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。     

地震信号的复调制细化方法的频谱分析

为了得到地震信号某段频谱的精细结构,提高其频率分辨率,提出了频率细化技术。通过对地震信号进行复调制移频、数字低通滤波、重新采样、复FFT处理、频率调整实现对地震信号的复调制频率细化。利用Matlab对实际地震信号进行分析,得到地震信号能量最大处的频率,实现了准确、快速地对地震信号某一窄带频谱的分析和研究。与FFT相比,复调制细化得到的地震信号幅度最大处的频率更接近真实值,使地震信号的频谱更精确。     

基于小波变换的鼠笼式异步电动机故障诊断

小波变换在时域和频域都具有良好的局部化能力,尤其是对信号的突变点很敏感,其多分辨率性质可逼近细化频谱,对故障信号提取有突出的作用。本文通过算例论述了小波分析在故障诊断中的研究和应用,验证了小波变换方法检测鼠笼式异步电动机故障的准确性。     

基于小波包和细化包络分析的滚动轴承故障诊断方法研究

滚动轴承故障是旋转机械常见的故障之一,针对传统包络解调分析方法需要人为选定共振频带的缺陷,首先采用小波包变换滤波的方法提取滚动轴承固有频率共振频带的信号,并对提取的信号进行重构,滤除了其他信号的干扰．然后用Hilbert变换检波的方法对提取的重构信号实现包络解调,去除高频固有振动成分,诊断轴承的缺陷信息．为了进一步提高包络谱的分辨率,最后采用快速傅立叶变换-傅立叶级数（FFT—FS）方法细化频谱．并在ADBE-56-N4型交流电机上实测了6350型滚动轴承故障模拟信号,与理论分析基本吻合．     

磁悬浮列车运行平稳性研究

中低速磁浮列车信号特征提取是磁浮列车安全可靠运行与故障诊断的关键技术之一。针对磁浮列车快变信号特征的特点,利用傅里叶变换(FFT)和短时傅里叶变换(STFT)方法对信号进行分析。该方法不仅可以从时域分析列车运行时的振动信号,而且能从频域分析列车运行特征,同时能够有效的得到信号的瞬时特征,提升了磁浮列车非平稳信号的提取能力,从而可以监测列车运行的实时状态,可以保证列车运行的安全性和可靠性。通过磁浮列车在轨道上运行的试验,得到了列车实时振动信号;分别在2 s (列车过道岔)、4 s (悬浮工况)、6 s (加速工况)和8 s (制动工况)利用FFT和STFT对车体振动进行分析,分析结果表明:列车的振动、频率成分与列车的运行速度成正相关;列车在运行过程中,列车在横向和垂向上的平稳性一直处于等级优。     

基于EMD细化包络谱分析的齿轮箱故障诊断

针对细化谱分析中对信号进行带通滤波时需要依靠经验来设置中心频率和带宽的缺点,提出了一种将EMD、Hilbert变换和ZOOM技术相结合的齿轮故障诊断研究方法。首先用EMD对齿轮振动信号进行自适应分解,选取有用的IMF进行重构得到新的信号,通过Hilbert变换得到信号的包络谱,再对包络谱进行细化得到高分辨率细化频谱。实验结果表明,基于经验模式分解自适应滤波的齿轮振动信号解调方法计算简便,能有效地突出故障特征频率成分。     

谐波小波包方法及其对转子亚频轴心轨迹的提取

转子轴心轨迹,特别是亚频轴心轨迹的提取,在转子故障识别中是十分重要的。分析了谐波小波的优势,在研究了谐波小波的频段分解基础上,提出了谐波小波包变换的频段分析表达式,并给出了实现方法,实现了谐波小波的任意频段“任意细化”能力。对转子振动信号进行了频域细化分析,并用谐波小波包变换对实际的高速转子振动信号进行了分析,在得到细化频谱的同时,直接实现了常规方法难以实现的转子亚频信号的轴心轨迹提取,得到了满意结果,为转子故障信号的分析创造了条件。     

