿真信号与实测信号验证了该方法的有效性和可行性。

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。

融合CFCC和Teager能量算子倒谱参数的语音识别

针对现有表征语音特性的特征提取不完善的问题,提出了一种耳蜗滤波倒谱系数(Cochlear Filter Cepstral Coefficients,CFCC)和Teager能量算子倒谱参数(Teager Energy Operators Cepstral Coefficients,TEOCC)相互融合的方法。该方法将表征人耳听觉特性的CFCC和体现非线性能量特性的TEOCC的融合特征应用到语音识别系统中,并联合主成分分析(Principal Components Analysis,PCA)对该融合特征进行特征选择和优化,最后通过支持向量机进行语音识别。实验结果表明:该融合特征与单一特征相比具有更佳的语音识别性能,结合PCA后其语音识别的准确率平均提高了3.7%。

基于GFCC和能量算子倒谱的语种识别

为了提高低信噪比下语种识别的准确率,引入一种新的特征提取融合方法.在前端加入有声段检测,并基于人耳听觉感知模型提取伽玛通频率倒谱系数(Gammatone Frequency Cepstrum Coefficient,GFCC)特征,通过主成分分析对特征进行压缩、降噪,融合每个有声段的Teager能量算子倒谱参数,通过高斯混合通用背景模型进行语种识别验证.实验结果表明,在信噪比为-5~0 dB时,相对于基于对数梅尔尺度滤波器组能量特征方法,融合特征集方法对5种语言的识别率,分别提升了23.7%~34.0%,其他信噪比等级下识别率也有明显的提升.

传感器优化布置的齿轮箱轴承故障特征提取

为诊断齿轮箱轴承故障,构建一种传感器优化布置的齿轮箱轴承故障特征提取方法。提取齿轮箱上箱体模态振型,运用K-medoids算法对节点振型进行聚类,用有效独立法初选测点,以模态置信准则(MAC)为适应度函数,运用遗传算法(GA)寻优,实现传感器位置优化,以构建的综合评价指标对传感器数量进行评价,以此得到齿轮箱传感器优化布置方案;将传感器布置在上箱体采集齿轮箱振动信号,对各路信号进行奇异值(SVD)降噪,对降噪后信号进行基于方差贡献率的信息融合;对融合信号进行变分模态分解(VMD),以信息熵最小为原则对VMD参数优化,选取信息熵最小本征模态分量(IMF)进行Teager能量谱分析,提取滚动轴承故障特征;采用ZDH10型齿轮箱故障试验台进行试验验证,证明所构建方法的可行性。

基于多重降噪的滚动轴承声信号故障特征提取

针对滚动轴承故障诊断中声信号信噪比较低、特征提取困难的问题,提出多重降噪轴承故障特征提取方法。该方法首先用最小熵解卷积对故障轴承声信号进行预处理来提高信噪比,然后利用局部特征尺度分解将处理后的信号分解为多个内禀尺度分量,进一步利用相关系数-峭度值原则,筛选出最佳内禀尺度分量进行重构,最后通过1.5维Teager能量谱提取轴承故障特征。仿真及实验结果表明,相较于单一使用最小熵解卷积或局部特征尺度分解等降噪方法,多重降噪方法可以在信噪比极低的情况下有效提取故障特征。