共查询到20条相似文献,搜索用时 109 毫秒
1.
2.
3.
针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。 相似文献
4.
针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增
强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为
一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比
信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提
取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟
试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表
明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。 相似文献
5.
局部均值分解(LMD)是一种自适应时频分析方法,并在轴承的故障诊断中成功应用,但是受噪声的影响比较大。为了最大程度地降低噪声的干扰,提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号,然后利用主分量分析提取主要成分实现降噪,最后把降噪之后的信号进行LMD分解,分解成若干个乘积函数(PF)之和,对能量最高的PF1进行包络谱分析,提取出故障特征信息。通过仿真试验和轴承故障试验,结果表明该方法能够有效地提取出信号的故障特征,证明了该方法的有效性。 相似文献
6.
针对非线性信号特征提取问题,提出一种基于平稳小波变换的相空间重构方法.对信号进行多层平稳小波分解,利用得到的不同尺度小波系数进行相空间重构,通过局部切空间变换方法提取蕴涵在相空间高维数据集中信号的低维形态特征.仿真试验结果表明,非线性信号经过平稳小波变换后,吸引子轨迹与原有轨迹具有相似的结构.利用局部切空间变换可获得带有高斯白噪声的非线性信号的低维形态特征,该低维形态特征与原有非线性信号的吸引子轨迹相似.这种相空间重构方法较传统的方法具有一定的优势,可以用于提取含有噪声的机械振动信号的故障特征. 相似文献
7.
8.
时域信号的小波分解可以等价于一种信号的相空间重构方法。基于此,对于时域 信号,通过小波变换,进行相空间重构,将相空间中信号投影到H-G平面,可以得到 信号中微小成分的信息。并对于转子响应中经常出现的周期、拟周期、混沌信号进行 了仿真计算。 相似文献
9.
滚动轴承作为旋转设备的关键部件,其性能严重影响设备的运行安全。由于设备工况复杂,反映轴承的故障特征的冲击成分往往被噪声信号所淹没,导致无法有效的提取故障特征。为了更准确的获取滚动轴承的故障信息特征,本文提出一种基于改进的自适应噪声完整集合模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和峭度指标的特征提取方法。首先,利用改进的CEEMDAN方法对分解过程中的各段信号添加自适应白噪声,计算唯一的余量来获得各个固有模态函数(intrinsic mode function),与EEMD(ensemble empirical mode decomposition)相比,其分解过程完整。其次,计算各IMF分量的峭度指标,筛选重构IMF分量集,然后利用重构信号峭度最优指标筛选出最合适的重构信号,最后,通过包络解调获得轴承故障特征。结果表明,该方法具有更好的分解效果,自适应性好,可以更好的抑制噪声,提取轴承故障的冲击成分。 相似文献
10.
《机械强度》2013,(5):559-565
独立分量分析(independent component analysis,ICA)可以实现混合信号的按源分离,但由于其使用时通常需要预先知道信号源数量,使其应用受到限制。在ICA基础上发展起来的约束独立分量分析(constrained independent component analysis,cICA)方法,可根据一定的先验知识生成参考信号,以提取感兴趣的独立分量(independent component,IC)。包络提取技术可有效隔离解调共振带之外的干扰源信号,同时起到对信号的振源降维作用。谱峭度包络提取是近年来发展起来的崭新包络提取方法,可实现对信号包络的自适应提取。将谱峭度包络提取方法与cICA相结合,提出一种高鲁棒性的滚动轴承故障特征提取法,首先通过谱峭度实现对信号包络的自适应提取,再根据滚动轴承故障特征频率建立参考信号,以cICA实现对滚动轴承不同故障对应包络IC的有效提取。仿真和测试试验表明,该方法可实现在干扰条件下对滚动轴承故障特征信息的有效提取。 相似文献
11.
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。 相似文献
12.
13.
提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。 相似文献
14.
将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。 相似文献
15.
针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。 相似文献
16.
基于双时域微弱故障特征增强的轴承早期故障智能识别* 总被引:1,自引:0,他引:1
针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。 相似文献
17.
提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。 相似文献
18.
19.
为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。 相似文献