Generator Unit Fault Diagnosis Using the Frequency Slice Wavelet Transform Time-frequency Analysis Method

为了提取有效的故障特征，提出了基于频率切片小波变换时频分解的故障特征分离提取方法。先对信号进行频率切片小波变换获取其时频分布，然后根据信号的能量分布特点选择时频区域，再以较高的时频分辨率对选择的时频区域进一步细化分析，以突出隐含在信号中的时频特征，在此基础上分割出含有故障特征时频区域，再通过滤波和逆变换重构分离出有效的故障特征。仿真实验和工程应用表明，这种方法可从噪声信号中分离出有效的特征分量，在发电机组故障特征提取时取得了较好的效果。

全矢FSWT方法在轴承故障诊断中的应用

针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。

基于DSS和FSWT的欠定信号识别方法研究

针对旋转机械信号分析时产生的欠定信号盲源分离问题,建立了一种基于频率切片小波变换(Frequency Slice Wavelet Transformation,FSWT)和去噪源分离(Denoising Source Separation,DSS)的欠定信号分析方法(FSWT-DSS),首先通过FSWT反变换重构出新的混合信号,有效解决欠定盲分离维数不足的问题,再应用DSS分离得到源信号,解决了欠定盲分离问题,同时解决了单独应用FSWT时进行时频分析的不足。算法仿真和应用实例验证了FSWT-DSS方法在实测故障信号分析中的有效性。

基于FSWT和TT变换的滚动轴承故障诊断方法

文中提出了基于频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)的一种双时域谱的分析方法,FSWT-TT变换(Frequency Slice Wavelet-TT Transform)。首先将非平稳的振动信号通过FSWT分解重构为若干个不同频率范围的分量,依据峭度准则确定包含故障信息最多的频带;再对该频带进行FSWT-TT变换,提取TT谱中的对角线序列;最后对该对角线序列进行包络分析,提取振动信号的故障特征。依次分析了仿真信号、试验信号和工程信号,结果表明:基于FSWT和TT变换的故障诊断方法能够有效地增强振动信号的冲击特征,识别故障特征信息,相比传统的TT(TT Transform)变换,该方法借助FSWT的选频特性,在滤波效果和计算效率上具有一定的优势。

压力容器气体泄漏中的FSWT和SVM联合检测方法

及时发现压力容器气体泄漏并判别其程度对避免发生安全事故具有重要意义,从气体泄漏源的声信号特征分析角度,从超声范围内提出一种基于频率切片小波变换和支持向量机的气体泄漏故障检测方法。利用频率切片小波变换对声波传感器采集的声信号进行预处理,分析泄漏声信号局部特征并选取特征明显的观测范围进行重构,从多域分量中提取能够区分是否存在泄漏以及泄漏程度的代表性特征,利用Relief-F算法计算并选取最优特征作为支持向量机的输入并对压力容器的气体泄漏进行识别和分类。经实验分析,采用所筛选出的最具鉴别性的6种特征对是否存在泄漏的判断准确率达到99.75%,对泄漏程度分类的准确率达到94.68%。结果表明该方法的气体泄漏检测准确率高,有助于后续实时检测系统的开发和泄漏孔定位研究。

基于小波变换的离心压缩机回流管线异常振动监测方法

为了避免回流管线振动信号的时频分辨率丢失,利用小波变换对离心压缩机回流管线振动信号进行预处理,并在其中引入了频率切片函数和尺度因子,利用其使原始的振动信号在时域和频域上以联合分布的形式存在,且信号切片函数随着原始信号的振动频率适应性调整.在异常振动监测阶段,充分考虑了旋涡进入回流管线时产生的激励作用,结合小波变换处理后的信号,实现对回流管线异常振动的监测.在测试结果中,离心压缩机回流管线的振动工频以及水平、垂直方向上的振动峰值监测结果均表现出了较高的准确性.

FSWT-SVD模型在岩体微震信号特征提取中的应用

针对岩体破裂信号与爆破振动信号难以识别的问题,采用傅里叶变换(FT)得到其频谱分布,并确定划分为6个频带提取信号特征。借助频率切片小波变换(FSWT)将信号按上述频带切片并重构,再利用奇异值分解(SVD)得到上述频带重构信号所组成矩阵的奇异值σi(i=1,2,…,6),实现岩体微震信号的特征提取。进而对用沙坝矿120个岩体破裂和120个爆破振动信号展开FSWT-SVD分析,最后利用BP神经网络对奇异值矩阵进行分类训练和预测。结果表明:(1)岩体破裂信号与爆破振动信号的奇异值σ1相差最大,σ2、σ4、σ5和σ6相差较大,而σ3差异不明显,且当σ1=8作为单一奇异值法识别分界值时效果最优,准确率达到了86.67%;(2)BP神经网络法分类识别结果较LR法、Bayes法和Fisher法优,SVD提取特征识别效果较能量比和相关系数优,FSWT重构矩阵提取的特征信息优于DWT重构矩阵提取的特征信息,且基于FSWT-SVD的BP法分类识别准确率达到了91%。综上知,基于FSWT-SVD的BP神经网络模型为岩体破裂与爆破信号特征提取和模式识别提供了一种新方法。

