基于互相关算法的飞机导线故障诊断与定位系统设计

以飞机导线短路故障和断路故障为研究对象,目的在于寻求一种测试方法能够提高应用时域反射测量原理进行故障诊断与定位的精度;按照实际机场工程应用背景,设计了以便携式工控机为控制核心、以LabVIEW为驱动软件的飞机导线故障诊断与定位系统;根据信号传播特性,提出了基于互相关算法的故障定位方法,消除了系统误差的影响;计算机仿真和实物测试结果表明该系统具有测试过程方便、准确性高的优点,对提高民航机务维修质量具有促进作用。     

一种新颖的飞机电缆故障类型诊断方法

文章分析了传统飞机电缆故障诊断算法优缺点,结合希尔伯特-黄变换下的数据去噪处理,提出一种基于相位检测频域反射计的飞机电缆"硬性故障"(短路和断路)故障判断方法,通过分析短路、断路下参考入射信号和反射信号合成的信号相位、幅值差异,解决了相位检测频域反射计单纯应用在故障点距离判断的缺陷.实验结果表明,该算法能有效地判断出飞机电缆"硬性故障"(短路和断路)类型,应用电缆长度范围广、精度高、软件控制简单、运算量小,适用于飞机电缆等复杂检测环境下的电缆"硬性故障"类型判断.     

基于时域反射法的电力电缆网络故障诊断方法研究

针对维护大规模老化电力电缆网络这一关键挑战,通过详细描述电力电缆中的信号传输物理模型,提取反射信号和透射信号中的故障特征,研究基于时域反射法的电力电缆网络故障诊断方法,实现电缆网络故障的快速辨识与定位;以最小单元Y型电缆网络为研究对象并建立其物理模型,利用分布式检测时测点之间的反射信号及透射信号所反映出的信号传播路径和阻抗不匹配信息,开展多源信息融合的电缆网络故障诊断方法研究;在Matlab/Simulink软件环境中搭建Y型电缆网络的故障仿真模型,通过设计不同主干、分支线路故障的仿真实验,验证了方法的有效性和适用范围,测量得到的故障距离相对误差限定在1%内。     

线缆故障检测方法现状

为了满足设备线缆维修快速性和准确性的需求,减少设备资源和人力的浪费,分析了线缆的故障模式,总结了目前常用的线缆故障检测方法,主要分为传统的故障检测方法和基于反射法的故障检测方法,其中传统的故障检测方法包括电桥法、音频感应法和行波法,基于反射法的故障检测基本方法包括时域反射法和频域反射法,详细描述了传统的故障检测方法、基于反射法的故障检测方法的原理和这些方法在线缆检测过程中存在的问题,并总结了目前基于时域反射法和频域反射法与其他的信号处理方法结合的线缆故障检测,方便了设备线缆维修时的方法的选择。最后根据线缆故障检测方法的发展现状,总结了目前线缆故障检测技术存在的问题,为今后的研究提供了新的方向。     

基于SSTDR技术的战机电缆隐性故障检测仿真分析

飞机尤其是战机电缆故障会造成重大事故和财产损失,实际飞机制造、维护和修理中电缆隐性故障的发现和排除是一项重要而又困难的工作。首先对国内外电缆隐性故障检测技术进行综合分析论述。断路故障和短路故障是航空电缆中最为常见的故障类型,但由于战机线缆多段、多接头的特性使得检测信号会发生衰减和扰动变形,传统的信号时域反射(TDR)方法对电缆的故障定位存在误差。针对航空电缆中断路和短路这两种故障类型提出了扩展频谱时域反射的方法(SSTDR),该方法利用检测信号反射的延迟特性来定位系统中故障点,从而有效避免测试信号衰变对故障定位的影响。最后使用仿真技术对不同损伤状态进行仿真分析,形成理论结果,供相关技术人员学习参考。     

基于声信号小波包分析的故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取 故障特征频率的麻烦,提出了一种基于内燃机工作声信号小波包图像处理的方法.通过该方法, 可以得到含有内燃机主轴承间隙磨损状态的时频信息，定义出各个标准故障状态的时-频分布 图,建立了基于图像匹配技术的内燃机主轴承磨损故障诊断模型.通过比较待诊断时频分布图 与所有故障模式时频分布图的欧氏距离,可以判断出轴承的间隙磨损状态.结果表明此方法简 单有效、状态信息利用充分．     

