高阶时频分布在滚动轴承故障诊断中的应用研究

滚动轴承故障信号是非高斯、非线性、非平稳信号,由于调制性,使用幅值谱分析方法无法找到轴承故障频率。将高阶时频分布——主要是Wigner双谱分析方法应用于滚动轴承的故障诊断,计算滚动轴承振动信号的高阶时频分布,并对其沿时间轴切片,分析了切片的幅值谱。针对不同故障轴承,对其振动信号幅值谱、高阶时频分布及其切片谱的对比分析表明,高阶时频及其切片谱性能优于幅值谱。     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题，提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数，利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合；利用参数优化后的MCKD方法对故障信号进行解卷积运算，滤除掉信号中的噪声，以突显由轴承故障激发的周期性故障脉冲；对解卷积信号进行包络解调，以提取出轴承故障特征频率成分。仿真结果表明，与遗传算法和粒子群算法相比，采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明：所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分，信号的峭度提高了3倍，鲁棒性更强；与直接谱分析和快速谱峭度方法相比，所提方法能完整提取信号中的故障特征频率成分，成功率可达100%,有效提高了滚动轴承的故障诊断精度。     

强震地面运动的频域物理模型研究

基于Fourier变换的时频域信息等价性,在频域内建立了强震地面运动的物理模型.地震动的频域物理模型分为2个部分,即基于理论物理关系的Fourier幅值谱模型和基于经验物理关系的Fourier相位谱模型.以单质点体系运动方程为基础的Fourier幅值谱模型反映了强震记录的幅值特性;以相位差分布为基础的Fourier相位谱模型以确定性的显式形式建立了相角与频率的映射关系,能较好地反映原始记录的波形结构.合成的人工波与实际强震记录对比,证明了模型的正确性.     

一种电流弱信号特征提取方法

针对数控机床主轴电流分析中微弱电流信号被噪声淹没的问题,提出了一种将调制随机共振和D-J阈值噪声估计技术用于电流弱信号的特征提取方法。利用调制随机共振技术获得了微弱电流信号的特征频率,在频域上采用D-J阈值收缩方法对所测得的电流信号进行噪声估计,从中分离出有用信号,并根据随机共振原理对该有用信号进行了幅值估计。仿真和实验结果表明,该方法可以对数控机床主轴电流信号中的微弱电流特征信号进行频率识别和幅值估计,克服了传统电机电流分析方法无法识别微弱电流信号的缺点,能够准确地提取出微弱电流信号中的特征频率,可对微弱特征信号进行比较准确的幅值估计,因此具有较强的工程实用价值。     

希尔伯特变换在故障诊断中的应用

许多机械故障信息以调制形式存在于振动噪声之中,希尔伯特变换是提取调制信息的一种有力工具。本文首先介绍希尔伯特变换在数字信号处理中提取幅值和相位调制方法,它利用调制信号和它的希尔伯特变换形式构成的解析信号,进行取模和反正切变换,即可获得包络和相位信号。这方法简单,适合于微机实时处理。由于现场实测信号存在各种噪声和干扰,对于被处理的信号需作预处理,因此本文引入时间同步平均,自适应消噪技术用于信号预处理,这有利于提高信号处理结果的信噪比以及诊断的可靠性。最后本文对三个典型机械零件故障的实际诊断作扼要介绍,实测说明希尔伯特变换和它相关的预处理技术结合应用于故障诊断是非常成功的,它为机械故障的早期诊断,和提高诊断灵敏度开辟了新的途径。     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

增强组合差分乘积形态学滤波的轴承故障特征提取方法

针对滚动轴承故障信号的非线性、非平稳、强噪声特性导致的常规时频域特征提取方法受限问题,提出一种增强组合差分乘积形态学滤波的轴承故障特征提取方法。在分析数学形态学4种基本运算的正、负冲击脉冲提取特性的基础上,运用级联、差分、乘积构造的一种新的组合差分乘积算子(combination difference multiply operator, CDMO)具备了同时提取正、负冲击脉冲的能力,并发挥梯度乘积运算对脉冲提取更敏感的优势,实现故障信息的充分提取。引入故障特征频率比指标优化CDMO结构元素参数,修正待处理信号的几何特征,提取与结构元素相匹配的信号特征信息。在CDMO滤波的基础上,借助三阶累积量切片谱技术能够抑制高斯噪声、突出二次耦合分量的优势,准确提取故障特征频率及其倍频,增强轴承故障特征提取能力并抑制噪声干扰。依托2种不同来源的工程实际信号并与经典故障特征提取方法对比分析,验证了所提方法的有效性。     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.     

一种水中目标辐射噪声调制谱的联合分析方法

讨论了一种从辐射噪声中提取调制信息的联合方法．首先利用多尺度分析方法将噪声信号在不同层次的空间上进行分解；然后，利用小波变换求其功率谱从而得到辐射噪声的调制包络；最后对动态调制包络进行1 1/2维谱分析，得到了辐射噪声的调制线谱．在此基础上，对实测噪声数据进行了仿真研究，结果表明，该方法可以有效提取噪声中动态调制信息．     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于EEMD降噪与二次相位耦合的滚动轴承故障诊断

针对滚动轴承出现故障时故障信号常常被强的背景噪声所淹没,故障特征难以准确提取的问题,提出了一种基于总体平均经验模态分解(EEMD)降噪与二次相位耦合的故障诊断方法.对原始信号进行EEMD分解,通过相关系数-峭度值的大小选取EEMD分解后得到的固有模态函数(IMF).对筛选出来的IMF进行了重构从而达到降噪的目的.对重构后的包络信号进行1.5维谱分析,提取二次相位耦合产生的非线性特征,从而得到滚动轴承故障特征频率信息.通过实测滚动轴承数据验证了该方法可以有效地提取轴承内圈和外圈的故障特征,从而识别轴承的故障.     