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98.4%。较传统Adaboost算法,该方法采取了GBDT(Gradient Boosting Decision Tree)作为分类算法,成功利用更多的数据集,并且使得分类精度更高。

海底管道悬空锤击内检测方法及振动信号分析

敷设在海床的油气管道可能会在洋流冲刷、地质运移等多种因素的影响下出现管道局部悬空现象,海底管道悬空会严重威胁油气输送安全。为有效检测管道悬空状态,提出了一种基于锤击检测法的海底管道悬空内检测器设计方案;结合MSC/Adams动力学仿真软件,采集经内检测器主动锤击激励管道内壁后不同敷设状况管段的振动响应信号,对采集的振动响应信号分别进行基于短时傅里叶变换(STFT)、频率切片小波变换(FSWT)和改进希尔伯特黄变换(HHT)时频分析,结合3种时频分析结果建立了管道悬空内检测效果评价指标。研究结果表明:经力锤激励后,管道振动响应信号整体幅值主要集中在50~120 Hz范围内,峰值频率主要集中在80 Hz左右;不同悬空状态下的管段振动响应信号幅值存在明显差别,越接近悬空管段中心位置,振动响应信号峰值频率对应的幅值越大;基于锤击法的管道悬空内检测器在仿真模拟环境中可有效辨别管道悬空状态。研究结果可为锤击内检测法应用于海底管道悬空状态内检测提供指导。

频率切片小波变换在爆破振动信号时频特征精确提取中应用

基于频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)技术研究爆破振动信号时频特征提取新方法。采用FSWT进行爆破振动信号分解,得到在全频带下的时频分布。在此基础上据其时频能量分布,选择时间、频率切片区间进行细化特征分析,通过信号特征频率切片区间信号重构,实现爆破振动时频特征分离及提取。通过与传统的STFT、WPT、WVD等算法进行对比分析表明,FSWT算法具有良好的时频聚集性、任意频带分量特征提取的灵活性及准确性。将FSWT算法引入爆破振动效应分析领域,可为爆破振动信号时频特征精确提取奠定基础,具应用前景较好。

冻结立井爆破冻结壁成形控制与井壁减振研究

控制爆破动载荷对冻结管、冻结壁及井壁的扰动和破坏是冻结井筒施工的重要环节。以万福矿井筒掘进工程为依托,采用周边眼普通光面爆破、半圈切缝药包和整圈切缝药包3种形式,运用多重分形理论,提取了3种条件下冻结壁成形图像多重分形谱特征参数;利用频率切片小波实现了3方案下不同频带信号重构;通过小波包算法对井壁爆破振动进行了监测分析,获取了相应信号频带能量分布。结果表明：多重分形谱可用来客观评价切缝药包对冻结壁的护壁作用;井壁振动信号主频较地面爆破振动高,通常在150 Hz左右;随着频率的升高,井壁振动信号振幅和能量都不断降低;在低频段（0-250 Hz）,相对于周边眼普通光面爆破,半圈切缝药包能量降低了41.54%,整圈切缝药包能量降低了52.42%,切缝药包在低频段具有显著的＂吸能＂作用;在中频段（300-500 Hz）,由于半圈切缝药包装药能量释放不均衡及井筒结构体非严格对称导致频带能量出现了＂选择放大＂效应;在高频段（700-900 Hz）,能量沿高程＂区域集中＂现象说明切缝药包的减振效果更多地体现在爆破近区。验证了切缝药包的减振和对冻结壁的护壁作用。

基于自适应最大相关峭度解卷积和频率切片小波变换的齿轮故障特征提取

针对最大相关峭度解卷积(MCKD)降噪效果受滤波器阶数影响的问题,提出了自适应MCKD方法。针对频率切片小波变换(FSWT)在强背景噪声中提取冲击故障特征的不足,提出了自适应MCKD和FSWT相结合的齿轮故障特征提取方法。首先用自适应MCKD对噪声齿轮信号进行降噪处理,然后对降噪后的信号进行频率切片小波变换和故障特征提取。齿轮故障诊断实例的分析结果验证了该方法的有效性。

