基于CEEMD和TEO的电力电缆故障测距方法研究

针对传统希尔伯特黄变换(HHT)中经验模态分解(EMD)在分解过程中存在模态混叠现象,将补充总体平均模态分解(CEEMD)与Teager能量算子相结合.提出一种基于CEEMD和TEO的电力电缆故障行波测距方法,通过CEEMD分解得到故障行波信号的固有模态分量(IMF),采用Teager能量算子得到瞬时能量谱,得到故障初始行波到达检测点时刻.PSCAD/EMTDC仿真结果验证了该方法的正确性,测距精度高.     

轴承振动信号采集分析系统设计与实现

准确采集振动信号信息是轴承故障诊断的关键,利用传感器采集振动信号数据,经A/D转换后传输至STM32微控制器,STM32控制Wi-Fi模块将数据发送至PC,采用局部均值分解(LMD)方法对采集的振动数据进行分析处理,实现对滚动轴承运行状态的远程监控.实验结果表明:系统能够对滚动轴承振动信号进行精准采集和分析,传输性能好、速度快,适合在工业行业推广使用.     

面向高压断路器故障诊断的多源信号采集系统

针对高压断路器定期停电检修十分不便、状态监测采集信号种类单一的问题,该文设计了一种面向高压断路器故障诊断的多源信号采集系统。系统利用信号采集调理模块采集声音、振动及电流信号,调理后存入缓存模块;由AT32F437ZMT7读取缓存模块内信号数据,对之进行处理后利用以太网传输模块传至上位机,对信号数据进行显示、储存、回读以及时频域分析。结果表明,该系统可较好采集到断路器三类信号,并利用以太网模块稳定传输数据至上位机,实现断路器的状态监测和故障诊断。     

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.     

基于固有时间尺度分解模型的通信辐射源特征提取算法

针对当前通信辐射源个体识别方法准确率不高,特征提取效率不高等问题,提出了基于时间尺度分解(ITD)模型的通信辐射源特征提取算法。该算法提取了原始信号特征、信号经ITD分解后得到的固有旋转分量特征以及瞬时幅频谱的特征组成特征向量,使用支持向量机(SVM)得到分类结果。通过6部实际电台的分类实验结果表明：该算法在不需要先验信息的前提下,可以得到较好的分类效果,并且相对与经验模态分解(EMD)的特征提取在分类效果及运算效率上都有一定程度的提升。     

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。     

一种直升机旋翼振动测试方法

为能够有效测量直升机旋翼的振动特性，提出了一种基于三轴MEMS加速度传感器及无线传输技术的直升机旋翼振动测试方法并研制了相应的测试装置。测试系统主要包括三轴MEMS加速度传感器、A/D转换模块、无线传输模块以及PC上位机。无线传输模块将采集的加速度信号发送到振动测试接收电路，再通过串口通信发送到计算机上，计算机软件对加速度信号积分得到位移信号，并通过傅里叶变换得到旋翼振动的幅频特性曲线。在直升机模型上完成了振动测试实验，实验结果表明该方法能有效地对旋翼振动信号进行测试。     

由图像传感器逆向控制的图像采集系统设计

以CMOS图像传感器OV7670和USB2.0控制器芯片CY7C68013A为核心搭建图像采集系统,选择CY7C68013A的中断引脚添加按键作为控制按钮,使控制信号与视频数据经USB2.0接口传输至上位机.上位机端应用程序解析控制信号,据此对视频数据进行相应操作,实现图像采集系统的逆向控制.     

可用于电声测试系统的专业音频接口设计

针对电声测试系统对低成本、高性能音频接口的需求,设计了一种由下位机嵌入式系统和上位机计算机软件组成的电声测试系统专用音频接口。音频接口采用高速USB2.0接口传输音频数据,通过音频编解码器对音频信号进行D/A和A/D转换,实现播放和录音功能。经测试音频接口生成正弦信号的总谐波失真低于专业声卡;信号采集通道的幅频特性优于专业声卡;同步录音功能能够实现录音和播放完全同步。     

STM32+FPGA的导常振动信号采集存储系统

针对工厂重要设备运输途中可能损坏的情况,本文设计了一套采用STM32F103+FPGA框架的无线传输的振动信号采集存储系统,可以用于重要设备运输过程中异常振动的实时监测.首先将系统刚性连接在被运输设备上,通过三轴振动传感器获得振动数据,FPGA对数据进行采集、存储,STM32通过无线模块将数据发送至相应的上位机中、进行...     

