频率同步压缩与时间同步压缩的对比和应用

同步压缩变换是一种具有重构特性的时频分析方法,常用作短时傅里叶变换(short-time Fourier transform,简称STFT)的后处理步骤。介绍了两种不同的同步压缩方法:频率同步压缩(frequency-reassigned synchrosqueezing transform,简称SST)和时间同步压缩(time-reassigned synchrosqueezing transform,简称TSST),并通过对比两者所使用的短时傅里叶变换,来说明两种同步压缩方法的区别以及各自的应用场合。为了利用计算机进行快速计算,按照两种同步压缩的计算流程分别给出它们的离散化实现算法。此外,使用了旋转机械的碰摩故障和轴承外圈的冲击故障来验证两种算法的有效性,并指出SST方法因其在频率轴方向上压缩STFT系数的特点能够较好地识别旋转机械中的碰摩故障,而TSST方法因其在时间轴方向上压缩STFT系数的特点能够实现对轴承外圈冲击故障频率的检测。     

广义参数化同步压缩变换及其在旋转机械振动信号中的应用

广义参数化时频分析通过构造匹配的参数化变换核,能够有效提高强调频信号的时频能量聚集性。然而,受短时傅里叶变换中窗函数结构的影响,利用该方法获得的时频能量分布在真实瞬时频率附近始终存在能量扩散现象。同步压缩变换利用同步压缩操作可将短时傅里叶变换处理后的时频能量压缩至真实瞬时频率位置,然而,同步压缩变换仅适用于分析频率成分恒定的纯谐波信号。以短时傅里叶变换为纽带,将两种时频分析方法相结合,提出了广义参数化同步压缩变换。考虑到旋转机械振动信号多为多分量信号,通过迭代处理的方式,依次获取各单分量信号的时频能量分布,对其进行叠加得到最终的时频能量分布。通过数值仿真以及变转速下转子不对中、滚动轴承外圈故障模拟试验验证了所提方法的有效性。     

窗口伸缩优化的同步压缩算法及其在变转速工况瞬时频率估计上的应用

针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高等问题,在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出一种窗口伸缩优化的时频同步压缩变换算法,并在此基础上推导出二阶及高阶的窗口伸缩优化的同步压缩变换算法.该方法能够兼顾同步压缩变换和重排的优势,进一步锐化时频脊线,从而增强时频表...     

基于HHT的主动兰姆波金属疲劳裂纹损伤监测研究

由于兰姆波具有频散效应,使得其信号形式较为复杂、分析困难,这就为损伤监测中的模式波包提取带来了很大的难度。利用希尔伯特-黄变换(Hilbert-Huang Transform,HHT)对信号包络进行提取,可以达到简化原始信号、提高损伤监测精度和效率的目的。与利用短时傅里叶变换(Short Time Fourier Transform,STFT)提取信号包络的方法相比,希尔伯特-黄变换的自适应性更强、效率更高,更适合兰姆波分析。通过对铝制薄板中的裂纹扩展监测试验表明,结合了希尔伯特-黄变换的损伤指数法,对兰姆波信号的模式提取更为准确、对裂纹的扩展也更为敏感。     

基于短时傅里叶变换检测非平稳信号的频域内插优化抗混叠算法

非平稳信号的分析越来越受到人们的重视.短时傅里叶变换(STFT)是一种线性变换,避免了其他高次型非平稳信号分析方法中出现的交叉项的干扰,是分析非平稳信号的有力工具.短时傅里叶变换的基本思想是利用一个固定大小的滑动的窗口函数对信号进行分析,并假定信号在窗口内是平稳的,因此加窗变换所同有的混叠现象在短时傅里叶变换中依然存在.本文基于频域插值的思想,提出了基于频域内插抗混叠短时傅里叶变换的算法,首先分析了混叠产生的物理本质,然后以汉明窗为基础构造了频域内插的方法,并利用牛顿插值法得出插值的迭代求解方法,最后给出内插优化算法步骤.仿真实例验证了算法的可行性.     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

伸缩窗口短时Fourier分析

在短时Fourier变换（STFT）的基础上,通过对窗函数在时间尺度上引入伸缩变换,从而获得一个在相空间可变的窗口（即可调时－频窗）,实现时频分辨率随信号频率变化自动可调,克服STFT分析所有频率窗口的大小形状固定不变的缺陷,为非平衡信号的处理提供了强有力的工具。     

短时AR谱分析及在内燃机故障诊断中的应用

针对利用传统短时Fourier变换(STFT)进行时频分析时不可能同时得到任意高时域分辨率和频域分辨率的问题,提出对传统的短时Fourier变换进行改进,在短时Fourier变换的计算中,利用自回归(AR)谱估计代替离散Fourier变换(DFT),得到了一种基于AR谱估计的短时AR谱分析方法。应用该方法对内燃机气阀机构的故障进行了分析,结果表明短时AR谱分析的估计性能大大改善,能够较好地给出信号的时频分布表示。     

射流流量传感器小流量信号稳定性探究

采用以短时傅里叶变换(Short Time Fourier Transform,STFT)为基础的时频域分析方法,着眼研究射流流量传感器在小流量工作点的原始信号稳定性机理。提出了一个具有针对性的散点分析工具,以多测量台位、重复实验的数据为基础,剖析小流量下信号不稳定的机理,并提出进一步研究方向。     

