基于自适应频率切片小波变换的滚动轴承故障诊断

频率切片小波变换(frequency slice wavelet transform, FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform, AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。     

基于双树复小波包变换的滚动轴承故障诊断

针对滚动轴承故障的振动信号具有非平稳特性,存在强烈噪声干扰,难以提取故障特征频率的情况,提出了基于双树复小波包变换阈值降噪的故障诊断方法.首先将非平稳的故障振动信号进行双树复小波包分解,得到不同频带的分量;然后对每个分量求其峭度值和相关系数并进行比较;最后选取峭度值和相关系数较大的分量进行软阈值降噪和双树复小波包重构,即可有效地消除振动信号中噪声的干扰,同时保留信号中的有效信息即实现了故障特征信息的提取.本文对轴承外圈故障试验和实际工程数据进行了相关分析,并对比传统离散小波包降噪的效果,本文方法处理后的信号冲击周期性更好,较理想地去除了噪声的影响,验证了该方法可以有效地去除噪声并提取滚动轴承故障的特征信息.     

基于信息熵的时频参数优化及内燃机轴承磨损监测

时频分析是单分量调频信号的最优分析工具,但是对于多分量线性调频信号存在比较严重干扰项的影响。为了抑制时频分布交叉项干扰,同时保持一定的时频聚集性,采用时频信息熵优化的方法,对时频分布中的参数进行了优化,给出了参数选择范围,仿真试验表明,该方法提高了时频分布中分辨率。研究结果应用于内燃机轴承磨损状态监测中,提取了故障特征,揭示了内燃机状态变化。     

基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断

为有效利用双树复小波包变换提取齿轮故障特征信息,提出基于双树复小波包能量泄漏特性分析的故障诊断方法。首先根据高斯白噪声频率充满整个频带的特性,通过双树复小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了双树复小波包变换具有较低的频带能量泄漏特性;其次利用双树复小波包变换逐层分解信号,对每层分解所得分量求其FFT谱的峭度,得到基于双树复小波包变换的谱峭度图,根据图中峭度最大的原则,可以自动准确的选择信号分解最佳层数和最佳分量;最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中,对齿轮故障振动信号进行分析,选择最佳分解层数和分量后利用希尔伯特包络解调,有效准确地提取了故障特征信息,验证了方法的可行性和有效性。该研究可为旋转机械设备中齿轮箱故障诊断的故障特征提取提供参考。     

基于自身振动信号的液压泵状态监测及故障诊断

为了获得液压泵状态监测及故障诊断的特征信息来进行液压泵的状态监测和故障诊断,通过使用短时傅立叶变换来处理非平稳信号以获得液压泵泵壳振动功率谱,并建立了具体故障诊断监测系统。以ZB轴向柱塞泵的故障诊断为例,验证了利用振动功率谱分析法进行液压泵现场状态监测及故障诊断是一种行之有效的方法。     

基于小波分析的车辆变速箱故障检测的研究

利用离散正交小波变换，把车辆变速箱的振动信号进行多层小波分解，使其突变信号和非平稳信号与平稳周期性信号分开，并进行图形显示，为车辆变速箱故障检测提供理论依据。     

基于时频脊线提取与改进稀疏分量分析的RV减速器复合故障盲分离

针对农业机器人的核心传动部件旋转矢量（rotate vector，RV）减速器的故障特征提取问题，该研究提出一种基于时频图像脊线提取与改进稀疏分量分析相结合的RV减速器复合故障盲提取方法。首先利用提出的时频图像脊线提取（ridge extraction from time-frequency images，RETF）方法同步截取机械臂恒速时段的观测振动信号，然后利用提出的sinC函数改进形态滤波（sinC-morphological filtering，SMF）算法、密度峰值聚类（density peak clustering，DPC）算法和正交匹配追踪（orthogonal matching pursuit，OMP）算法相结合的盲源分离方法（SMF-DPC-OMP）实现平稳信号复合故障的分离提取。以sinC函数作为新的结构元素构造平均组合形态滤波器，对恒速时段的振动信号进行形态滤波处理，以提升信号的冲击特性以及稀疏性；利用DPC估计稀疏信号的混合矩阵，进而构建传感矩阵，并结合OMP在频域完成分离源信号重构，最后对重构的时域信号进行快速傅里叶变换完成故障识别。试验台采集的RV减速器的太阳轮和行星轮磨损复合故障信号的分析结果显示，该算法能有效实现RV减速器复合故障的盲分离。RETE算法能够在变转速工况导致时频图较为模糊的情况下，识别出RV减速器的运动状态；SMF-DPC-OMP算法能够在故障源数目未知的情况下，有效完成复合故障的盲分离。与已有方法相比，SMF-DPC-OMP方法能够节省约75%的时间成本，频谱更为简洁，能够抑制精细侧频和干扰分量，适用于关节型农业机器人RV减速器复合故障盲分离，对生产实际中的故障特征提取具有一定的参考意义。     