基于混沌动力学的滚动轴承故障诊断研究

为了研究旋转机械非平稳信号的非线性动力学特征,探索旋转机械故障诊断方法,以滚动轴承为研究对象,采用嵌入式传感器获取滚动轴承振动信号,通过计算滚动轴承振动时间序列的关联维数、Kolmogorov熵等混沌特征量,提取设备运动状态特征,并对其进行了详细分析。结果表明：该方法可以实现对滚动轴承的故障诊断,从而为旋转机械的故障诊断提供了一种新的方法。     

An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machines

In this paper, a new intelligent method for the fault diagnosis of the rotating machinery is proposed based on wavelet packet analysis (WPA) and hybrid support machine (hybrid SVM). In fault diagnosis for mechanical systems, information about stability and mutability can be further acquired through WPA from original signal. The faulty vibration signals obtained from a rotating machinery are decomposed by WPA via Dmeyer wavelet. A new multi-class fault diagnosis algorithm based on 1-v-r SVM approach is proposed and applied to rotating machinery. The extracted features are applied to hybrid SVM for estimating fault type. Compared to conventional back-propagation network (BPN), the superiority of the hybrid SVM method is shown in the success of fault diagnosis. The test results of hybrid SVM demonstrate that the applying of energy criterion to vibration signals after WPA is a very powerful and reliable method and hence estimating fault type on rotating machinery accurately and quickly.     

一种采用B样条插值的改进能量算子在电梯电机轴承故障诊断中的应用

针对传统Teager能量解调算子方法对电梯运行系统中存在的强背景噪声较为敏感的不足,提出了一种改进的能量解调算子方法;采用了B样条技术与传统Teager能量算子方法进行结合,其中建立的B样条曲线对信号进行插值起到滤波作用;然后再利用Teager能量算子对滤波信号进行转换;最后利用傅里叶变换得到转换信号的频谱图从而揭示故障特征;所提出的基于B样条插值的能量解调方法不仅保留了传统能量解调算法的优点,如较高的解调精度和优秀的时间分辨率等,并且可以在强噪声背景下提取出微弱轴承故障特征;经实验验证实现了提高强背景噪声下的轴承故障检测的性能,能够在故障退化的早期检测故障,满足了实际工况下故障诊断上的应用。     

融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状。提出一种融合优化的PSO-RVMD (Particle swarm optimization-Relevant Variational Mode Decomposition)与SAE (Stacked AutoEncoder)的旋转机械早期故障分类方法。智能分类方法主要有信号增强与智能分类两阶段组成。首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强。最后,将增强的早期微弱信号输入到SAE模型中进行训练。利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类。通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。     

An approach to fault diagnosis of reciprocating compressor valves using Teager–Kaiser energy operator and deep belief networks

This paper presents an approach to implement vibration, pressure, and current signals for fault diagnosis of the valves in reciprocating compressors. Due to the complexity of structure and motion of such compressor, the acquired vibration signal normally involves transient impacts and noise. This causes the useful information to be corrupted and difficulty in accurately diagnosing the faults with traditional methods. To reveal the fault patterns contained in this signal, the Teager–Kaiser energy operation (TKEO) is proposed to estimate the amplitude envelopes. In case of pressure and current, the random noise is removed by using a denoising method based on wavelet transform. Subsequently, statistical measures are extracted from all signals to represent the characteristics of the valve conditions. In order to classify the faults of compressor valves, a new type of learning architecture for deep generative model called deep belief networks (DBNs) is applied. DBN employs a hierarchical structure with multiple stacked restricted Boltzmann machines (RBMs) and works through a greedy layer-by-layer learning algorithm. In pattern recognition research areas, DBN has proved to be very effective and provided with high performance for binary values. However, for implementing DBN to fault diagnosis where most of signals are real-valued, RBM with Bernoulli hidden units and Gaussian visible units is considered in this study. The proposed approach is validated with the signals from a two-stage reciprocating air compressor under different valve conditions. To confirm the superiority of DBN in fault classification, its performance is compared with that of relevant vector machine and back propagation neuron networks. The achieved accuracy indicates that the proposed approach is highly reliable and applicable in fault diagnosis of industrial reciprocating machinery.     

