基于同步挤压小波变换和Transformer的轴承故障诊断模型

针对采用神经网络对滚动轴承进行故障诊断时,故障信息利用不充分,特征提取困难的问题,提出了一种基于同步挤压小波变换(SST)-Transformer的滚动轴承智能故障诊断方法。首先,以同步挤压小波变换作为信号处理模块,将一维振动信号转为时频图;接着,设计了一种最大程度保留故障信息的时频图分割方式,将时频图分割为一系列图像块序列;然后,将序列输入到具有强大的处理序列数据能力的Transformer模型中,进行了特征提取;最后,将特征数据输入分类器进行了分类,对比了不同的时频图分割方式的诊断效果,并将SST-Transformer模型与基准算法相比较。研究结果表明:相较于其他分割方式,基于SST-Transformer的滚动轴承智能故障诊断方法的诊断准确率提升了3.45%,并大幅提升了模型训练的收敛速度;相比于其他基准算法,该方法的平均准确率至少提升了1.05%。该方法有较高的诊断准确率和较好的稳定性。

基于SSCF和TSET的滚动轴承冲击故障诊断方法

在对滚动轴承进行故障诊断时,因为噪声等因素的干扰,会导致轴承的冲击故障特征识别困难,针对这一问题,提出了一种基于相似分段协同滤波(SSCF)和时间重排同步特征提取(TSET)的滚动轴承故障诊断方法。首先,利用SSCF对待分析信号划分相似片段,并将其排列成二维阵列,分别用Savitzky-Golay滤波器和多项式拟合算法在X、Y两个方向上进行了滤波处理,再进行了信号的重构,实现了对信号降噪处理的目的;然后,基于同步压缩变换的理论框架,利用TSET进行了群延时估计和时间方向上的时频能量重排,从而获得了清晰集中的冲击特征时频表达;最后,通过计算时频脊线之间的时间间隔确定了故障特征频率,从而实现了对滚动轴承进行故障诊断的目的;同时,对数值仿真信号以及试验台轴承故障数据进行了分析和验证。实验结果表明:经SSCF降噪处理后的相关系数最大,为0.8255,比小波阈值降噪高了0.2504,极大地突出了冲击故障特征;TSET算法的Renyi熵值最低,为11.2861,比SST低了4.3862,获得了能量更加集中的时频表达。研究结果表明:在强噪声环境下对滚动轴承进行故障诊断时,采用基于SSCF和TSET的方法仍具有较高的有效性。

基于SET-CNN的紧凑型地波雷达弱目标检测方法

紧凑型高频地波雷达发射功率较低且采用小孔径阵列,导致雷达回波中的弱目标增多,进而引起基于距离-多普勒谱的目标检测方法性能降低,目标探测能力减弱。为提高紧凑型地波雷达对弱目标的检测性能,本文提出一种基于同步提取变换-卷积神经网络(Synchroextracting Transform-Convolutional Neural Network,SET-CNN)的紧凑型地波雷达弱目标检测方法:首先在时频谱处理中,利用信噪比方法抑制信号中的海杂波,减少杂波时频脊线对目标检测的影响;然后基于SET时频谱构建时频脊线样本数据库,再通过卷积神经网络进行时频脊线分类,并基于分类结果的后处理完成船只目标检测。通过仿真和实测数据验证提出的目标检测方法,结果表明,本文提出的方法能够有效检测到弱目标,提高紧凑型地波雷达的目标检测性能。