基于全相位FFT三谱线校正的电网谐波与间谐波检测算法

电网谐波检测中,传统FFT算法存在的频谱泄露现象影响了检测的精度.为解决这一问题,分析和比较了全相位FFT算法与FFT算法之间的区别,将一种三谱线校正方法推广到精度更高的全相位FFT算法,并由此提出一种全相位FFT三谱线校正算法.该算法利用频谱峰值频点周围三根谱线信息构造频率偏移量修正公式,进而获得全相位FFT幅值和频率校正值,并利用全相位FFT的相位不变性直接获得信号相位.通过与FFT三谱线插值算法、全相位FFT双谱线校正算法和全相位FFT双谱线插值算法对比,结果表明该全相位算法具有更好的谐波和间谐波检测精度,并且抗白噪声能力更强.     

一种自适应频率窗经验小波变换的滚动轴承故障诊断方法

为解决强背景噪声下经验小波变换(EWT)难以准确提取滚动轴承故障特征的问题,提出了一种自适应频率窗EWT方法。首先对轴承故障振动信号进行傅里叶变换,引入一个带宽可变的滑动频率窗对其频谱进行分割;然后利用水循环优化算法(WCA),通过所提出的包络谱谐波噪声比指标,自适应确定滑动频率窗位置;最后进行EWT筛选出最佳的模态分量信号,通过包络解调分析提取轴承故障特征信息。采用所提方法对滚动轴承故障实验信号进行分析,结果表明,该方法可以有效用于滚动轴承微弱故障特征的提取,而传统EWT方法因为受强背景噪声影响较大,无法准确提取故障特征信息。     

精细谱负熵及其在滚动轴承故障诊断中的应用

针对提取滚动轴承故障特征时共振边频带的中心频率难确定、带宽确定过宽或过窄及易受噪声影响等问题,提出了一种基于经验小波变换(EWT)的精细谱负熵方法(ASNE)。该方法利用经验小波滤波器特性构造滤波器组,实现对信号频域的扫描滤波;结合时域谱负熵更易检测信号中周期性冲击成分的特点,对滤波后的分量进行筛选,经过两次循环筛选获得了精确的中心频率和带宽;通过EWT提取出最佳的故障特征分量,最终进行包络解调获得故障特征信息。轴承内、外圈故障的实验信号对该方法进行了验证,实验结果表明,该方法能够快速、准确地确定共振边频带的中心频率与带宽,并有效地提取了内、外圈故障特征信息,且效果优于Infogram方法。该方法克服了传统边频带提取方法在频带划分上的局限性,抵制了噪声的干扰,提取的中心频率和带宽更精确,为更准确地判断轴承故障类型提供了可靠的理论支持。     

基于差分振子与欧氏距离的微弱未知信号检测方法研究

针对噪声很大,并且具有非高斯、非平稳、非线性特征的轴承微弱故障信号,提出了基于差分振子结合欧氏距离检测微弱故障的方法,通过构造差分振子微弱信号检测器,结合欧氏距离定量识别出未知信号的频域信息和幅值信息,该方法很直观地证实了系统参数对检测信号的影响,将该方法用在提升机的轴承故障实例中,证实了该方法能够成功地提取出故障频率。     

循环自相关函数的解调性能分析

介绍包络解调技术在幅值调制信号分析中的工作原理，同时讨论了循环自相关九的解调性能，通过理论分析，证明希尔伯特变换和循环自相关函数具有相同的解调性能，并通过实测滚动轴承振动信号加以验证。     

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值（RMS）,以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。     

基于方向幅值比的欠定盲源分离算法

为了提高欠定盲源分离问题中混合矩阵的估计精度,提出了基于时频域混合信号数据点的方向幅值比的欠定盲源分离算法.为了充分利用复混合信号数据点的相位信息,引入复信号的方向幅值比,通过复混合信号的方向幅值比的方差、均值、分布密度实现单源点的精确提取.将分布在直线方向上的单源点进行单位投影化处理,通过聚类分析获得混合矩阵的列元素之比,从而实现混合矩阵的估计.利用匹配追踪算法将源信号进行重构.经仿真验证,提出的算法相较于对比算法,可以获得更高精度的混合矩阵与分离信号.     

一种自适应形态滤波算法及其在轴承故障诊断中的应用

针对工程实际中的故障诊断受限于零部件故障先验知识缺乏、振动信号调制及噪声成分复杂等问题,提出了一种滚动轴承故障诊断的自适应形态学滤波方法。在对基本形态算子和组合形态算子原理分析的基础上,利用非线性滤波器幅频响应分析法,获得了不同形态算子的滤波特性,定量分析了结构元素尺度参数对滤波效果的影响。对典型的滚动轴承故障模型及振动信号进行分析,获得了故障轴承运行的主要特征,确定了结构元素尺度参数选定策略,数值仿真实验验证了该方法的可行性。进行滚动轴承实验振动信号分析,结果表明,与参数优化的组合形态滤波差值算子(CMFH)相比,所提方法至少将信号的特征幅值能量比提高了29.8%、算法效率提高了50.0%,可清晰、准确、快速地将滚动轴承外圈和内圈的故障特征呈现出来,进一步证明了该方法在机械故障诊断应用上的可靠性和实用性。