面向电缆故障检测的布尔混沌时域反射法

针对基于混沌随机信号相关法的电缆故障检测方法存在的成本高、易引起误判的问题,提出了一种面向电缆故障检测的布尔混沌时域反射法。该方法将布尔电路产生的混沌信号分为2路:一路作为参考信号,另一路作为探测信号注入被测电缆;通过对参考信号和电缆故障点处的反射信号进行采样和相关运算,即可从相关峰的时间延迟和幅值信息中推断出故障点的位置和故障类型。电缆故障测试结果表明,布尔混沌时域反射法可以对电缆的短路、断路和阻抗失配等故障进行检测,且测量范围和空间分辨率分别可达到900m和0.1m。     

天然气压气机械设备故障信号时频分析特征提纯

天然气压气站压气机械设备工作环境恶劣,故障多发,而机械设备的故障状态下的振动噪声信号是研究机械设备故障诊断的有效载体。为有效进行故障诊断,需要对机械设备的故障信号进行提纯分析和特征提取等研究。提出基于时频分析技术的WVD和Hough变换结合的方法对低信噪比的故障信号进行提纯算法。首先分析了非平稳信号处理技术的基本原理,对原始信号的滤波和检测、频谱分析等处理,分析了时频分析特性和对应的条件,提出采用时间均值、频率均值、时间散布和频率散布四个特征值作为时频分析的特征提取量。仿真实验以某天然气压气站某型压缩机故障振动下采集信号样本为研究对象,进行提纯滤波和特征提取仿真,仿真实验得到降噪滤波和WVD及Hough变换算法下的检测结果,表明在强干扰背景SNR为-8dB下,有卓越的滤波降噪和检测性能,特征提纯检测性能相比传统算法提高18％以上。为天然气压缩机故障诊断奠定了可靠的理论基础。     

一种新的网络故障诊断方法--FTFD

通过对网络状态和故障指标进行形式化分析,提出一种基于模糊事件的故障检测方法（FTFD）,该方法通过建立状态检测函数,能将比较复杂、模糊性强的网络故障问题用精确的数学转换方法来解决,从而获得比较精确的结果．应用FTFD诊断网络故障不仅能有效降低漏报率和误报率,而且使实时故障诊断成为可能．原型系统证实了该方法的可行性,获得了在实时环境中网络故障诊断的技术效果．     

利用小波分析检测航空发动机传感器故障

该文比较了傅立叶变换与小波分析的基本理论并研究了它们在航空发动机传感器故障检测应用中的特点,提出了一种基于小波变换的故障检测方法.该方法针对噪声和故障信号均具有呈现非平稳瞬态特性的特点,利用小波多分辨分析将量测信号分解到不同的频率通道中去,因此它就可以在一定的频率区间内,将故障信号成分和正常信号输出成分区分开来,提高传感器故障检测的准确度.仿真结果表明,该方法借助小波变换强大的时频分析能力,可以准确判定传感器软、硬故障,有效降低误报率和漏报率,具有良好的应用价值.     

基于图卷积网络的迁移学习轴承服役故障诊断

深度学习方法被广泛应用于轴承故障诊断,但在实际工程应用中,轴承服役期间的真实服役故障数据不易收集,缺乏数据标签,难以进行充分的训练。针对轴承服役故障诊断困难的问题,提出了一种基于图卷积网络（GCN）的迁移学习轴承服役故障诊断模型。该模型从数据充足的人工模拟损伤故障数据中学习故障知识,并迁移到真实的服役故障上,以提高服役故障的诊断准确率。具体来说,通过将人工模拟损伤故障数据和服役故障数据的原始振动信号由小波变换转换为同时具有时间和频率信息的时频图,并将得到的时频图输入到图卷积层中进行学习,从而有效地提取源域和目标域的故障特征表示;然后计算源域和目标域的数据分布之间的Wasserstein距离来度量两个数据分布之间的差异,通过最小化数据分布差异,构建了一个能诊断轴承服役故障的故障诊断模型。在不同的轴承故障数据集和不同工作条件下设计了多种不同的任务进行实验,实验结果表明,该模型具有诊断轴承服役故障的能力,同时也能从一个工作条件迁移到另一工作条件,在不同组件类型和不同工作条件之间进行故障诊断。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

基于声源时延估计的欠定盲分离方法

提出一种基于声源时延估计的二元时频掩蔽方法.通过三个接收信号实现多于多个语音源信号的欠定盲分离.利用语音信号的W-分离正交性,在时频域估计各个源信号到达接收阵列的相对时延序列;进而基于信号时延序列的估计,采用最大似然算法将时频域划分为与源信号个数相同的互不重叠的时频点集合,每个集合(近似)只包含一个源信号的所有时频分量;再通过二元时频掩蔽依次恢复出各集合所对应的源信号.该方法性能通过主观试听得到了验证,其分段信噪比增益至少为13 dB.较之欠定解混迭估计技术DUET,本文方法得到的分离信号与实际声源信号的相异度降低约3 dB.     