基于精确信息重构的故障转子系统振动加速度信号积分方法

在分析总结加速度信号时域积分法与频域积分法优缺点基础上,提出一种基于精确信息重构的故障转子系统振动加速度信号积分方法。该方法利用故障转子系统振动信号由转频、倍频及分倍频分量构成为主的特点对加速度信号进行快速傅里叶变换(Fast Fourier transform,FFT),通过特征频率分量提取并将所提取的分量的幅值与预设的阈值进行比较;幅值低于阈值的分量认为是噪声分量,予以剔除,高于阈值的分量保留并进行精确频谱校正;根据校正后各个频率分量的频率、幅值和相位积分重构出相应的速度信号和位移信号。精确信息重构方法在去除宽频噪声和保留有用特征信息方面有明显的优势。最后通过仿真分析和试验验证,结果表明该方法相对于传统的时域和频域积分具有更高的精度和优越性。     

基于双谱熵和聚类分析的转子系统故障诊断

转子系统在故障状态下的振动信号往往呈现很强的非线性,其在频域上主要表现为不同频率之间相互耦合,产生合频、差频等组合频率。为了解决传统频谱分析只关注信号中的频率成分及其幅值大小,而忽略信号相位信息的问题,采用双谱方法对振动信号进行分析。双谱包含信号相位信息并且对非线性敏感,可以将早期故障的微弱非线性放大,检测出频谱中不同频率之间的非线性相位耦合关系。通过对ZT-3转子实验台植入不同类型的故障,采集系统在不同状态下的加速度信号,从振动信号的双谱中提取各频段的信息熵,采用模糊聚类方法进行故障识别。结果表明,双谱熵作为特征参量可以准确识别转子系统的故障类型,验证了方法的可行性。     

基于频谱细化和相位差校正的全息谱研究

针对全息谱在频谱密集情况下精度会降低的问题,提出了基于频谱细化和相位差校正的全息谱分析方法。该方法采用复解析带通滤波器选带细化方法对以阶次频率为中心的局部区间进行细化分析,通过提高频率分辨率来消除密集频谱对精确获取幅值、相位信息的影响,运用相位差法对细化区间内的最大谱峰进行频率、幅值、相位校正,准确地提取出各阶次的幅值、相位信息,最后合成全息谱图。仿真及对柔性转子试验台振动信号的分析结果表明,基于频谱细化和相位差校正的全息谱能有效提高其分析精度,更加精确有效地诊断旋转机械的故障。     

高速线材轧机齿轮箱在线检测数据分析

高速线材轧机是钢铁企业中非常重要的设备之一,因故障率较高,对设备进行在线振动检测具有重要意义。MATLAB软件具有强大的数据处理功能,特别适合振动信号的分析处理。应用MATLAB软件对检测数据信号进行了时域分析如峰值、有效值趋势分析、波形指标、裕度指标分析以及自相关分析。频域分析是对时域波形进行快速傅里叶变换(FFT),对照理论从频率域中找到了对应的故障特征频率,锁定了故障位置。通过信号分析可以提前发现设备的故障隐患,能确保设备的正常生产运行。     

基于倒频谱分析的深沟球轴承故障诊断

为解决滚动轴承运转过程中故障频率的获取问题,提出基于倒频谱分析对采集的轴承各部件数据进行故障诊断。本文选择美国凯斯西储大学官网的轴承型号为6203-2RS JEM SKF的数据进行实例分析,利用滚动轴承故障频率计算公式得到理论故障频率,通过编写matlab程序做出原信号时域图分析数据特点,使用离散快速傅里叶变换得到频域图观察频域范围内特征,考虑到倒频谱可以清楚地分离功率谱中含有的周期分量以及分离边带信号和谐波,基于倒频谱识别故障部位的故障频率。仿真结果表明:利用倒频谱分析可以准确的找出滚动体各部件故障频率,且能很好的吻合滚动轴承理论故障频率。     

基于小波包能量谱和包络分析细化的轴承故障诊断

提出了一种将小波包能量法和细化包络分析相结合的滚动轴承故障诊断方法。首先利用小波包变换将滚动轴承振动信号分解到独立的频段上,计算出不同频率段的能量,根据频段能量的变化情况,确定滚动轴承故障所在频段。重构故障频段信号。然后应用Hilbert变换对重构信号实现包络解调,提取故障特征频率。最后为了进一步提高包络谱的分辨率,采用线性调频Z变换细化频谱。实际的滚动轴承实验数据的处理和分析结果表明,该方法在滚动轴承故障诊断中是有效的。     

