压缩感知在滚动轴承振动信号降噪中的应用

针对滚动轴承振动信号降噪的问题,研究压缩感知在滚动轴承信号降噪中的应用。分析滚动轴承振动信号的DCT变换系数值分布的特点,提出能够自适应信号类型的重构停止阈值计算方法,使用OMP进行信号重构的同时实现降噪。与传统小波阈值降噪方法进行实验对比分析,结果表明:使用的方法在降噪效果上与小波双曲阈值方法接近,优于小波软阈值方法,且处理的数据量远小于小波方法。     

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法。首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征提取模型;最后,将提取到的特征输入到SVM多分类器中完成对滚动轴承的智能故障诊断。QPZZ-Ⅱ旋转机械故障模拟试验平台所得故障信号的处理结果表明,该方法的平均故障诊断率达到了99.9%,相对于其他方法具备更快的收敛速度,更好的诊断效果,以及更强的鲁棒性。另外,采用美国西储大学轴承数据中心10种轴承故障信号进行分析,结果证明了该方法在面对不同类型轴承以及多种故障信号时具备良好的诊断性能,有一定的普适性。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再利用经验模式分解法提取降噪后振动信号的基本模式分量,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

自适应二代小波变换在振动信号降噪中的应用

小波分析技术已成功应用于振动信号的降噪处理。第二代小波变换是一种比Mallat算法更为有效的算法。文中介绍第二代小波变换的基本理论和特点,提出基于二代小波的线性适应性信号分解算法和尺度适应性信号分解算法,并将其应用于对含噪的齿轮箱振动信号进行降噪处理。结果证明,与其他降噪方法相比,使用线性适应性二代小波降噪后的信号具有最佳的信噪比和最低的重构误差。     

基于EEMD分解和改进小波阈值降噪的齿轮故障诊断

针对齿轮箱振动信号易受噪声影响以及齿轮箱振动信号比较复杂的特点,提出基于EEMD分解和改进小波阈值降噪的齿轮故障诊断方法。首先对经过EEMD分解的IMF分量中的高频分量进行改进小波阈值降噪处理,重构信号后得到降噪信号。实验结果表明应用该方法可以较为准确地识别齿轮故障。     

基于小波包分解与主流形识别的非线性降噪

为解决工程实际中强噪声、非线性且频率成分复杂的振动信号降噪问题,提出了基于小波包分解和主流形识别的非线性降噪方法。采用小波包分解将原始振动信号正交无遗漏地分解到各频带范围内,根据各子频带中信噪空间分布,分别采用相应参数对小波包分解系数进行相空间重构;采用局部切空间排列(local tangent space alignment,LTSA)主流形识别方法在高维相空间中实现信号与噪音的分离,并重构出降噪后的一维小波包分解系数,最后进行小波包分解重构得到降噪后的振动信号。通过仿真实验和实例应用对本文所提方法的有效性进行了验证,试验结果表明本文方法具有良好的非线性降噪能力。     

一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

小波降噪技术在柴油机故障诊断中的应用

在柴油机的故障诊断中,对其振动信号的分析是柴油机故障诊断的重要手段,但是由于噪声的干扰而使诊断的精度大打折扣,而传统的傅里叶低通滤波降噪方法对于柴油机这样的非平衡复杂振动信号不能起到好的降噪作用。本文采用小波降噪技术,将柴油机缸盖振动信号进行小波多尺度分解,然后分别进行阈值处理,最后进行小波重构,剔除柴油机的噪声信号,提高信号的信噪比,获得了比较理想的效果。     

奇异值能量标准谱在机械振动信号降噪中的应用研究

针对机械设备振动信号的宽频带、非线性和非平稳特性,提出了一种基于奇异值能量标准谱的自适应降噪方法。首先利用平均最近邻域发散度判定法计算嵌入维数并对信号进行相空间重构,然后对相空间重构矩阵进行奇异值分解,最后提出奇异值能量标准谱概念,根据能量标准谱拐点位置自适应地确定奇异值的重构阶数以重构有用分量,从而实现信号降噪。数值仿真和柴油机缸盖振动信号分析结果表明,本方法能够有效消除信号中的噪声并保留原信号的特征,提高信噪比。     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法.首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息.结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断.     

粒子滤波在轴承故障振动信号降噪中的应用

针对滚动轴承振动信号容易受到较为复杂的随机噪声的污染,提出了基于Rao-blackwellised粒子滤波的振动信号降噪方法。建立了不含噪的振动信号的时变自回归模型,进而转化成对应的状态空间模型,把降噪问题转化成在状态空间模型下的滤波问题,并用仿真信号进行了试验研究,结果表明,该方法具有较好的降噪效果。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于分层分块堆叠状态相关降噪自编码器的流程工业过程运行状态评价

本文针对不同运行状态数据差异度小、数据易受强噪声干扰而且具有多工序的流程工业过程，提出了一种基于分层分块堆叠状态相关降噪自编码器(HMSPDAE)的过程运行状态评价方法。首先，根据工艺特性对全流程进行层次结构划分。然后，提出一种堆叠状态相关降噪自编码器模型，用于提取各个子工序及全流程过程数据中与运行状态密切相关的深层特征，进而建立基于HMSPDAE的全流程评价模型。所提方法可以有效降低模型复杂度、增强模型的可解释性。最后，以湿法冶金过程为背景进行仿真验证，结果表明HMSPDAE在两个不同实验中的评价准确率分别达到99.5%和99.38%,均优于其他方法，验证了所提方法的有效性和优越性。     

基于HFHA LCD的液压泵振动信号降噪方法研究

针对局部特征尺度分解LCD(Local Characteristic Scale Decomposition)降噪方法处理非平稳机械振动信号存在的缺点,提出一种基于高频谐波加入 局部特征尺度分解HFHA LCD(High Frequency Harmonic Added Local Characteristic Scale Decomposition)的方法来自适应实现液压泵非平稳振动信号降噪。该方法首先向原信号中加入高频谐波,然后对混合信号进行LCD分解,再以各内禀尺度分量ISC（Intrinsic Scale Component）与原信号的相关系数为准则选取有用ISC分量,最后以有用ISC分量重构原信号,达到降噪目的。仿真信号分析结果表明,HFHA LCD较LCD可以有效抑制模态混叠现象,提高分解精度,HFHA LCD降噪方法的效果也明显优于LCD降噪方法,基于HFHA LCD的液压泵振动信号降噪结果验证了该方法的有效性。