Intelligent Sound-Based Early Fault Detection System for Vehicles

An intelligent sound-based early fault detection system has been proposed for vehicles using machine learning. The system is designed to detect faults in vehicles at an early stage by analyzing the sound emitted by the car. Early detection and correction of defects can improve the efficiency and life of the engine and other mechanical parts. The system uses a microphone to capture the sound emitted by the vehicle and a machine-learning algorithm to analyze the sound and detect faults. A possible fault is determined in the vehicle based on this processed sound. Binary classification is done at the first stage to differentiate between faulty and healthy cars. We collected noisy and normal sound samples of the car engine under normal and different abnormal conditions from multiple workshops and verified the data from experts. We used the time domain, frequency domain, and time-frequency domain features to detect the normal and abnormal conditions of the vehicle correctly. We used abnormal car data to classify it into fifteen other classical vehicle problems. We experimented with various signal processing techniques and presented the comparison results. In the detection and further problem classification, random forest showed the highest results of 97% and 92% with time-frequency features.     

弱时频正交性条件下的混合矩阵盲估计

针对语音信号的弱时频正交性,提出一种基于主分量分析的混合矩阵估计方法.在时频域中,允许每个时频点存在任意多个源信号,通过对每个时频点进行主分量分析,检测只有一个源信号存在的时频点,此类时频点最大特征值对应的特征向量即为混合向量的一个估计,因此对所有估计出的混合向量进行K均值聚类,将聚类中心作为混合矩阵的估计.实验仿真表明,提出的方法提高了混合矩阵的估计精度,特别适用于估计欠定情况下的混合矩阵.     

非平稳短时矢谱研究及其应用

大型旋转机械的故障在发生或发展时,其运行过程具有明显非平稳特性的瞬态过程。通常的针对单通道信息的时频分析不能准确提取瞬态过程的特征信息。论文结合矢谱分析和短时傅立叶变换（STFT）技术提出了短时矢谱（STVS）分析方法。它融合了转子同截面两通道图谱中各自存在的振动分量,能准确地反映转子发生故障时的瞬态过程特征量变化。工程实践应用表明：短时矢谱分析对于旋转机械故障诊断是一种新的、较为实用的信息融合方法。     

α稳定分布下信号的维格纳分布分析方法

研究分数低阶α稳定分布(FLOA)噪声下的信号仅从频域分析是不够的,需要考虑时—频域的二维信息。从现有的时—频分析方法发现,该方法是假设信号的背景噪声服从高斯分布,对FLOA这类非高斯分布噪声下信号的时—频分析性能退化严重。针对这一问题,在基于频域的FLOA分析理论上,将频域推广到时—频域的维格纳分布(WVD),提出了分数低阶WVD分析方法。计算机仿真测试结果表明,该新的WVD分析方法能在时—频域有效分析出FLOA的时—频分布特征,成功地使FLOA分析方法从频域拓展到时—频域。     

连续小波变换在传感器故障诊断中的应用

小波变换在信号分析与处理中有良好的局部性质.主要研究基于连续小波变换极值点的方法在传感器故障诊断中的应用.对输入信号输出信号进行连续小波变换,利用该变换求出输入输出信号的奇异值,然后去除由于输入突变所引起的极值点,则其余的极值点对应于传感器的故障.在MATLAB平台下,仿真结果表明,该故障诊断方法可以有效地进行故障检测和定位.     

基于时频分布与MFCC的说话人识别

针对MFCC不能得到高效的说话人识别性能的问题,提出了将时频特征与MFCC相结合的说话人特征提取方法。首先得到语音信号的时频分布,然后将时频域转换到频域再提取MFCC+MFCC作为特征参数,最后通过支持向量机来进行说话人识别研究。仿真实验比较了MFCC、MFCC+MFCC分别作为特征参数时语音信号与各种时频分布的识别性能,结果表明基于CWD分布的MFCC和MFCC的识别率可提高到95.7%。