同步提取变换去噪的雷达信号调制识别方法

针对已有Cohen类时频分布等方法时频聚焦能力不足、在低信噪比(signal to noise ratio,SNR)情况下调制识别准确率低的问题,提出一种基于同步提取变换(synchro-extracting transform,SET)去噪的分组卷积神经网络调制识别方法。所提方法使用SET对雷达信号进行时频分析,以获得良好的时频聚焦性,提高时频分析的计算效率;通过Viterbi算法搜索估计时频系数矩阵中的瞬时频率轨迹,综合考虑信号能量强度分布与瞬时频率轨迹的平滑性,并对得到的瞬时频率轨迹进行中值滤波以去除脉冲噪声;保留瞬时频率轨迹邻域的时频系数,以达到时频图去噪的目的。最后,将去噪后的时频图送入具有残差连接的分组卷积神经网络进行特征提取与调制识别。实验结果表明,当SNR为-12 dB时,去噪后的SET时频图时频聚焦性好,调制识别准确率比未去噪的识别准确率提高了13.69%,证明所提出的雷达信号调制识别方法在低SNR条件下对多种复杂调制类型的信号具有良好的识别性能。

基于多分辨率同步提取变换的多分量非平稳信号时频分析

对多分量非平稳信号进行时频分析可以获得信号特征随时间的变化规律,揭示信号的瞬时频率、能量分布和频谱演化。采用传统的时频方法处理多分量信号时,受制于自身算法缺陷,无法对信号进行高分辨率时频表达。逐步衍生出的改进的时频方法,如同步压缩变换(SST)等,在处理噪声干扰下的强时变调频多组分信号时的效果仍然欠佳。调频变换(CT)相对于其他方法,在处理非平稳弱幅值分量时具有较强的适应性与噪声鲁棒性。针对非平稳弱特征信号的时频表示弱这一问题,对CT算法进行了研究。首先,对基于CT衍生出的多分辨率调频变换(MRCT)进行了理论分析;然后,为了进一步提高MRCT的时频分析能力,基于同步提取变换(SET)的原理对MRCT进行了优化,引入了同步提取算子(SEO),并提出了多分辨率同步提取调频变换(MRSECT);最后,为了验证MRSECT在处理复杂振动信号时的有效性,利用MRSECT对数值模拟信号与实验轴承故障数据进行了分析。研究结果表明:MRSECT能够有效提取非平稳信号的时频特性,Renyi熵值在模拟信号处理中提高了25%,其在处理实际轴承故障信号中提高了15.6%。相比于其他时频算法,MRSECT具有更高的时变特征信息提取能力。

基于SVD和SET的滚动轴承故障诊断研究

在工程现场采集到的轴承振动信号中常包含有大量的背景噪声,导致同步提取变换(SET)无法在时频谱图中清晰、准确地表达出滚动轴承的振动信号特征,为此,基于奇异值分解(SVD)在降噪方面的优势,提出了一种基于SVD和同步提取变换的滚动轴承故障诊断方法。首先,通过SET将滚动轴承的一维振动信号转换到二维时频平面内,得到其时频谱图;然后,采用SVD对时频谱图进行了分解,根据奇异值的大小重新构造了时频谱图,此时的频谱图能清晰、准确地表达出滚动轴承振动信号的时频特征;最后,通过逆变换回到时域,对时域信号进行了解调和包络,所得到的包络谱能清晰地表达出滚动轴承的故障特征频率及其倍频。研究结果表明:相比于只进行SET的滚动轴承信号分析方法,该方法能有效地去除时频谱图中的背景噪声;并且,其包络谱能突出故障的特征频率,从而对滚动轴承进行有效的故障诊断。

基于RLMD和WSET的变转速下滚动轴承故障诊断

在变转速工况下,对起重机、风机等重载设备中滚动轴承的故障诊断不够准确。针对这一问题,提出了一种基于鲁棒局部均值分解(RLMD)和同步提取小波变换(WSET)的故障诊断方法。首先,以振动信号分析为基础,研究了变转速下的滚动轴承的故障特征频率,对RLMD和WSET公式进行了推导;利用RLMD对滚动轴承振动信号进行了模式分解,以最大互相关系数原则选取了最佳分量;然后,对选取的分量进行了WSET,获得了能量集中的时频表示,从时频平面中提取了故障特征曲线,并将其与理论故障特征频率曲线进行了比较,从而进行了变转速下的故障诊断;最后,研究设计了多分量信号的数值模拟仿真实验,进行了轴承-齿轮故障综合试验台变转速滚动轴承的故障诊断。研究结果表明:所提出的方法能够很好地消除噪声的影响,获得准确的故障特征频率曲线,在变转速滚动轴承故障诊断中具有有效性。