基于泄漏电流时频奇异谱和模糊聚类的触电故障诊断

针对实测触电故障信号具有非平稳特性而不易被辨识问题,提出了一种基于泄漏电流时频奇异谱和模糊聚类的触电故障诊断方法。首先,利用平滑伪威格纳-维尔分布(smoothed pseudo wigner-ville distribution,SPWVD)对触电故障信号进行时频分析并依据信号的能量分布特征选择时频区域;然后对选择的时频区域进行奇异谱分析,以获取的局部时频矩阵奇异值作为触电信号的特征量输入FCM,即可实现触电信号的故障诊断。对剩余电流保护装置试验平台上获取的实测触电故障信号的时频矩阵奇异值进行模糊C均值聚类,结果表明该方法识别准确率为97.50%,平均识别时间为0.008 5 s,其中植物和动物触电测试样本识别准确率分别为100%,95.00%,从而验证了基于泄漏电流时频奇异谱和模糊聚类的触电故障诊断方法的有效性,该研究可为研发新一代基于触电故障诊断的剩余电流保护装置提供理论依据和方法参考。     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

连续小波变换在齿轮磨损估计中应用研究

通过对连续小波变换的分析研究,提出了一种提取信号在小波尺度上的能量谱的信号分析方法。该方法能有效地对不同磨损状况下的齿轮振动信号进行分析,分析结果说明信号在小波尺度上的能量谱与齿轮的磨损程度有密切的关系。求出不同磨损状况下齿轮振动信号的能量谱对尺度的积分值,并根据这些值拟合得到的曲线与齿轮磨损过程曲线非常相似,这说明可以用连续小波变换的能量谱估计齿轮磨损状况。最后提出了一种连续小波变换的齿轮磨损特征量提取方法,用于提取齿轮磨损程度的特征向量,特征量间的欧氏距离说明这些特征向量能很好地表征齿轮的磨损状况     

基于改进HHT的泵站管道工作模态辨识

为提高管道工作模态辨识精度,在希尔伯特-黄变换(Hilbert-Huang Transform,HHT)辨识基础上,发展奇异值分解(singular value decomposition,SVD)和经验模态分解(empirical mode decomposition,EMD)联合滤波技术与HHT时频域辨识结合的模态辨识方法。SVD-EMD联合滤除结构振动信号中的强噪声,凸显结构振动特性,有效避免了后期HHT参数辨识过程中虚假模态干扰,提高辨识精度和准确性。将该方法应用于景泰二期工程3泵站2管道的模态参数辨识问题中,建立该管道有限元模型并计算其结构动力特性。对比该文方法辨识结果、随机子空间辨识结果与有限元计算结果,该文方法辨识结果稍小于随机子空间辨识结果,与有限元计算结果更接近,其最大辨识误差为3.6%。研究表明,该方法能准确辨识管道频率,且有效降低管道结构背景强噪声。该研究可为管道安全运行和在线健康监测提供参考。     

采用HHT算法与卷积神经网络诊断轴承复合故障

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。     

基于二次滤波的HHT渡槽模态参数辨识方法

针对大型渡槽安全运行评估问题,提出一种环境激励下基于二次滤波的希尔伯特-黄变换(Hilbert-Huang transform,HHT)模态参数辨识方法。采用小波阈值与经验模态分解(empirical mode decomposition,EMD)结合的二次滤波方法滤除运行环境中强噪声干扰,凸显结构动力特性,有效避免了模态混叠问题;根据奇异熵增量理论确定系统阶数,应用HHT方法辨识降噪后信号,提高辨识准确性和精度。将该方法应用于景泰川二期三泵站输水U型渡槽,辨识正常输水工况下结构前5阶模态参数,建立该渡槽第一跨三维有限元模型,并计算模型同工况下前5阶模态参数,对比模态参数辨识结果与有限元仿真结果。对比结果表明:2种方法计算结果非常接近,最大误差为4.4%。说明基于二次滤波的HHT模态辨识方法能准确高效辨识强噪声背景下结构模态参数,可将该方法推广到大型渡槽结构中,为渡槽安全运行评估和健康在线监测提供新思路,应用前景广阔。     

