道旁声学信号多普勒畸变校正

采用道旁声学信号来分析列车滚动轴承故障的方法是该领域故障诊断发展的主要方向,但拾音器和声源的相对运动造成的多普勒效应使得声学信号的频谱发生了畸变,从而无法准确地反映设备状态。为了解决多普勒效应带来的采集信号频谱畸变,准确恢复原信号频谱结构,本文提出一种基于频偏率的变采样技术的方法,在通过外部条件获得信号频偏变化曲线后,根据频偏曲线获得每个采样点的频偏比例,利用变采样技术,通过插值方法获得新采样信号。本文是对作者所提重采样技术校正多普勒频偏方法的深化和提高,该方法能准确恢复原声学信号频偏结构,并通过仿真信号和实验验证了该方法的有效性。     

基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断

煤矿机械设备轴承在强冲击、大载荷工况下产生的振动信号表现出强烈的瞬态非平稳与局部非线性特性。经典的时域统计分析方法和全局域变换方法难以识别故障特征;传统阶次跟踪方法存在设备安装不便、难以获取瞬时频率的问题;传统的无键相阶次跟踪方法在转速波动剧烈的条件下估计出的瞬时频率精度低,导致故障识别效果差。针对上述问题,提出了一种基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断方法。首先,利用基于谐波匹配补偿的时频分析方法对轴承振动信号进行处理,准确估计瞬时频率;其次,通过Vold-Kalman滤波方法自适应提取谐波分量信号;再次,采用Hilbert变换计算谐波的瞬时相位,进而获得时间域与角度域的映射关系,完成原始时间域信号在角度域的重采样;最后,对重采样的信号进行快速傅里叶变换,通过分析包络阶次谱,实现轴承故障特征识别。仿真和试验结果表明,该方法估计的瞬时频率与实际值之间的最大相对误差不超过1%,表征轴承故障特征阶次准确且明显,可有效诊断轴承故障。     

多速率STFT超宽带信号瞬时频率估计研究

提出多速率短时傅里叶变换(Multi Rate Short Time Fourier Transform,MR-STFT)瞬时频率估计算法,提高了超宽带信号瞬时频率估计精度;该方法将多速率信号处理算法与短时傅里叶变换(STFT)技术相结合,兼顾采样频率和被测频率,将宽频范围进行分段采样,对分段处理结果进行拟合,构成多速率STFT算法,实现超宽带信号瞬时频率的高精度测量;通过对仿真信号和实测信号进行处理,研究了方法的可行性和频率估计精度,结果表明MR-STFT算法较大提高了超宽带信号瞬时频率估计精度,尤其对低信噪比的超宽带信号效果显著。     

极值域均值模式分解在轴承故障诊断中的应用

为了研究滚动轴承信号的非平稳特征,提出了将局域波方法和Parzen窗概率神经网络相结合的故障诊断方法.分析了局域波时频分析中极值域均值模式分解方法的改进方法,并提出了一种筛选停止准则.对分解所得分量,提取平均瞬时频率和能量比作为故障特征向量构造神经网络,进行状态判断.通过对现场采集的滚动轴承信号进行分析,说明了该方法的...     

基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

齿轮故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单个调幅-调频分量的瞬时频率蕴含了齿轮的故障特征;为了将信号准确分解、获得单分量的瞬时频率,进而根据瞬时频率谱进行齿轮故障诊断,提出了局部特征尺度分解与瞬时频率谱相结合的故障诊断方法;该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个瞬时频率有物理意义的内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,并对瞬时频率进行傅里叶变换得到瞬时频率谱,最后根据瞬时频率谱进行故障诊断;对齿轮断齿故障实验数据进行了方法有效性分析,分析结果表明:该方法不仅能够准确诊断出齿轮箱故障情况,还能定位发生故障的齿轮,该方法可有效地应用于齿轮故障诊断。     

智能控制下机械式自动变速器故障检测方法

考虑到当前机械式自动变速器故障检测方法由于故障种类划分能力较差,导致复合故障检测结果正确率较低的情况,设计智能控制下机械式自动变速器故障检测方法。设定信号采样频率,对采集后的信号进行离散处理,提取自动变速器振动信号。使用LSSVM模型构建支持向量机,完成振动信号训练处理。根据机械控制理论结合证据分类检测方法,完成自动变速器故障诊断。至此,智能控制下机械式自动变速器故障检测方法设计完成。构建实验环节,经实验结果证实,新型检测方法的复合故障检测结果正确率得到明显提升,在日后的研究中可应用此方法完成故障检测过程。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

基于改进小波包阈值降噪的滚动轴承故障分析

具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节。因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析。首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析。最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。     

基于参数优化VMD和样本熵的滚动轴承故障诊断EI北大核心CSCD

针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.     

