基于听觉分流机制的瞬态信号提取方法

以听觉分流机制为基础,提出一种瞬态信号自动提取方法。首先,对信号进行带通滤波和相位调整;其次,获得各滤波信号二次包络的极大、极小值及其对应时间,基于两种极值幅值和时间,计算得到同步性和瞬态性线索;最后,综合这两类线索信息,在时频平面中筛选出与瞬态成分相对应的时频段,并最终完成瞬态成分的波形生成与修整。通过数值仿真和实测信号检验,所提方法能够在较强的背景信号下有效提取出瞬态信号,对瞬态信号的初始时间具有较高的识别精度,具有一定的实际应用潜力。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

Feature extraction of kernel regress reconstruction for fault diagnosis based on self-organizing manifold learning

The feature space extracted from vibration signals with various faults is often nonlinear and of high dimension.Currently,nonlinear dimensionality reduction methods are available for extracting low-dimensional embeddings,such as manifold learning.However,these methods are all based on manual intervention,which have some shortages in stability,and suppressing the disturbance noise.To extract features automatically,a manifold learning method with self-organization mapping is introduced for the first time.Under the non-uniform sample distribution reconstructed by the phase space,the expectation maximization(EM) iteration algorithm is used to divide the local neighborhoods adaptively without manual intervention.After that,the local tangent space alignment(LTSA) algorithm is adopted to compress the high-dimensional phase space into a more truthful low-dimensional representation.Finally,the signal is reconstructed by the kernel regression.Several typical states include the Lorenz system,engine fault with piston pin defect,and bearing fault with outer-race defect are analyzed.Compared with the LTSA and continuous wavelet transform,the results show that the background noise can be fully restrained and the entire periodic repetition of impact components is well separated and identified.A new way to automatically and precisely extract the impulsive components from mechanical signals is proposed.     

听觉模型综述

总结和分析了听觉模型的发展历程以及研究听觉模型的重要意义,介绍了听觉模型的工作原理。着重论述了听觉模型在语音识别方面的重要技术和成果,并根据机械振动信号与语音信号相似的特点,认为在机械信号分析方面,听觉模型有很大的发挥空间。最后探讨了听觉模型的发展前景。     

波叠加法在机械噪声故障特征提取中的应用研究

声学故障诊断中,测量到的噪声信号是现场所有声信号的混合.为提取待诊设备噪声故障特征,建立机器系统的多声源宽带相关混合声场模型,使用波叠加法重建源表面为任意形状的空间声压场分布,计算出未知声源的数目与位置.提出的算法具有计算速度快、重建精度高,能够消除其他噪声源信号的干扰,从较小的信噪比的观测信号中分离待监测源信号的功率谱,有效提取机械噪声故障特征.实验结果验证模型与算法的可行性.     

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat, AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio, FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

基于小波及非线性预测的轴承故障诊断方法

在非线性时间序列预测研究的基础上,提出非线性预测效果的特征提取方法.首先对采集到的足够长轴承数据采用小波变换进行消噪处理及边界延拓,使其满足预测需要的无限长、无噪声的条件,这样延迟时间取任意值均能重构原系统相空间;然后采用基于可预测性的选取嵌入维数的方法确定轴承各种状态信号的嵌入维数,进行相空间重构.应用实验结果表明:该方法提取的特征值能明显地区分轴承各种状态信号,且对数据分段长度的稳定性好,可以作为识别轴承故障的一种新途径.     

基于听觉神经同步振荡网络的时频结构描述方法

人类听觉系统具有优良的非平稳信号分析能力,在听觉系统中,由耳蜗基底膜对信号进行类似于带通滤波的时频分解,并由内毛细胞、传入神经和听觉中枢的神经网络对时频分解结果逐步进行特征信息提取和压缩。鉴于此,参照Wang-Brown模型,建立一种可描述信号时频结构特征的听觉模型,该模型包括基底膜、内毛细胞、中级听觉和听觉中枢等子模型,听觉中枢模型由单层听神经振荡网络构成。略去Wang-Brown模型中随机项和侧抑制项,简化内毛细胞模型,设计听神经元的活跃准则和神经元间的联接方式。信号经基底膜、内毛细胞和中级听觉模型处理后,由听神经振荡网络进行信息综合,使得信号中时频结构相似的区域所对应的听神经元进行同步振荡,从而可利用同步振荡神经元的分布情况描述信号的时频结构。进行故障转子升降速试验和风力发电增速机稳速运行试验,试验所得信号的分析结果表明,所建模型能够有效描述信号的时频结构特征及其变化情况,对信号的瞬态变化较为敏感,且数据量相对较小,易于智能识别。     

基于POVMD和CAF的低转速齿轮箱故障诊断

针对低转速齿轮箱齿轮故障特征频率低、故障特征频率易被背景噪声淹没,使其难以准确提取的问题,提出了基于参数优化的变分模态分解(parameter optimization variational mode decomposition,简称POVMD)和循环自相关函数(cyclic autocorrelation function,简称CAF)结合的故障诊断方法。首先,通过POVMD对原始信号进行分解,选用余弦相似度度量选取敏感的本征模态函数(intrinsic mode function,简称IMF);其次,计算其循环自相关函数谱,获得包含调制特征的循环自相关函数谱切片;最后,使用Teager能量算子(Teager energy operator,简称TEO)算法对切片解调,提取故障特征频率。同时将本方法与相关方法进行了对比分析,特征频率提取效果更加显著,仿真信号和实验数据分析验证了该方法的有效性和可靠性。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.     