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题。为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障。经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障。

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform,SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition,VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function,IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。

二阶同步提取变换的沉积旋回界面定位与追踪识别

针对实际测井资料划分沉积旋回时,预测无井位点地区旋回单元的的限制问题,构建一系列沉积旋回组合的地质模型,通过二阶同步提取变换分析正演模拟结果的频率特征,探求沉积旋回界面追踪方法。结果表明:二阶同步提取变换方法得到的时频谱时频分辨率高,鲁棒性较好;对于旋回单元的顶界面的弱能量信号具有更高的灵敏度;通过设定人工辅助矫正方案,能够将相对误差控制在30%之内,进一步提高追踪结果的准确度。

基于自适应Fourier分解-同步提取变换的机械故障诊断方法

传统的同步提取变换方法(synchronous extraction transform,SET)用于机械故障诊断时,要求多分量信号满足各相邻模态的瞬时频率差大于所选取的SET窗函数频率支撑范围的2倍,否则容易产生频率混叠,实际信号往往无法满足该条件。此外,信号受到噪声的影响,难以获得故障的瞬时频率。针对传统的同步提取变换在机械故障诊断中存在的不足,结合自适应Fourier分解(AFD)和同步提取变换的各自优点,提出了一种基于AFD-SET的机械故障诊断方法。该方法能够有效处理频率接近的非平稳信号,准确地表达信号的瞬时频率,并且具有很快的收敛速度。仿真结果表明,提出的方法能够有效解决传统SET方法中的频率混叠,并具有更高的时频聚集性。将提出的方法应用到滚动轴承故障诊断中,诊断结果表明,该算法正确有效,能够有效提取出故障信号的频率特征。

基于平稳工况数据截取的RV减速器故障诊断方法

旋转矢量(Rotary Vector,RV)减速器广泛应用在工业机器人重载关节处,直接影响着工业机器人的工作精度和稳定性。与一般旋转机械设备不同,工业机器人完成各项工作任务时,关节处RV减速器做往复变转速转动,转速的变化会使特征频率、统计指标等产生时变效应,导致故障信息难以提取,为故障诊断带来挑战。文中结合工业机器人RV减速器的运动特点,提出基于平稳工况数据截取的RV减速器故障诊断方法。首先通过引入压缩范围限制因子获取清晰的时频谱图;然后进行基于快速路径优化的脊线提取,并利用构建的滑动窗峰–峰值和均值指标截取脊线平稳段,获取所需的平稳工况数据;最后通过对平稳工况数据进行包络谱分析实现故障诊断。利用RV减速器往复运动振动数据对提出的诊断方法进行验证。结果表明,该方法可实现对平稳工况数据的准确截取,克服了转速变化的影响,成功提取了故障信息。

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。

基于模糊熵和Hough变换的受电弓滑板裂纹检测方法

针对受电弓滑板裂纹故障将严重危及行车安全的问题,提出一种基于模糊熵和Hough变换的滑板裂纹检测方法。首先依据像素邻域内的灰度分布,提出一种基于区间二型模糊熵的边缘检测方法,可以获得主体特征增强的滑板边缘图像;然后,采用连通域方法去除孤立噪声点,获得主要包含边界线、接缝、螺钉和裂纹四类图形元素的滑板边缘图像;在此基础上,采用Hough变换分析各类图形元素在参数空间的特征分布,从而提出一种基于极角约束Hough变换的裂纹提取方法,通过有效地排除非裂纹图形元素的特征点,最终实现滑板裂纹的自动检测。仿真实验表明,本文的边缘检测方法能够获得线性特征增强的滑板边缘图像,为后续的Hough变换提供有利基础;本文的裂纹提取方法能够准确实现滑板裂纹的识别和定位。

