基于自适应最稀疏时频分析的阶次方法及应用

自适应最稀疏时频分析(Aadaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的时频分析方法,该方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解。为解决ASTFA方法初始相位函数的选择问题,采用了分辨率搜索改进的ASTFA方法,并进一步结合阶次分析方法提出了基于ASTFA的阶次方法。该方法首先采用改进的ASTFA方法对原始信号进行分解同时获得分量的瞬时幅值,然后对瞬时幅值进行阶次分析从而提取故障特征信息。将该方法应用于变速齿轮传动过程中的时变非平稳振动信号的分析与处理,仿真与实验分析表明该方法能够准确提取变速齿轮的故障特征信息,具有一定的优越性。

基于初值优化的自适应最稀疏时频分析方法

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)是一种新的时频分析方法,该方法需要事先确定较为准确的初始值,缺乏自适应性.针对ASTFA存在的问题,提出了基于初值优化的ASTFA方法.该方法使用残余量的能量作为优化目标函数,使用不同的初始值对信号进行分解,当残余量的能量最小时,则认为该初始值为最优初始值.因此,该方法能够自适应地寻找最优的初始值,增加了ASTFA方法的自适应性.采用仿真信号将该方法与原ASTFA方法进行对比,结果表明该方法能自适应地得到更准确的分解结果.对仿真信号和滚动轴承故障数据进行分析,结果表明ASTFA在抑制端点效应和模态混淆、抗噪声性能、提高分量的准确性等方面要优于经验模态分解(empirical mode decomposition,EMD),并能有效应用于滚动轴承故障诊断.

基于GA的自适应最稀疏时频分析方法及应用

为解决自适应最稀疏时频分析(ASTFA)方法中初始相位函数的选择问题,采用遗传算法(GA)对ASTFA的初始相位函数进行优化,提出了GA-ASTFA方法。进一步研究了GA-ASTFA方法抑制模态混淆的能力,分析结果表明,GA-ASTFA能较好地抑制模态混淆,分解得到的分量信号精度高,且可抑制分解中的伪分量。最后将GA-ASTFA方法用于转子碰摩故障诊断,实验分析结果表明,GA-ASTFA方法能有效提取转子碰摩故障特征信息。

基于ASTFA和PMMFE的齿轮故障诊断方法

提出一种新的反映信号复杂度或非线性度的方法——多尺度模糊熵偏均值(PMMFE),PMMFE是在多尺度模糊熵的基础上提出的。多尺度模糊熵虽然包含不同尺度上的时间模式信息,反映了信号的内在特征,但是对于特征相近的信号,其在绝大部分尺度上的表征并不理想。PMMFE综合考虑多个尺度的模糊熵值,利用不同尺度上模糊熵值的偏态分布特性来定量表征信号的复杂度或非线性度,更加准确地反映信号的特征。但是齿轮箱中的齿轮故障振动信号是多源振动信号,需将齿轮振动本源信号分离出来才能进行特征提取。自适应最稀疏时频分析方法(ASTFA)根据齿轮啮合频率确定初始相位函数就可以有效分离齿轮故障振动本源信号。将ASTFA和PMMFE相结合用于齿轮故障诊断,首先采用ASTFA分离齿轮箱中的齿轮故障振动信号,其次计算该信号的多尺度模糊熵,再根据多尺度模糊熵计算PMMFE。实验分析结果表明该方法能够有效判别齿轮箱中的齿轮故障及其类型。

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。

PMA-ASTFA及其在齿轮裂纹定量诊断中的应用

目前对齿轮裂纹的诊断研究多采用定性诊断,而工程实际中往往更关注定量诊断。由于齿轮裂纹信号往往表现出非线性非平稳特征,处理这类信号通常采用时频分析。自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,简称ASTFA)是一种新的时频分析方法,相比于经验模态分解(Empirical Mode Decomposition,简称EMD)方法,ASTFA方法能更好地抑制端点效应和模态混淆,但ASTFA方法也存在分解得到的分量排列不规律的缺陷,从而给特征提取时分量的选择带来困难。针对这一问题,提出了一种改进ASTFA算法,即基于主模态分析(Principle Mode Analysis,简称PMA)的自适应最稀疏时频分析(PMA-ASTFA)方法,该方法可以根据所选择的故障特征参数(一个或多个)对内禀模态函数(Intrinsic Mode Function,简称IMF)分量进行排序。根据齿轮故障实验台建立齿轮动力学模型,选择对齿轮裂纹敏感的故障特征参数,再把PMA-ASTFA方法用于实测的齿轮裂纹故障信号处理。实验信号的分析结果表明,提出的方法可以有效地实现齿轮裂纹故障的定量诊断。

基于ASTFA和SDEO解调的行星齿轮箱故障诊断方法

针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。

基于ASTFA降噪和AKVPMCD的滚动轴承故障诊断方法

提出了一种滚动轴承故障诊断的新方法。首次将自适应最稀疏时频分析(ASTFA)方法应用于振动信号的降噪,并针对KVPMCD方法只选择一种最佳相关模型而忽略其他几种相关模型对预测精度贡献的缺陷,提出了一种改进的KVPMCD模式识别算法——人工鱼群算法优化融合Kriging模型的基于变量预测模型的模式识别(AKVPMCD)算法,即采用收敛速度快、鲁棒性强、具有全局寻优能力的人工鱼群智能算法(AFSIA)优化融合多种Kriging相关模型来提高模型预测精度。在此基础上,提出了一种基于ASTFA降噪和AKVPMCD算法的滚动轴承故障诊断方法。实验结果表明,该方法可以有效提高分类识别的精度。

基于蛾火优化的自适应最稀疏时频分析方法及应用

自适应最稀疏时频分析(Adaptive and sparsest time-frequency analysis,ASTFA)方法能对复杂信号进行自适 应的分解,但是初始相位函数和带宽参数取值需要人工经验,如果选择不当会严重影响ASTFA方法的分解能力。针对 该问题,论文将蛾火优化(Moth-FlameOptimization,MFO)算法应用于ASTFA方法的初始相位函数和带宽参数的优化, 提出基于蛾火优化的自适应最稀疏时频分析(Moth-flame optimization based adaptive sparsest time-frequency analysis, MFO-ASTFA)方法。将MFO-ASTFA与ASTFA方法进行了对比,并将MFO-ASTFA方法应用于齿轮故障诊断,结果表 明了MFO-ASTFA的优越性及有效性。