应用最优重分配小波尺度谱的小波脊线提取

针对基于小波尺度谱的模极大值法提取小波脊线存在受噪声干扰影响大、高频部分频率分辨率低等缺点,提出一种基于最优重分配小波尺度谱的小波脊线提取方法。首先,优化M orlet母小波使其与信号特征成分实现最佳匹配,再对小波尺度谱进行重分配,提高尺度谱的时频聚集性;然后,对重分配尺度谱进行信号奇异值分解降噪,降低噪声干扰影响;最后,利用模极大值法提取出小波脊线,根据小波脊线与频率的关系得到信号的瞬时频率。仿真算例和实际工程应用结果表明,该方法能有效提取出强噪背景下的机械故障特征。     

基于改进同步挤压小波变换识别信号瞬时频率

提出了改进同步挤压小波变换。首先,采用解析模态分解定理将非平稳响应信号分解为多个单分量信号;其次,通过频率转换将分解后的单分量信号从低频区域转换到高频区域以提高时间分辨率;然后,对频率重点关注区域的时频代表值进行局部挤压,提高时频曲线的频率精度;最后,通过两个数值算例和一个拉索试验验证了改进同步挤压小波变换方法的有效性和准确性。研究结果表明,改进同步挤压小波变换能够提高信号在特定区域内的瞬时频率识别精度,是一种可行的时变结构参数识别方法。     

压气机信号分析的小波脊线方法和软件实现

根据Carmona的多脊线识别理论,连续小波变换时频平面上模极大值线所在位置就是脊线位置,其小波系数与时域信号之间存在简单的对应关系,利用Crazy Climber算法提取小波变换系数的脊,就可以重构时域信号.将该方法用于航空发动机压气机的失速信号分析,并做成了软件,有较高的应用价值.     

基于改进同步提取GST的结构瞬时频率识别

为了提高结构振动响应信号时频分析及瞬时参数识别的精度,对广义S变换（generalized S?transform,简称GST）进行改进,结合同步提取算法,提出了一种新形式的同步提取广义S变换。利用单自由度Duffing非线性系统和两层剪切框架结构模型的数值算例验证了该方法的正确性。设计时变拉索试验,分别采集结构在线性和正弦拉力变化下的加速度响应信号,利用改进同步提取广义S变换对信号进行瞬时频率识别,进一步验证了该方法的准确性。数值模拟和试验结果表明,该方法能有效识别非线性结构和时变结构的瞬时频率,具有较好的稳定性。     

基于小波脊线的多分量信号瞬时参数估计及应用

通过分析小波脊线与信号瞬时幅值和瞬时频率的关系,提出一种基于能量重心脊点定位策略的脊线跟踪提取算法实现多分量信号瞬时参数估计。针对小波脊线提取中定中心频率参数优化方法优化复Morlet小波参数存在的局限性问题,提出中心频率自适应参数优化方法优化复Morlet小波参数并计算归一化小波尺度谱,根据能量重心脊点定位策略定位小波脊点,配合局部方向估计算法实现小波脊线迭代跟踪提取,进而估计信号瞬时参数。仿真分析表明该算法具有良好的抗噪特性,齿轮箱和滚动轴承的故障诊断工程实例结果表明该方法可有效提取旋转机械故障振动信号的特征。     

基于小波脊线的解调方法及其在旋转机械故障诊断中的应用

通过分析小波脊线与信号瞬时频率和瞬时幅值的关系,提出一种利用小波脊线进行旋转机械故障特征提取的新方法.针对小波脊线迭代提取算法中存在的迭代发散问题,提出一种在发散点处自适应改变迭代阈值的改进脊算法;通过仿真分析表明了该算法具有较好的抗噪特性,进而研究其在提取多分量信号小波脊线中的特性;将该方法应用于齿轮箱和滚动轴承的故障诊断中,结果表明,基于小波脊线的解调方法能有效地提取旋转机械故障振动信号的特征.     

