基于SSWD优化LMD的高速电梯滚动导靴振动信号特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取高速电梯滚动导靴振动信号故障特征分量的模态混淆现象,提出一种基于自适应增强小波分解(SSWD)优化LMD的高速电梯滚动导靴振动信号特征提取方法。该方法构建低通滤波器、高通滤波器、小波基函数、尺度函数,利用小波分解(WD)的多分辨率滤波特性将原始信号分解为高频细节特征信号和低频近似信号;对高频细节特征信号进行信号增强、将增强后的高频细节特征信号与低频近似信号进行重构;采用LMD从重构信号中提取能够表征滚动导靴故障特征PF分量,求取PF分量的瞬时Teager能量波形进行对比分析。通过对实际工况信号处理、分析,实验结果表明,相比于SVD优化LMD方法,该方法完整地提取了滚动导靴振动信号的故障特征分量,避免了模态混淆现象出现。     

谐波窗方法及其在裂纹故障识别中的应用

分析了谐波小波的优点。在研究谐波小波的频段分解的基础上，提出了不分层分析的谐波窗方法。推导了谐波窗的频段分析表达式，并给出了实现过程。该方法显示了小波分析的窗口伸缩功能．但避免了在基于二进的小波变换过程中，由于隔点采样导致的信息丢失现象。利用该方法对3个数字信号进行分析，体现了该方法对近频信号和微弱瞬态信号的识别能力，也体现了该方法对淹没在强噪声中微弱周期信号的提取能力。利用该方法，对某汽车齿轮箱的裂纹故障产生的原因进行振动信号的频域识别，得到了满意结果。     

基于EMD的高压燃气管道泄漏信号欠定盲分离方法

为能将城市高压燃气管道泄漏产生的应力波信号中混有多种干扰振动及噪声的有效泄漏信号与多源混合振动信号分离,提出基于EMD的泄漏信号欠定盲分离方法。对传感器采集的混合信号进行经验模态分解;对各固有模态函数归一化峭度特征进行分析,选取含主要泄漏信息的固有模态函数进行重构;构造由重构信号及观测信号组成的矩阵,用扩展联合对角化算法实现信号分离,以解决欠定情况下的盲分离问题。实验结果表明该方法能较好实现有效泄漏信号的提取。     

谐波小波滤波在旋转机械信号分析中的应用

由于谐波小波具有良好的盒形频谱特性,应用谐波小波可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上去,特定频段的成分与信号的其它频率成分通过谐波小波分解被分离了,再进行重构就可将特定频段的成分提取出来,实现谐波小波滤波.     

基于振动信号的高压断路器合闸特性参数在线检测方法研究

机械特性参数是评价断路器动作性能的有效依据,传统测试方法不能在线测试,且传感器安装复杂。提出了一种利用振动信号提取断路器合闸过程中运动时间参数的方法。首先根据断路器弹簧操作机构的工作原理,分析了断路器在合闸运动过程中各个部件之间的冲击引发的对应的振动;然后对采集到的存在噪声的干扰振动信号采用变分模态分解对其进行分解,选择与原始信号波形变化相一致的分量进行重构;最后采用基于短时能熵比的双门限法实现了振动信号时域内关键时刻点的时间参数的检测,完成了断路器合闸过程中时间参数的提取。通过振动信号的理论提取的时间参数和传统的动触头行程曲线提取的时间参数进行对比分析,验证了所提方法的正确性。     

基于小波阈值去噪与EMD分解方法提取润扬大桥振动信息

在以润扬大桥为例的特大型桥梁动态振动监测中,数据量大且复杂,为了更好地滤除噪声获取真实振动信息,提出了一种小波去噪与EMD分解融合的方法。即先用小波方法对信号进行分解,再用改进的阈值函数进行滤波,目的主要是滤除白噪声;然后再对小波阈值去噪后的信号进行EMD分解,对分解后的信号进一步频谱滤波,最后进行信号重构。实例分析表明,该方法能够更有效地滤除噪声而提取大桥振动信息,是一种高效的去噪方法。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分。当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大。针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法。首先使用集成经验模态分解算法(EEMD)对信号进行预处理,选用峭度原则滤除信号中的无关分量和冗余分量,重构筛选后的固有模态分量(IMF)得到EEMD重构信号;在此基础上,针对柔性薄壁轴承振动信号特点进行MCKD算法进行参数优化,利用参数优化后的MCKD对EEMD重构信号进行提取。运用此方法对实测柔性薄壁轴承外圈故障振动信号进行特征提取,结果表明,准确提取到了清晰的故障特征频率。将提取效果与单一EEMD算法和MCKD算法进行对比分析,EEMD-MCKD算法提取效果更佳。     