基于小波分析的低速重载设备故障诊断

低速重载设备突发故障难于识别,一旦发生,损失巨大。振动监测技术虽可以作为设备维护的重要手段,但常规的频谱分析无法准确提取低速轴上的故障特征。对实时监测的振动数据,采用小波分解技术可以获得必要的低频段信息。某个时段内的信号经小波变换后所定义的小波分层突变系数,可以作为判别低转频微冲击故障隐患的特征值,而且该系数趋势图还可有效刻画出故障部位的劣化过程;对同一组监测数据,分别采用细化谱技术和小波分解+FFT的复合信号处理技术进行比较分析,结果表明,由于FFT分析的局限性,细化谱无法准确识别出故障原因及部位,而后者采用复合信号处理方法提取的故障特征频率对应的振幅变化剧烈得多,此法有助于低速重载设备早期故障的准确识别。     

600MW机组辅机设备噪音振动FFT频谱分析仪的设计

为了检测和研究600 MW机组辅机设备的噪音振动信号,设计了基于Lab VIEW和ARM处理器的噪音振动FFT频谱分析仪。设计的FFT频谱分析仪实现了无人值守情况下噪音振动信号的高速采集和存储,而且能够对信号进行时域特征和频域特征的分析。最后采用声级校准仪AWA6222A和振动校验仪DX-02对分析仪进行测试,结果表明设计的分析仪能够快速地完成信号的频谱分析和图形显示,测量精度高,运行稳定。     

基于DCT和FFT谱熵分析的机械传动系统状态检测与趋势预测

采用DCT和FFT两种方法分别对同一组机械传动齿轮振动信号进行了时域到频域的变换,应用谱熵分析的方法对变换后的信号进行研究和分析处理,计算了不同转速下不同故障类型的齿轮系统信号谱熵值,给出了不同转速下的二维谱熵分布图,并且对系统的工作状态进行了区别和趋势分析预测。结果表明：DCT变换能更好地将时域信号的特征在频域中集中表现出来,可以更好地将不同状态的机械传动齿轮信号加以区分、分离与聚类;FFT变换能够对机械传动齿轮的工作状态和恶化工作趋势进行分析、估计和预测。两种方法的应用为机械传动及其机械系统的工作状态分析、监控和诊断提供了可靠的手段。     

数字信号处理技术在汽轮机组振动测量中的应用

振动信号的频域分析对于汽轮机组的状态监视和故障诊断有着重要的意义。信号可分为周期信号和非周期信号。分别有不同的频谱结构。快速傅立叶变换（FFT）使得数字计算机对连续时间信号进行频谱分析成为现实。针对“频谱泄漏”问题,提出了周期信号的整周期采样算法。在实际振动测量与分析中,键相信号分别起到了控制整周期采样以及确定基频振动相位的作用。随着计算机技术的发展。数字信号处理必将在振动测量与分析中发挥越来越重要的作用。     

FFT+FT离散频谱校正法参数估计精度

研究用FFT谱连续细化傅里叶变换分析法进行离散频谱校正时的参数估计误差。分析无噪声情况下频率﹑相位﹑幅值的估计误差随细化倍数的变化规律,估计精度随细化倍数的增大而提高,当细化倍数大于40时,最大估计误差几乎可忽略不计。在高斯白噪声的影响下,细化后频谱序列最大值找错的概率随细化倍数的增加而增加,综合考虑频率分辨率对频率估计精度的影响及频谱序列最大值找错的概率,提出用归一化频率估计综合误差和归一化频率估计最大可能误差两个指标评价此校正法对频率的估计精度,并基于此给出不同信噪比条件下的最优细化倍数。采用非线性最小二乘拟合法对噪声影响下的FFT谱连续细化傅里叶变换分析校正法进行改进,通过仿真模拟验证改进后该校正方法具备更高的校正精度和抗噪能力。     

一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．