一种新的旋转机械升降速阶段振动信号的瞬时频率估计算法

传统的短时傅里叶变换(Shorr-time Fouriertransform,STFT)峰值搜索法对高噪声、强干扰信号进行瞬时频率估计的结果往往偏离真实值误差较大,且对复杂的旋转机械设备产生的振动信号不能实现参考轴的瞬时频率估计.针对旋转机械升降速阶段振动信号的特点,提出一种新的旋转机械升降速阶段振动信号瞬时频率估计算法--STFT Viterbi拟合法(STF_TViterbi algofithm fit,STFT_VF).该方法采用STFT对振动信号进行时频分析,从而得到时间离散点和频率离散点组成的网格面,然后运用Viterbi算法实现对参考轴信号的瞬时频率估计.STFT VF方法极大地降低了噪声和干扰对瞬时频率估计结果的影响,实现了对复杂旋转机械振动信号的瞬时频率估计,且结果精度高.仿真和实际测试试验验证了本方法的正确性.     

基于短时傅里叶变换的风机叶片裂纹损伤检测

风机叶片由于材料复杂性和结构不对称性,其振动信号表现出时变特点.将短时傅里叶变换(STFT)应用于风机叶片裂纹检测中,基于仿真信号以验证短时傅里叶变换处理时变信号的可行性,然后运用短时傅里叶变换分析叶片在健康状态及不同裂纹损伤状态下自由衰减振动信号及其变化规律,为叶片裂纹检测提供一种合理方法.     

一种基于改进同步压缩的瞬时转频估计算法

针对变转速工况下滚动轴承振动信号噪声强,同步压缩难以提取转频信息的问题,先利用VMD的维纳滤波特性对振动信号进行降噪重构,然后对重构信号进行短时Fourier变换的同步压缩变换并对其时频谱进行Viterbi瞬时频率估计,不仅增强了同步压缩的抗噪性,也提高了瞬时转频估计的精度。仿真及试验结果表明:VMD-SST与转速计测量结果基本一致,误差仅为2.15%。     

基于时变滤波与CWT的齿轮箱无转速计阶次跟踪

针对转频波动工况下复杂齿轮箱系统振动信号中各啮合阶次成分相互干扰,导致对啮合频率估计困难的情况,提出一种基于时变滤波与连续小波变换(CWT)结合的无转速计阶次跟踪齿轮箱故障诊断技术。基于短时傅里叶变换(STFT)设置时变滤波器;通过时变滤波及连续小波变换(CWT),获得平滑的瞬时频率估计(IFE);再基于Vold-Kalman滤波(VKF)获得参考轴相位。该方法获得的阶次谱与计算阶次跟踪(COT)相当。最后,结合快速谱峭度算法可准确判断故障齿轮位置。通过仿真和实验表明,无转速计方法能为强噪声转速明显波动工况下的机械故障诊断提供一种新的有效手段。     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

参数化的短时傅里叶变换及齿轮箱故障诊断

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

基于OSF的SET信号重构方法及故障诊断应用

同步提取变换(synchroextracting transform, 简称SET)通过提取短时傅里叶变换(short-time Fourier transform, 简称STFT)在瞬时频率位置的时频系数可获得较理想的时频谱，该方法提高了时频分辨率，减少了交叉项的影响，一定程度上抑制了噪声对STFT时频谱的干扰。针对在SET时频谱的基础上进行信号分量的重构与故障诊断拓展方面的应用，提出了一种基于顺序统计滤波器(order statistics filter, 简称OSF)的SET信号分量重构方法。首先，利用边际谱表征SET时频谱中信号的幅值在整个频率范围内随频率变化的情况；其次，采用顺序统计滤波器分割边际谱，将分割所得边界映射至SET时频谱后，利用SET逆变换重构信号分量；最后，利用峭度指标筛选包含丰富故障信息的分量并进行包络分析，提取故障特征。仿真信号及滚动轴承内圈故障信号的处理结果证明了该方法的有效性。     

基于改进型峰值搜索法的变速箱振动阶比分析

基于传统内燃机汽车发动机引起振动噪声阶次特征明显的特点,运用短时傅里叶变换（short-time Fourier transform,简称STFT）进行转速估计,结合阶次追踪法,对汽车加速工况变速器振动信号进行阶次分析。首先,利用STFT对加速工况变速箱振动信号进行时频分析;其次,利用改进型峰值搜索法提取特征阶次所对应的瞬时频率值,进一步计算得到发动机转速信号表达式;然后,根据发动机转速信号表达式对振动信号在角域重采样,进行阶次分析;最后,利用本研究方法对变速箱加速过程振动信号进行阶次分析,并与商用软件LMS.Test.lab分析结果进行对比。结果表明,本研究方法无需布置转速传感器即可对变速箱振动信号进行阶次分析,为整车振动噪声试验分析提供参考。     

基于希尔伯特-黄变换方法的信号奇异性检测与仿真

介绍了希尔伯特-黄变换(HHT)方法的分析步骤、特点和应用范围,并对信号奇异性检测效果进行了仿真分析,并和短时傅里叶变换(STFT)、魏格纳-威利分布(WVD)、小波变换(WT)等分析方法进行了比较。结果表明,希尔伯特-黄变换方法具有良好的局部适应性和在信号奇异性检测方面的有效性及优越性。     

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。