基于Volterra级数的提升小波变换边界处理及应用

针对现有的提升小波变换容易产生边界振荡和频率混叠的不足,提出了一种将Volterra级数模型和抗混叠提升小波包相结合的信号处理方法.首先对信号两端进行数据延拓,用二阶Volterra级数预测模型对延拓信号进行预测;然后用抗混叠提升算法对信号进行小波包分解.对仿真信号进行边界处理后,信号在边界不会出现振荡现象;用抗混叠提升小波包对信号进行分解不会引起频率混叠现象.工程应用中,从强大的背景噪声中提取出了往复泵柱塞与缸套碰磨产生的微弱振动冲击信号,诊断出了密封盘根过度磨损的故障.     

Gearbox fault diagnosis using adaptive redundant Lifting Scheme

Vibration signals acquired from a gearbox usually are complex, and it is difficult to detect the symptoms of an inherent fault in a gearbox. In this paper, an adaptive redundant lifting scheme for the fault diagnosis of gearboxes is developed. It adopts data-based optimisation algorithm to lock on to the dominant structure of the signal, and well reveal the transient components of the vibration signal in time domain. Both lifting scheme and adaptive redundant lifting scheme are applied to analyse the experimental signal from a gearbox with wear fault and the practical vibration signal from a large air compressor. The results confirm that adaptive redundant lifting scheme is quite effective in extracting impulse and modulation feature components from the complex background.     

基于提升模式的非抽样小波变换及其在故障诊断中的应用

由于传统离散小波变换在分解信号时采用抽样操作，使原始信号的部分时域特征不能保留在分解结果中；另外，分解结果的平移可变，使得分解结果不能完美地描述故障的时域特征。为了克服上述缺陷，根据非抽样小波变换的原理，提出一种基于提升模式的非抽样小波变换框架。首先，通过信号变换方法去除提升小波变换的剖分环节，得到提升模式下的非抽样小波变换框架；在此基础上，建立提升模式下非抽样小波变换与抽样小波变换的预测器和更新器之间的转换关系，提出非抽样提升小波变换的分解和重构算法。采用这种非抽样小波变换从齿轮箱的振动信号中有效提取幅值调制和瞬态冲击的摩擦故障特征。     

AN ANTI-ALIASING ALGORITHM FOR DISCRETE WAVELET TRANSFORM

Causes of aliasing that inheres in the fast algorithm, the so-called Mallat algorithm, of discrete wavelet transform (DWT) are explained in detail. Also, an anti-aliasing algorithm for DWT is presented. Both the canonical and the presented algorithm are applied to analyse a typical simulated signal and a vibration signal measured from a defective ball bearing. It is shown that the presented algorithm is quite effective for avoiding aliasing and for extracting impact feature from a complex background.     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

Wavelet design for extracting weak fault feature based on lifting scheme

Weak fault features of mechanical signals are usually immersed in noisy signals. A new wavelet method based on lifting scheme to match weak fault characteristics is proposed. In this method, an initial set of finite biorthogonal filters is modified by a lifting and dual lifting procedure alternately, and different lifting operators and dual lifting operators are obtained. The properties of the initial wavelet is improved, and the new wavelet with particular properties is designed. Simulation and engineering results confirm that the proposed method is better than other wavelet methods for extracting weak fault feature. Modulus maxima of the detail signal in every operation cycle are extracted, the position and time that weak signal singularity occurs are clearly found, and slight rub-impact fault caused by axis misalignment and rotor imbalance of a heavy oil catalytic cracking set are desirably extracted. extracted. __________ Translated from Journal of Xi’an Jiaotong University, 2005, 39(5) (in Chinese)     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于改进全息希尔伯特谱分析的旋转机械故障诊断方法

时频分析方法能够有效同时提取故障设备振动信号的时间和频率信息,但在全面反映非线性振动信号幅值调制与频率调制特征之间的跨尺度耦合关系方面仍存在局限,且容易受到噪声干扰。对此,创新性地将全息希尔伯特谱分析(Holo-Hilbert spectral analysis,HHSA)方法引入到机械故障诊断中。HHSA通过双层经验模态分解(EMD)结构可完整地描述振动信号的内部调制特性,非常适合机械局部故障的检测。同时,为了进一步提升HHSA的诊断精度、抑制EMD模态混叠和噪声干扰,提出一种基于改进再生相移正弦辅助经验模式分解(Improved regenerated phase-shifted sinusoid-assisted EMD,IRPSEMD)的改进HHSA方法(IHHSA)。通过仿真信号验证IHHSA方法用于局部故障检测和诊断的有效性。最后,将IHHSA应用于齿轮裂纹故障和滚动轴承局部故障诊断中,结果表明,提出的IHHSA方法能够更全面地反映和呈现非线性故障振动信号的内部调制关系,且具有更好的故障识别能力。     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

过完备有理小波变换在轴承故障诊断中的应用

利用过完备有理离散小波变换的滤波器特性和近似平移不变性,提出了一种按一定规则对3路高频小波分量进行拼接,以获得具有更高时间分辨率小波分量信号的方法.仿真结果表明,该方法消除了小波分解中下采样对信号分析的影响,较好地克服了频率混叠现象.在此基础上,提出了一种基于过完备有理离散小波变换的故障诊断方法,并将其应用于滚动轴承早期故障诊断.与二进离散小波变换的比较试验结果表明,有理离散小波变换能更有效地提取出滚动轴承的早期故障特征.     

基于相空间重构和K-L变换的压缩机故障诊断

为有效利用往复式天然气压缩机故障工作状态下振动系统的非线性特征,采用了一种集相空间重构技术K-L变换为一体的特征提取和特征压缩方案,并成功应用于对某型压缩机的故障诊断。用相空间重构提取了高维的征取量,为了降低特征维数,引入K-L变换进行特征压缩。通过对3类典型故障类别一定样本数量的振动数据进行仿真,仿真结果表明该方法提取的特征量,具有很好的聚类性,能很好地把3类故障区分,达到对故障诊断的目的。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

VMD多尺度熵用于高速列车横向减振器故障诊断

针对高速列车横向减振器故障振动信号具有非线性和非平稳特征、特征信号提取相对困难问题,提出了变分模态分解和多尺度熵结合的特征提取方法。原始信号经变分模态分解方法处理后,被分解为若干本征模态,利用互信息指标筛选有效模态,求多尺度熵组成特征向量,通过特征评价方法去除冗余特征,最终将最优特征子集输入支持向量机识别横向减振器的故障类型。实验结果表明,该方法能有效提取振动信号的特征,实现横向减振器故障的有效判别,验证了该方法在高速列车横向减振器故障诊断的可行性。     

基于MSD-ICA-EA的轴承故障诊断方法

轴承故障诊断时,传感器采集的故障声音信号一般含有多个故障源,且源信号之间统计相关,应用传统的独立分量分析受到限制,本文应用多分辨率子带分解的独立分量分析方法(MSD-ICA),针对小波变换快速独立分量分析分离出的高频子带信号常呈现调制特性,提出进一步结合包络分析(EA)方法分析该子带信号,来判定故障的类型与部位.试验表明,多分辨率子带分解的独立分量分析结合包络分析的分析方法能有效地解决该类问题.     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。