基于经验模态分解的瞬时相位分析方法的应用

提出了基于经验模态分解的瞬时相位分析的新方法。通过对振动信号作经验模态分解得到信号的固有模态函数，再求出各个固有模态函数的Hilbert变换，得到信号的瞬时相位．通过瞬时相位的傅里叶分析就可提取信号特征。介绍了该方法的基本原理，并应用于齿轮箱轴承的故障诊断研究，通过选取表征轴承故障的固有模态函数进行瞬时相位和傅里叶分析，就可提取轴承故障振动信号的特征。通过对轴承故障实验信号的分析．表明该方法能有效地诊断轴承的故障。     

6205-2RS轴承内圈故障特征时频分析

分析6205-2RS轴承内圈故障时变信号,提取故障特征。通过对短时傅里叶变换与Wigner-Ville分布数值仿真实验比较,明确了短时傅里叶变换与Wigner-Ville分布的时频分析优缺点。针对非平稳轴承振动信号,利用短时傅里叶变换,结合Wigner-Ville分布进行了故障特征提取。通过提高短时傅里叶变换汉明窗点数,结合Wigner-Ville分布参数调整与轴承部件的旋转频率计算,给出了6205-2RS轴承内圈故障特征结果。该方法能较准确地诊断轴承内圈的故障现象。     

基于信源估计和频域反卷积的滚动轴承故障特征分离与辨识

针对轴承故障的振动特征由于受到强振源的抑制作用而增加了故障分离与辨识难度的问题,建立了基于信源估计和频域反卷积的故障诊断方法。利用小波包分解将信号分离成多个子带信号,并和奇异值分解相结合,解决欠定条件下的信号源数估计问题;根据估计的源数,选取相应维数的观测信号,通过短时傅里叶变换、复数域独立分量分析、相关排序、短时傅里叶逆变换,完成频域反卷积的分析过程,实现故障特征的分离与提取。仿真信号和实验数据均验证了该方法在故障特征分离与微弱特征辨识中的有效性。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

时延自相关和ITD相结合的故障诊断方法

根据自相关函数与本征时间尺度分解理论及各自优点,提出了时延自相关和本征时间尺度分解相结合的故障诊断方法。该方法首先利用振动信号的自相关函数进行降噪处理,然后对降噪后自相关信号进行本征时间尺度分解,得到若干个相互独立的固有旋转分量和一个趋势项之和,从这些分量中选取表征故障特征信息的固有旋转分量进行重构,在重构信号频域中提取出故障特征频率。工程实例结果表明,该方法能抑制噪声,有效地提取故障特征信息,从而准确判别故障类型,在旋转机械故障诊断领域将有广泛的应用前景。     

并联基追踪稀疏分解在齿轮箱弱故障诊断中的应用

为了提取齿轮箱振动信号淹没在强背景噪声中的早期微弱冲击故障信息,先利用不同长度的窗函数的短时傅里叶变换对信号进行稀疏分解,得出初始分解系数,再利用并联基追踪对处理得到的系数进行优化处理,最后对得到的系数进行重构,分别得到信号的持续振荡成分及故障冲击成分,进一步对故障冲击成分分析得出诊断结果。仿真信号分析及应用实例分析结果表明了算法的可行性及有效性,为强噪声环境下的机械故障信号提取提供了一种新的思路。     

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。     

基于S变换的热连轧机耦合振动特征提取

提出一种基于短时傅里叶变换的自适应频域滤波方法,将噪声信号与振动特征成功地分离。根据短时傅里叶变换和功率法设定的阀值,自动捕捉了振动信号在不同时间段的优势频率。对振动信号、压下液压缸压力信号和伺服阀给定信号做短时傅里叶变换后,热连轧机振动被诊断为液机耦合振动。利用离散小波变换和S变换相结合的方法对轧机振动信号进行分析,确定轧机起振的时间为液压压下系统的投入时间,证明了热连轧机存在液机耦合振动现象。     

应用Hilbert-Huang变换的齿轮磨损故障诊断研究

提出了一种基于H ilbert-Huang变换的齿轮磨损故障诊断的新方法。H ilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换应用于齿轮箱中齿轮磨损故障诊断的研究,通过选取表征齿轮磨损故障的IM F分量进行边际谱和能量谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明,H ilbert-Huang变换时频分析方法,能有效地诊断齿轮的磨损故障。     