基于微分熵与RQA的电能质量扰动分析

基于非线性混沌和相空间重构理论,将电能质量扰动信号序列重构到高维相空间,进行递归图(RP)分析。采用微分熵法对电能质量信号进行相空间重构,避免分别求取嵌入维数和延迟时间的不一致性;引入递归定量分析(RQA)进行扰动的定量分析,克服传统特征提取方法对过程平稳的严格要求。利用能够表征信号发散程度的RQA参数-确定率(DET)和分层率(LAM)组成电能扰动信号识别的特征向量,根据不同电能质量扰动信号各自的分布情况,来区分不同的电能质量扰动信号。通过对6种电能质量扰动信号进行实验分析,结果表明:该方法不仅能够很直观地识别电能质量扰动信号,还能利用RQA的特征量对信号进行具体的定量分析,为电能质量扰动分析提供了高效、直观的方法。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

Weak fault feature extraction of rolling bearing under strong poisson noise and variable speed conditions

Fault feature extraction of the rolling bearing under strong background noise is always a difficult problem in bearing fault diagnosis. At present, most of the research focuses on weak signal extraction under Gaussian white noise and has certain practical significance. However, the noise in engineering is often complex and changeable, Gaussian white noise cannot fully simulate the actual strong background noise. Poisson white noise is a type of typical non-Gaussian noise, which widely exists in complex mechanical impact. It is of great significance to study the weak fault feature extraction of a faulty bearing under this type of noise. At the same time, variable speed conditions occupy most rotating machinery speed conditions. Non-stationary vibration signals make it difficult to extract fault features, and the frequency spectrum ambiguity will occur because of speed fluctuation. To solve the above problems, a method of weak feature extraction of a faulty bearing based on computed order analysis (COA) and adaptive stochastic resonance (SR) is proposed. Firstly, by numerical simulation, the non-stationary fault characteristic signal corrupted with strong Poisson noise is transformed into a stationary signal in the angle domain by COA. Secondly, the influence of the parameters of the pulse arrival rate and noise intensity of Poisson white noise on the optimal SR response in the angle domain are studied, and the influence of the parameters of Poisson white noise on the fault feature extraction is given. Then, adaptive SR method is used to extract and enhance fault feature information. Finally, the effectiveness of this method in weak fault characteristic signal extraction under strong Poisson noise is verified by experiments. Numerical simulation and experimental results verify the effectiveness of the proposed method in bearing fault diagnosis under strong Poisson noise and variable speed conditions.

     

AR模型和分形几何在设备状态监测中的应用研究

状态特征指标对机械的状态监测和故障诊断具有重要意义。本文提出应用机械设备工作状态下噪声信号自回归模型的关联维数来描述设备在不同工作状态下的特征,进而实现对状态的监测、识别和分类。文中通过实验证明,设备在相同工作状态下,噪声信号的AR模型参数具有相近的关联维数,在不相同状态下则有明显不同的关联维数。因此关联维数不仅可以作为状态监测与识别和分类的重要依据,而且可以作为其他特征提取方法的补充。此方法对设备状态监测准确率的提高具有明显的作用。     

基于几乎周期时变AR模型的故障早期预报

针对旋转机械振动信号具有循环平稳性的特点,提出一种基于几乎周期时变AR模型的故障早期预报方法,推导了基于循环统计量的辨识算法,其具有抑制加性平稳噪声的优点;并利用该模型对转子早期碰摩试验数据进行了分析,首先根据正常状态数据辨识模型参数,然后对故障状态时的残差信号进行峭度分析,结果表明该方法可以检测早期故障并预报未知故障。     

基于倒谱预白化和随机共振的轴承故障增强检测

轴承损伤引起的冲击受到离散频率分量和噪声干扰,使轴承故障检测面临困难。结合基于倒谱编辑(Cepstrum editing procedure, CEP)的信号预白化和随机共振(Stochastic resonance, SR)微弱信号检测技术,提出一种轴承故障增强检测的新方法。信号预白化能够提升轴承振动信号的冲击特性,产生包含白噪声和轴承局部故障信号的白化信号。在未知最优共振频带的情况下,对白化后的轴承振动信号进行包络分析,增强故障特征分量的同时引入了较多噪声。通过随机共振的归一化尺度变换,将轴承包络信号作为检测模型的输入,增强轴承故障特征频率分量。提出将轴承故障特征频率处的局部谱峭度和局部信噪比作为对照指标。实测正常和外环植入故障轴承的诊断结果表明,提出的方法优于基于谱峭度优化的包络分析和单纯的信号预白化方法。     

基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆,工作过程中会产生周期性的冲击信号,使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取,提出了一种基于多分辨奇异值分解（SVD）包和最小熵解卷积（MED）的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解,分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理,将处理后的信号与前4层的细节信号进行信号重构和频谱分析,得到故障特征频率,最后将得到的故障特征频率与理论计算值进行对比,判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比,该方法对柔性薄壁轴承的故障特征提取效果更好。     

参数调节随机共振在机械系统早期故障检测中的应用

随机共振是一种利用噪声使微弱信号增强传输的非线性现象,与线性方法相比能够检测更低信噪比的信号.为了准确捕捉表征机械早期故障的特征信号,在分析双稳系统参数及检测信号幅值对随机共振检测性能影响规律基础上,以输入信噪比为变量、信噪比增益为信号增强程度衡量指标,提出一种自适应调节系统参数的随机共振微弱信号检测新方法,讨论了该方法的基本原理及实现步骤.将该方法用于转子碰摩故障早期检测,结果表明该方法简单稳健、实时性好,在短数据条件下能把信噪比较低的周期信号从强背景噪声中可靠地提取出来.