频率切片小波变换在局部放电信号分析中的应用

在对电力设备局部放电信号进行时频分析时,当信噪比较低或周期性窄带干扰的频率与局放信号频带重叠时,会影响信号时频特征提取的准确性,使目前的局放信号时频分析方法存在局限性。为此,利用频率切片小波变换具有自由分割时频面的优点,提出一种基于频率切片小波变换的局放信号时频分析新方法。首先根据Heisenberg不确定性原理选择时频聚集性最佳的频率切片函数,利用频率切片小波变换获取局放信号的时频分布,突出信号非平稳特征,再根据噪声信号能量与局放信号能量时频分布的差异,选择时频细化区域重构分离出局放信号,结合3σ准则及窄带干扰抑制方法进一步消噪。仿真和实测信号的处理结果表明,与S变换相比,频率切片小波变换具有更高的时频分辨率和任意频带信号提取的灵活性,能够细腻刻画信号的非平稳过程;将时频信息融入局放信号噪声干扰抑制,信号能量损失和波形畸变较小,有利于后续局放信号的模式识别和机理研究。

基于形态自相关和时频切片分析的轴承故障诊断方法

频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)是一种新的时频分析方法,信号中的噪声会降低FSWT分析的频率分辨率。为了提高分析精度,提出了基于形态滤波和时延自相关的时频切片分析方法,并成功应用到轴承故障诊断中。该方法首先采用多结构元素差值形态滤波和时延自相关方法对信号进行降噪,采用FSWT分解降噪后的轴承振动信号,然后根据轴承故障特征频率选择时间频率切片区间,进行细化分析来提取故障特征。仿真信号与轴承故障振动信号的分析验证了该方法的有效性。

一种基于时频峭度谱的滚动轴承损伤诊断方法

为了准确地提取滚动轴承损伤特征频率,提出一种基于频率切片小波变换的时频峭度谱分析方法。采用频率切片小波变换对振动信号进行时频分解,求取与各个频率分量对应的幅值峭度,由幅值峭度序列构造信号的时频峭度谱。以时频峭度谱的若干个较大谱峰对应的频率作为中心频率,确定相应的共振频带,并在时频空间选择时频切片,然后采用重构分离出这些信号分量,并用包络解调获取重构信号的包络。在此基础上,通过包络信号的等效功率谱确定滚动轴承的损伤特征频率。试验证明,这种方法可以有效地提取滚动轴承的特征频率,由于采用了多个频带保证了足够多的信号能量可用于包络分析,当轴承存在多种损伤时,也可以有效地鉴别不同损伤特征频率。

基于自适应频率切片小波变换的滚动轴承故障诊断

频率切片小波变换(frequency slice wavelet transform,FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform,AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。

基于频率切片小波变换和支持向量机的癫痫脑电信号自动检测

实现癫痫脑电信号的自动检测对癫痫的临床诊断和治疗具有重要意义.本文提出先使用频率切片小波变换分离出5个不同频段的节律信号,再分别计算每个节律信号的近似熵和相邻节律的波动指数,最后使用遗传算法优化的支持向量机进行分类.实验结果表明,所提出的方法能够对正常、癫痫发作间期和癫痫发作期三种脑电信号进行准确分类,分类准确率为98.33%.

基于时频切片分析的故障诊断方法及应用

为了提取设备的故障特征,提出了基于时频切片分析的故障特征提取方法。首先采用基于频率切片小波变换分解振动信号,得到信号在全频带的时频分布。在此基础上根据其时频能量分布,选择时间频率切片区间进行细化分析,通过时频分割和信号重构得到选定区间的时频特征,实现了故障特征的分离。这种方法能够有效地获取正确的故障特征信息,在某炼油厂齿轮箱摩擦故障诊断中取得了较好的效果。

基于频率切片小波变换时频分析的齿轮故障诊断

为了在强噪声中有效提取齿轮的故障特征,提出了一种基于频率切片小波变换时频分析的齿轮故障诊断方法。先对信号进行频率切片小波变换,得到在全频带下的时频分布,然后在此基础上分割出含有故障特征的时频区域,再通过对该区域进行时频阈值滤波和逆变换重构分离出有效的故障特征。仿真实验和实测信号分析表明,这种方法可从噪声信号中分离出有效的特征分量,在齿轮故障诊断方面取得了较好的应用效果。