Research on fault diagnosis of bearings in walking part of wall-building robot based on roadside acoustic signal

The walking part of the wall-building robot is an important component whose health influences the robot's overall performance, and the bearing of the walking part is a critical but often disregarded component. As a result, based on acoustic signals from the roadside, this study proposes a method of bearing fault monitoring of walking parts to ensure the more stable operation of the wall-building robot. To begin, due to the Doppler effect caused by the relative displacement between the sensor and the walking part, the collected acoustic signal has frequency shift and amplitude attenuation, so the multiple signal classification spectrum estimation method with added windows is first used to determine the position and speed of the walking part bearing in real time, and then obtain a resampled time series of the distorted signal. Second, the distorted signal is resampled by Morse acoustic theory to correct the distorted sound signal collected by the array sensor. Third, a multitask deep learning method with an attention mechanism is designed to jointly diagnose the fault type and damage degree of bearing by analyzing the corrected acoustic signal. The experimental results show that the method can effectively restore the distorted signal while still accurately and stably detecting the fault type and damage degree of the bearing under a variety of working conditions and external disturbances, making it more suitable for the work of wall-building robots.     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小嫡解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法。为了达到增强故障信号中冲击成分的目的,采用AR-MED对信号进行滤波处理。依据滤波后信号的Teager能量谱,获取滚动轴承的故障特征频率。通过对仿真信号和实测信号进行分析,验证了该文所提方法在强背景噪声下滚动轴承早期故障诊断中的有效性。     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

基于声发射参数分析的滑动轴承故障诊断方法研究

本文基于声发射产生机理,对基于声发射参数分析法进行滑动轴承故障诊断方法进行理论和实验研究。首先,通过汽轮机发电机组模拟转子实验台模拟了滑动轴承三种润滑状态,通过实验台以及设计的实验方案,利用声发射采集设备对不同润滑状态的声发射信号进行采集。其次,针对采集到的不同润滑状态声发射信号,对其能量均值以及功率谱熵均值进行计算,提出了基于声发射能量均值和功率谱熵均值的散度指标的滑动轴承润滑状态诊断方法,并利用这种方法对模拟信号进行诊断,同时将其与单一能量参数分析法进行对比,发现能量参数分析法不能很好的反映出滑动轴承的三种润滑状态,而文中所提的采用多参数结合的指标诊断方法具有更好的信号适应性以及更高的区分度。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于包络延拓和本征波匹配的时变DoS攻击频谱检测

DoS攻击信号具有非平稳时变特性,湮没在色噪声背景的复杂网络环境中,对之难以有效检测.传统方法中采用基于非平稳时变信号处理的Hough变换单谱脉冲响应检测算法,由于二次型时频分布的边缘效应会引起较大包络衰减,检测性能不好.因此提出一种基于包络延拓和本征波匹配的时变DoS攻击信号频谱检测算法来对DoS攻击检测信号进行双曲调频分解,构建信号数学演化模型,得到信号包络和本征波特征提取结果.采用双线性Hough变换法分析频谱特征畸变,进行瞬时频率估计,得到信号的单谱脉冲响幅频响应,在包络时频特征空间优化搜索路径实现包络延拓,基于最小均方误差准则设计本征波匹配滤波器,控制DoS频谱偏移,实现信号频谱检测.仿真结果表明,本算法能在强色噪声背景干扰下提高检测性能,检测概率高于传统算法,且能准确估计参量信息,提高对DoS攻击信号的主动防御能力.     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

一种新的线性调频信号的瞬时频率估计方法*

基于HHT（HilbertHuang transformation）是一种能分解出信号的任何频率分量的主成分分析法以及线性调频信号（LFM）的瞬时频率是关于时间的直线,将LFM 信号先作HHT得到其瞬时频率,然后利用该瞬时频率中间部分的时频点作最小二乘（LSM）直线拟合。这种改进的LSM直线拟合方法不仅剔除了HHT固有的边界效应在瞬时频率斜线两端产生的高频谐波,从而有效地抑制了这种边界效应对瞬时频率估计的影响,而且直接得到了较为准确的LFM 信号的瞬时频率参数估计值。与通过改变HHT算法来减小HHT边界