基于时频谱图和粗糙集的柴油机故障图像纹理特征自动提取

将图像纹理特征提取技术引入到柴油机连杆轴承磨损故障诊断中,首先采用连续小波变换对柴油机连杆轴承振动信号进行时频分析,为了减少循环波动的影响,将三个工作循环信号的时频分布平均为一个工作循环信号的时频图;然后将不同磨损工况的时频分布图转化为灰度图像,提取基于灰度共生矩阵四个角度的图像纹理特征参数;最后利用变精度粗糙集理论提取与故障程度强相关的特征参数。诊断实例表明:灰度共生矩阵能够反映柴油机连杆轴承不同磨损工况,变精度粗糙集可以从中提取出与故障程度强相关的五个关键参数用于分辨连杆轴承的四种磨损工况,小波时频图像特征提取和变精度粗糙集相结合能实现连杆轴承故障特征的自动提取。

一种新的故障方法及其在直升机中的应用

提出了一种新的故障检测方法 ,该方法采用小波系数描述系统的故障特征 ,以模糊树模型作为系统故障特征的分类模型 ,并将此方法应用于直升机作动器的实时故障检测 .仿真结果表明 ,这种故障检测方法结合了小波变换和模糊树模型的特点 ,具有检测精度高。

基于多重分形和小波变换的声目标信号特征提取

研究了基于关联积分的广义维数谱的定量计算方法,提出了声目标信号的多重分形特征,并对其特征即广义维数谱的有效性进行了分析;同时利用小波变换分析既能反映信号在变换域特性又保留其时域信息的特点,提出基于小波变换的子空间能量及主要能量集中子空间时域信息的特征提取方法,并通过模糊神经网络识别系统对声目标信号的广义维数谱、子空间能量及时域信息的组合特征进行了验证.

基于支持度变换的水平集人脸轮廓提取方法

提出了一种新的人脸轮廓提取方法,该方法将水平集与支持度相结合.首先将人脸图像进行支持度变换得到支持度图像,在此基础上,用支持度图像计算几何活动轮廓模型的边缘指示函数,在演化过程中先选取参数较小的边缘指示函数,使得边缘指示函数对眉毛不敏感,演化曲线过眉毛后选取参数较大的边缘指示函数,使得演化正确收敛于人脸轮廓.实验结果表明该方法的人脸轮廓提取效果较好,收敛速度快.

基于同步提取变换与Vold-Kalman滤波的燃机阶次跟踪方法研究

针对管道、船舶、航空等行业使用的燃气轮机转速频繁变化,难以提取振动信号中目标阶次成分的问题,对燃机振动信号阶次跟踪方法进行了研究,提出了一种基于同步提取变换与Vold-Kalman滤波的燃气轮机振动阶次跟踪方法。首先,对振动加速度信号进行了积分,得到了转子工频成分明显的振动速度信号;然后,参考同步性较差的转速数据在振动速度信号中使用同步提取变换的方法,提取了瞬时频率,即同步精确的转子工频;将振动加速度或速度信号与转子工频作为输入,利用Vold-Kalman滤波阶次跟踪方法,提取了目标阶次成分的时域波形;最后,将该方法应用于实际燃机的振动数据分析中。研究结果表明:该方法能够准确、有效地提取出燃机目标阶次时域波形,可为振动状态监测及预警提供数据支撑。

基于Gabor小波和支持向量机的人脸识别方法

基于Gabor小波在图像表征方面的优越性,提出了将Gabor小波和支持向量机(SVM)相结合用于人脸识别的方案。用Gabor小波对人脸图像进行特征提取,再利用SVM策略对特征向量进行分类识别,实验的仿真结果验证了本算法的有效性。