双约束非负矩阵分解的复合故障信号分离方法

为了分离复合故障振动信号,提出了一种采用双约束非负矩阵分解算法的信号分离方法。首先对原始振动信号采用短时傅里叶变换,通过时频分布信息来描述信号的局部故障特征;其次在传统非负矩阵分解算法中引入β散度约束与行列式约束,构成双约束非负矩阵分解算法,利用双约束非负矩阵分解算法实现数据的降维,并从低维空间中分离出特征分量;然后通过特征分量重构出时域波形,同时提出加权峰值因子的影响参数筛选重构信号;最后将筛选出的分离信号进行包络频谱分析,提取故障特征。仿真及轴承复合故障实验结果表明:所提出的方法可以有效分离并提取出外圈与滚动体冲击性特征,实现了轴承的复合故障诊断。     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。     

一种基于ILCD融合与多重分形去趋势波动分析的退化特征提取方法

液压泵性能退化过程中,振动信号非线性强,导致退化特征提取困难、表征能力有限,为此,提出一种基于改良型局部特征尺度分解(ILCD)融合与多重分形去趋势波动分析(MF-DFA)的退化特征提取方法。在对信号进行ILCD分解的基础上,通过构建敏感因子从各内禀尺度分量(ISCs)筛选出包含关键故障信息的敏感分量,并依据融合规则实现多通道振动信号的融合处理,以改善重构信号中的特征信息;在此基础上,利用带有加窗分割的MF-DFA方法对融合信号作进一步处理,选取多重分形谱敏感参数作为液压泵性能退化特征向量;利用液压泵实测振动信号,验证了该方法的有效性。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于CEEMDAN与SVD的泄流结构振动信号降噪方法

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。     

基于CEEMDAN与SVD的泄流结构振动信号降噪方法EI北大核心CSCD

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。     

结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

高速列车表面压力测试信号的振动干扰分离研究

高速列车表面压力测试过程中,压阻式绝压传感器受列车振动冲击激扰,引起传感器输出干扰;同时,车体振动又会引起表面压力变化,导致有用信号与干扰信号难于准确分离。针对现有的经验模态分解(EMD)降噪过程中存在端点效应和模态混叠现象,提出了一种改进的集合经验模态分解(IEEMD),并利用仿真信号进行验证。模型车在单自由度方向振动激励下,运用IEEMD方法对车体表面压力信号进行经验模态分解,再计算各固有模态函数(IMFs)分量自相关函数与原始信号自相关函数的相关性系数,提取振动引起的压力。同时利用CFD计算模型车在同一激励下振动压力,从而分离出振动干扰,并建立振动与振动干扰的回归关系,为准确提取列车表面压力提供理论指导。     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于小波包能量谱的滚动轴承振动噪声检测方法

针对轴承振动与噪声源零件识别与检测问题，利用小波包分解的方法来分析轴承的振动噪声信号：根据待测轴承振动信号特点，确定小波包分解的小波函数及分解层数，得到了轴承振动信号在频域的信息；通过构造小波包能量谱来分析各个频段上振动信号的特征，根据各个小波包空间能量值的大小判断轴承振动的剧烈程度；通过小波包重构算法对轴承振动噪声贡献较大的小波包空间进行重构，得到具有较高信噪比的重构信号，便于进行频谱分析。结果表明，本文的检测方法可以较准确的识别出新出厂轴承中振动噪声的主要来源，对于后期实现轴承静音降噪具有重要意义。     

基于交叉证认的EMD小波滤波在大桥动态监测去噪中的应用

在大桥动态位移监测中,为了更好地滤除噪声,提出了一种改进的交叉证认EMD小波滤波方法。即先用EMD对信号进行分解,再用交叉证认方法自适应地算出噪声主导分量,最后用小波阈值对噪声主导分量进行滤波;其中阈值函数选取极为关键,给出了一种新的阈值函数计算方法;最后进行信号重构。实例分析表明,该方法能够更有效地滤除噪声,提取大桥振动信息,是一种高效的去噪方法。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。