基于迭代广义同步压缩变换的时变工况行星齿轮箱故障诊断

同步压缩变换在分析频率恒定的单分量信号时改善时频可读性的效果显著,而在分析多分量频率时变信号时存在时频模糊现象,为了解决这一问题,提出迭代广义同步压缩变换方法。通过迭代广义解调分离出各单分量成分,并将时变频率变换为恒定频率。应用同步压缩变换精确估计瞬时频率和时频分布幅值。将各单分量的时频分布叠加获得信号的时频分布。该方法有效改善了同步压缩变换在分析频率时变信号时的时频可读性,并且将其推广应用于多分量信号。应用该方法有效识别了时变工况下行星齿轮箱振动信号的频率组成及其时变特征,准确诊断了齿轮故障。     

基于VMD和广义Morse小波的结构瞬时频率识别

提出了基于变分模态分解和广义Morse小波相结合的时变结构瞬时频率识别方法。首先,针对噪音干扰问题,提出了快速阈值迭代算法,通过将信号转换到小波域,利用信号稀疏特性进行降噪;然后,提出了基于变分模态分解和广义Morse小波的时变参数识别理论,采用数值算例验证了提出方法的有效性和精度;最后,设计了一个具有时变特性的移动小车试验,进行模态试验对结构有限元模型进行校正。采集小车通过主梁时的应变和加速度响应,由应变数据估算小车不同时刻在梁上的位置,对加速度响应数据进行分析识别结构的瞬时频率,与有限元计算的结果进行对比分析。结果表明,提出的方法可以有效准确地识别时变结构瞬时频率。     

基于瞬时参数估计的信号分量提取

具有非线性时频关系的多分量信号频谱占有较宽的频带且相互交叠,针对此类信号分量提取难的问题,提出了一种基于瞬时参数估计的信号分量提取算法.首先,采用FMm let变换将被分析信号在时频空间内展开;然后,根据时频面内能量峰脊与瞬时频率的对应关系,应用谱峰检测法估计出所需提取分量的瞬时频率;按照最小二乘法滤波原理估计该分量的瞬时幅值,继而按照信号瞬时模型恢复重构出对应的信号分量.理论分析和仿真试验表明,该方法能从时频相交或不相交的多分量复杂时变信号中提取出所需信号分量,且失真度小.     

基于多尺度线调频基稀疏信号分解的时变系统模态参数识别

在多尺度线调频基稀疏信号分解的基础上,提出一种时变系统的模态参数识别方法。该方法先采用多尺度线调频基稀疏信号分解方法对多自由度线性时变振动系统响应信号进行分解,将其分解成多个单模态振动响应信号并得到单模态振动响应信号的瞬时频率;再根据单模态振动响应信号的包络和瞬时频率识别系统的模态频率与模态阻尼比。多自由度线性时变振动系统模态参数的识别算例表明,与经验模态分解等时频分析方法比较,该方法能有效克服系统振动响应信号分解时的模态混淆问题,识别精度高,抗噪性能好,是一种有较大工程应用前景的多自由度线性时变振动系统模态参数识别方法。     

一种脊线提取方法在轴承故障诊断中的应用

针对Crazy Climber算法脊线识别能力低、提取脊线与实际脊线有差距等问题,通过对该算法中Climber的移动规则和局部最优峰值提取方法进行改进,提出了一种改进的Crazy Climber算法。首先对时域信号进行短时傅里叶变换获取时频矩阵,再用改进的Crazy Climber算法对时频矩阵进行脊线提取,最终获得可以反映频率随时间变化的时频脊线。仿真信号分析结果证明了该算法优于原始的Crazy Climber算法。将该算法用于轴承的故障诊断中,可准确提取故障阶次。     

一种改进的基于小波变换的包络提取算法研究

结合“模极大值小波域去噪”原理，提出了一种基于小波变换和希尔伯特变换的包络提取算法。首先用小波变换作为包络分析的前置处理手段，再利用希尔伯特变换对处理后的信号进行包络提取。针对希尔伯特变换解包络的不足，采用模极大值小波域去噪算法对包络信号进行消噪，从而解决了一般算法难以解决的由于随机噪声的干扰造成的提取的包络轮廓信息粗糙的难题。实验结果表明，该方法可以精确提取信号的包络并通过包络细化谱分析全面获得信号所隐古的故障特征。     

基于频率成比例重分配线性Chirplet变换的时频分析方法

齿轮故障信号具有典型的调制特征，其各个频率分量的瞬时频率轨迹具有成比例特征；同时，传统的时频方法存在时频能量集中度低、弱分量信号被淹没的问题。为此，提出了一种频率成比例重分配线性Chirplet变换(PFSRLCT)的时频分析方法。首先，修改了线性Chirplet变换，利用新的核函数来匹配信号的瞬时频率轨迹，以获得时频域表示，利用脊线搜索方法提取了时频脊线；然后，利用时频脊线和狄拉克函数构造了同步重分配算子，对所得到的时频结果进行了重分配，进一步提高了时频能量集中度；最后，利用模拟信号验证了PFSRLCT方法的有效性，并将其与其他方法进行了比较；此外又将该方法应用于实际齿轮箱故障信号的诊断，从所得到的时频结果中可以清楚地分辨出啮合频率fm及其谐波和边频带，所诊断出的故障类型与预设故障类型符合，验证了该方法的适用性。研究结果表明：PFSRLCT在处理具有瞬时频率轨迹成比例特征的信号时，显示出了良好的性能，在信噪比为-2 dB～10 dB时，所得的频率估计误差均小于0.01,在信噪比为-1 dB时，所得Rényi熵仅为4.745 1,均明显小于其他方法，证明该方法的噪声鲁棒性相较于其他方法...     