基于过零点双耳时间差的运动声源定位

人耳听觉定位的一个主要因素是ITD。在传统的计算声场景分析方法中,对ITD的估计采用对双耳神经发放率做互相关求得。但该方法具有计算量大和抗噪声能力弱两大缺陷,给实现运动声源实时定位带来了巨大瓶颈。对较新的过零时间差（ZCTD）方法进行了改进,采用Teager能量算子（TEO）提取语音包络截取可靠语音段估计ITD,避免了ZCTD方法中用信噪比的估值提取可靠ITD的繁琐步骤,能够更快速、准确地估计ITD,具有较强的抗噪声能力。将该方法运用到运动声源定位上,提出了基于过零点双耳时间差的运动声源定位模型,通过仿真实验验证了其实现运动声源实时定位的可行性。     

抑制非线性扰动的迭代学习控制系统研究

多轴旋转机械体速率系统和位置系统中存在一类非线性扰动,这类非线性扰动具有多周期性的性质,并具有周期不变性。为抑制多周期非线性扰动对系统的影响,在系统满足连续里普希斯条件时,得出位置多周期非线性扰动转化为时间多周期非线性扰动的条件。提出一种迭代学习控制方法,通过系统误差收敛性分析来构造学习算子,利用系统的稳态误差信号构成前馈补偿,得出补偿多轴测旋转机械体周期非线性扰动的条件,并证明了算法稳定性。仿真表明,该方法能有效地补偿系统的多周期性非线性扰动,提高多轴旋转机械体系统的控制精度,具有较高的实用价值。     

基于非下采样Contourlet变换的方向Teager能量的极化SAR图像融合*

提出一种基于非下采样Contourlet变换和方向Teager能量的极化SAR图像融合算法。采用具有多尺度、多方向和平移不变性特点的非下采样Contourlet变换对多个单极化强度图像进行分解,然后高频子带图像分别按行和列进行Teager能量计算,选取Teager能量作为度量来提取区域边缘与纹理信息。对于低频系数采用平均融合算法,根据高频子图Teager能量分布差异,对于方向高频系数采用不同最优加权算法实现极化图像的融合处理。实验结果表明,提出的算法与PWF算法相比在保留原始图像边缘和纹理信息的同时,可以有效地抑制相干斑噪声的影响,取得较好的融合视觉效果。     

旋转机械振动测试脉冲干扰的幅值倾角双判据滤波法

针对旋转机械振动测试过程中经常出现的脉冲干扰信号,在限幅滤波法的基础上设计了基于幅值与倾角双判据的滤波算法,并将其嵌入已开发的旋转机械状态监测与故障诊断系统中。通过测试,该算法弥补了原有各种剔除脉冲干扰方法的缺陷,具有很强的工程应用价值。     

A hybrid PSO-GD based intelligent method for machine diagnosis

This paper presents an intelligent methodology for diagnosing incipient faults in rotating machinery. In this fault diagnosis system, wavelet neural network techniques are used in combination with a new evolutionary learning algorithm. This new evolutionary learning algorithm is based on a hybrid of the constriction factor approach for particle swarm optimization (PSO) technique and the gradient descent (GD) technique, and is thus called HGDPSO. The HGDPSO is developed in such a way that a constriction factor approach for particle swarm optimization (CFA for PSO) is applied as a based level search, which can give a good direction to the optimal global region, and a local search gradient descent (GD) algorithm is used as a fine tuning to determine the optimal solution at the final. The effectiveness of the HGDPSO based WNN is demonstrated through the classification of the fault signals in rotating machinery. The simulated results show its feasibility and validity.