改进型EEMD和MSB解调方法及其在轴承故障特征提取中的应用

针对滚动轴承振动信号的强非线性和非平稳特性，提出了一种基于改进集成经验模态分解（IEEMD）和调制信号双谱（MSB）分析的故障特征提取方法。将集成经验模态分解（EEMD）应用于滚动轴承的振动信号处理，将其分解成一系列的本征模态函数（IMFs）；通过累计均值（MSAM）准则将IMFs自适应地分为低频IMFs和高频IMFs，其中高频IMFs采用小波阈值降噪进行处理；将降噪后的高频IMFs与低频IMFs进行重构以获取高信噪比的瞬态脉冲信号；利用MSB进一步抑制瞬态脉冲信号中的随机噪声和干扰分量，并提取信号故障特征。与谱峭度（SK）和WEEMD-MSB分析结果进行对比，验证了该方法在轴承微弱故障特征提取方面的优越性。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

基于稀疏编码的振动信号特征提取算法与实验研究

针对海量冗余数据中设备状态信息特征提取问题,借鉴生物感知系统"冗余度压缩"的信息处理原则,基于神经科学研究中的稀疏编码算法,提出了连续长时间采样时振动信号有效特征提取方法。介绍了稀疏编码算法及其模型,详细研究了稀疏编码的系数求解和字典学习两大问题。基于人工轴承故障数据集进行了实验研究,实验表明:基于稀疏编码的振动信号特征提取算法不仅能有效提取设备状态特征,而且稀疏特征具有良好的可分性。该方法可用于设备故障诊断,为基于状态的设备智能维护提供有效工具。     

集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法

针对行星齿轮箱早期微弱故障难以诊断的问题,提出一种结合Teager能量算子(TEO)解调和随机共振增强输出的方法以实现故障特征提取。首先,对行星齿轮箱振动信号进行经验模式分解(EMD)并选取包含故障信息的分量信号,使用TEO解调运算获得分量信号的解调信号。其次,为满足随机共振系统的小参数条件,将解调信号做适当压缩处理并进行频率二次采样。再次,以定义的随机共振系统输出信噪比为适应度函数,采用粒子群算法优化随机共振系统的结构参数,进而重构随机共振系统以实现信号、噪声以及非线性系统的最佳匹配。最后,将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。仿真和实验均表明:该方法获取了随机共振系统的大信噪比输出,实现了强噪声下微弱故障特征的准确和高效提取,是一种行之有效的行星齿轮箱早期微弱故障诊断方法。     

基于小波神经网络的水下航行器传感器故障诊断

针对水下航行器系统的传感器故障诊断问题,提出了一种基于小波神经网络的传感器故障诊断方法．在对水下航行器系统的传感器故障信号进行特征提取时,发现其大部分能量都集中在低频部分．若直接以此能量分布来区分正常与故障、故障与故障的信号,将导致神经网络训练时间和分辨时间都会很长,因而不能实时地监控系统．为了很好地进行区分,凸显其差异,将低频部分能量舍去,只保留其余部分,并将其归一化,再利用径向基神经网络进行分类．利用小波分解的节点能量差异与特征提取特点以及神经网络的自我学习能力,通过大量的样本训练后,使神经网络很好地分辨出5类故障信号及正常信号．仿真结果表明：此方法简单、易于实现,适于水下航行器的传感器故障的诊断．     

Maxx Bass 心理声学低频扩展器

Waves公司的MaxxBass心理声学低频扩展技术,突破了传统系统中,低频受成本、体积和功率限制的瓶颈,通过将心理声学研究(人耳的听觉)的最新成果加入到信号的处理通路中来进行低频扩展,是目前最先进的声音压缩技术,如MP3等的技术基础。经测试,可以将听觉低频向下扩展达1.5倍的8度音程,或低频截止频点的2/3,而且无需喇叭真正地产生这样低的频率,可以降低对峰值功率和喇     

压缩感知结合卷积网络的天然气管道泄漏孔径识别EI北大核心CSCD

针对传统天然气管道泄漏孔径检测面临的原始数据冗余性大、特征选取主观依赖性强以及复杂环境下识别准确率低等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取全部泄漏信息;然后构建深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别;还对主要参数的影响进行了深入的分析。实验结果表明,该方法能够快速、准确地实现天然气管道泄漏孔径识别,且在低信噪比环境下具有较好的鲁棒性,总体识别效果优于传统的分类方法。     

齿轮箱非同步特征信号的提取方法研究

在分析时域平均的基础上,通过将齿轮箱输入轴瞬时速度的三次曲线拟合和信号重采样相结合,提出了非同步特征信号的时域平均提取方法.时域平均对从噪声中提取特定周期信号是比较有效的方法,但当信号的故障特征频率未知或存在多种故障时,该方法不能获得满意的诊断效果,而频域平均能较好的实现该类故障的特征提取.基于早期故障信号的特点,提出了将多分辨分析的经验模态分解方法与频域平均相结合的故障特征提取方法.试验结果表明,所提出的时频域平均方法能有效地实现齿轮箱非同步特征信号的提取.     

变速机械振动信号的伪同步重采样技术——Ⅰ速度与角位置的瞬时估计方法

在机械的变速运行过程中,由于存在非平稳性,使得大部分等时间间隔采样的传统方法无法适用。利用光电编码器进行角域采样虽可以快速跟踪转速的变化,但其使用安装却要受机械装置结构的限制。为解决机械变速过程状态信号的解调和特征提取问题,本文提出了一种新的数据获取和预处理方法——伪同步信号重采样技术。该技术通过对瞬时转速和角位置的估计以及对非平稳信号的自适应重采样,获取了与转速有关的信息并应用常规的信号处理方法进行特征提取。 本文主要探讨转速和角位置的瞬时估计。计算机仿真和实验验证的结果表明,改进型三次样条函数插值可以给出足够精度的估计结果。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。