基于时频脊线的瞬时频率特征提取

根据时频脊线所在的位置信息与信号瞬时频率的对应关系,提出根据时频脊线提取多成分瞬时频率的新方法。该方法是,先通过加窗处理对一维时间信号进行时域分段,对每个时段信号采用自适应核函数时频分析,再把每个时段上求得的时频分布拼接成信号整体时频谱;然后将时频分布图转换成直观的二维图像,进行平滑处理后采用二维Laplacian算子提取时频图像的脊线并作细化处理;采用Hough变换自动检测时频脊线的特征参数,特别对正弦调频信号和线性调频信号的时频脊线检测问题进行论述。仿真试验和齿轮故障诊断的工程实践证明了该方法的可行性和有效性。     

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。     

机车车辆运动稳定性动态检测的时变阻尼比方法

为了研究在途检测车辆运行的动态稳定性问题,在分析机车车辆动力学响应特点的基础上,基于响应信号的非平稳特征提出一种动态检测车辆运动稳定性的时变阻尼比的新方法。该方法的核心是对横向振动加速进行改进经验模式分解,得到信号的基本模式分量。分别对信号的基本模式分量进行归一化希尔伯特变换得到模式分量对应的瞬时频率和瞬时幅值,应用瞬时幅值和瞬时频率计算该模式下信号的时变阻尼比。由时变阻尼比的正负来判断车辆的运行稳定性,正的时变阻尼比表明车辆运行稳定,零或负时频阻尼比表明车辆运行失稳,负的时频阻尼比的绝对值大小表明了车辆失稳的严重程度。通过仿真算例和线路实测信号对该方法进行理论和试验验证,结果表明该方法能够从响应信号中准确、有效地捕捉系统稳定性的动态时变特征,为机车车辆运动稳定性的在途监测提供有效方法。     

基于Teager边界谱心音身份识别的特征提取算法

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制。该文提出通过双自适应提升小波对心音信号去噪处理和提取心音信号的Teager-Huang边界谱作为特征参数用于身份的识别。双自适应提升小波采用自适应更新和自适应预测构造小波函数,通过将传统的硬阈值和软阈值函数相结合,构造了一个改进的阈值函数进行心音信号去噪处理,表现出良好的去噪效果,并增强了信号的局部特征。Teager能量算子能对单分量IMF的幅值和频率进行解调,并以此追踪到信号的瞬时幅值和瞬时频率,而且基于EEMD和Teager-Huang变换的THT谱比HHT谱具有较高的时频分辨率,且计算量少,优于HHT谱。     

基于模极大值小波域的包络去噪算法研究

针对包络轮廓信息提取粗糙的难题,结合小波变换和希尔伯特变换原理,提出了一种基于模极大值小波域的包络去噪算法.仿真表明该算法提高了包络提取的精度,全面获得信号所隐含的故障特征.     

基于模极大值小波域的包络去噪算法研究

针对包络轮廓信息提取粗糙的难题,结合小波变换和希尔伯特变换原理,提出了一种基于模极大值小波域的包络去噪算法.仿真表明该算法提高了包络提取的精度,全面获得信号所隐含的故障特征.     

基于OSF的SET信号重构方法及故障诊断应用

同步提取变换(synchroextracting transform, 简称SET)通过提取短时傅里叶变换(short-time Fourier transform, 简称STFT)在瞬时频率位置的时频系数可获得较理想的时频谱,该方法提高了时频分辨率,减少了交叉项的影响,一定程度上抑制了噪声对STFT时频谱的干扰。针对在SET时频谱的基础上进行信号分量的重构与故障诊断拓展方面的应用,提出了一种基于顺序统计滤波器(order statistics filter, 简称OSF)的SET信号分量重构方法。首先,利用边际谱表征SET时频谱中信号的幅值在整个频率范围内随频率变化的情况;其次,采用顺序统计滤波器分割边际谱,将分割所得边界映射至SET时频谱后,利用SET逆变换重构信号分量;最后,利用峭度指标筛选包含丰富故障信息的分量并进行包络分析,提取故障特征。仿真信号及滚动轴承内圈故障信号的处理结果证明了该方法的有效性。