基于时频分析的雨刮直流电机故障分析

分别采用短时傅里叶变换和小波变换对雨刮直流电机的轴承异响和蜗轮蜗杆异响故障的振动和噪声信号进行了分析,得出了这两类故障的时频特性,为特征参数提取和实现故障诊断提供了直接依据。通过对比,初步验证了短时傅里叶分析和小波分析的正确性与适用性,发现小波分析更具有优势。     

断铅笔芯声发射实验信号研究

针对断铅声发射实验信号应用广泛而又没有深入分析的现状,为了更深层次地揭示断铅声发射实验信号的特点,探究了不同分析方法下断铅声发射信号的差异。分别采用了经验模态分解和5层小波变换方法,将断铅声发射实验信号进行了分解重构,并对分解重构信号的时域和频域特征进行了剖析;经验模态分解采用相关系数法,得到了6个固有模态函数,对声发射信号进行了深入分析。研究结果表明:经验模态分解与小波变换能够将断铅信号的低频噪音信号分离出来,可准确提取铅芯断裂声发射特征信息;同时结合断铅声发射信号的短时傅里叶变换分析也发现了噪声分布在相近的频率范围内,进一步说明了经验模态分解与小波变换分离断铅信号中低频噪音信号的准确性。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

基于单子带信号重构改进算法的电机故障诊断

针对电机故障初期信号故障特征微弱,在单一的时域、频域分析中,常用小波变换进行电机故障诊断。本文提出小波单子带信号重构改进算法,利用快速傅里叶变换(FFT)和快速傅里叶逆变换(IFFT)对各子带信号处理,克服信号分解与重构时频率混叠问题,能够准确提取出故障信号。最后用Matlab软件仿真电机轴承外环存在缺陷时的初期故障信号,验证该方法的有效性。     

基于小波的液体火箭发动机故障分析

研究探讨小波变换在液体火箭发动机故障分析中的应用,提出利用小波变换的滤波特性对信号进行预处理,再根据信号特点及分析的需要对其进行短时傅里叶时频分析的方法.应用于某次液体火箭发动机故障试验信号的分析,实现信号特征分量从起动到稳态的跟踪分析,并对故障机理进行探讨.研究结果表明,在液体火箭发动机速变信号处理中,综合利用小波分析及短时傅里叶变换,能取得更好的时频分析效果.     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

基于共振解调和小波分析方法的轴承故障特征提取研究

首先研究了共振解调和小波分析的基础理论,并结合两者应用于对轴承外圈和滚子的故障特征提取。该方法先从振动信号频谱中判断系统固有高频成分的大致范围,然后利用小波分解取出固有高频信号成分,再利用Hilbert变换做包络检波,最后对包络信号进行傅里叶频谱分析得出故障信号特征频率。对实际轴承故障数据的分析表明,该方法能有效地提取轴承的外圈故障特征,有一定的应用价值。但该方法不能清晰地提取出滚子故障特征,探讨了其内在原因,并提出了可能改进的措施。     

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。     

基于ITD样本熵与PNN的自动机故障诊断

针对自动机振动信号短时、非平稳、高冲击的特性,本文提出一种运用固有时间尺度分解(ITD)样本熵和概率神经网络(PNN)进行故障诊断的方法。首先将ITD引入自动机的故障诊断中,通过对ITD分解得到前五层重构信号提取的时频特征来验证ITD方法的有效性,并对信号进行样本熵提取,把其作为特征向量分别用概率神经网络和BP神经网络对自动机进行故障模式识别。实验结果表明:概率神经网络相对于BP神经网络可以提高故障分类的正确率,从而验证了ITD样本熵与PNN的自动机故障诊断方法的优越性。     

分数阶全息的转子起停车故障特征提取方法

针对传统起停车过程分析采用短时傅里叶变换提取瞬时幅值和相位会损失瞬变信息的不足,提出了基于分数阶全息原理的转子起停车故障特征提取方法。该方法利用分数阶傅里叶变换从转子起停车振动数据中提取随转速变化的各倍频分量,并通过Hilbert变换求取幅值和相位,克服了傅里叶变换的平均效应,保留了转子振动的瞬变信息。通过结合全息谱理论绘制分数阶全息瀑布图,提取出转子起停车状态下的故障特征。实验结果表明,该方法能够有效提取出起停车过程中振动信号的典型故障特征,对于常见的典型故障有很好的区分能力。     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。