渗透胁迫下玉米叶片电位波动边际谱的变化与意义

植物叶片电位波动是来自于活细胞的生命信息。为了解读植物叶片电位波动的频谱特征及其意义,该文采用HHT(Hilbert-Huang transform)方法研究了渗透势为?0.1 MPa的渗透胁迫下玉米幼苗叶片电位波动边际谱的变化规律及其意义,计算了边际谱特征参数边缘频率SEF(spectral edge frequency)、重心频率SCF(spectral center frequency)、边际谱熵MSE(marginal spectrum entropy)和动作电位灵敏指数Q。结果表明,玉米幼苗叶片电位波动的边际谱是分布在0.5 Hz以内的连续谱,在渗透胁迫下,SEF和SCF呈现出先减小后增加再减小的变化趋势,动作电位灵敏指数Q的变化与之相反,MSE表现出先增加再下降的变化趋势。通过与叶片生理指标MDA(malondialdehyde)和叶绿素含量变化的对比研究,发现MSE的峰值时间可以作为叶片细胞对渗透胁迫自我调节和适应性反应限度的标志,Q值的大小可以作为玉米叶片细胞对渗透胁迫反应灵敏度的标志,依据渗透胁迫下玉米幼苗叶片电位波动边际谱特征参数的变化,有可能对玉米叶片细胞的功能状态进行实时、在位和无损伤检测。     

基于分形维数和HHT的蚜虫刺吸电位波形机器识别

昆虫刺吸电位(electricalpenetrationgraph,EPG)技术在研究刺吸式昆虫取食行为、昆虫与植物的关系、昆虫传毒机制、作物抗虫机制等方面得到了广泛的应用,然而EPG信号的识别和分析一直是靠人工进行,亟需波形自动识别系统以提高分析效率。刺吸式昆虫取食植物时,产生的EPG波形跟昆虫和植物的种类有关,不同类别的刺吸式昆虫EPG波形差别很大,即使是同种类型的EPG波形其幅值和频率间也会有差异,这给EPG波形的机器识别带来了困难。该文以蚜虫的EPG信号为研究对象,对np波、pd波、E1波、E2波、G波、C波和F波的特征提取和分类识别进行了研究,提出了一种基于分形维数、希尔伯特-黄变换(hilbert-huang transform,HHT)和决策树的EPG波形识别方法。首先对EPG仪器采集得到的信号进行去噪预处理,分别提取分形维数和HHT共10维特征,组成不同维数的特征向量进入决策树分类器进行对比试验。试验结果表明,可采用分形盒维数、Hurst指数、前2层的谱质心和加权频率融合的6维特征向量获得较高的识别率。在EPG波形的机器识别中采用6维特征向量输入的决策树进行分类,通过对4组不同样本进行测试,得到了92.14%、89.29%、95%和89.29%的识别率,平均识别率为91.43%。研究结果表明该文提出的基于分形维数和HHT的特征提取方法以及构建的决策树分类器具有一定的可行性,可为研发EPG信号自动识别分析系统提供理论参考。     

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

基于局部均值分解的触电故障信号瞬时参数提取

针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解（local mean decomposition, LMD）的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流信号分解为一组乘积函数分量之和,每个乘积函数（product function, PF）分量可以表示为一个调幅信号和一个调频信号的乘积,然后由调幅信号和调频信号分别计算得到信号的瞬时幅值和瞬时频率。与采用希尔伯特黄变换方法相比,LMD具有瞬时频率曲线波动小和瞬时幅值函数端部失真小等优点。仿真信号分析结果表明：对测试信号进行LMD和经验模态分解（empirical mode decomposition, EMD）分解分别得到3个PF分量和5个IMF（intrinsic mode function）分量,分解前后信号的能量变化值分别为0.2851、0.5633,且LMD比EMD所需分解时间短0.0743s,与Hilbert变换相比,该文方法计算的瞬时幅值和瞬时频率更为平滑,在一定程度上避免了Hilbert 变换计算过程中的负频率和端点效应现象。试验信号分析结果表明：对消噪后的总泄漏电流信号进行LMD和EMD分解,分别得到5和6个分量,分解前后信号的能量变化值各为0.5574、0.8896,所用分解时间分别为0.0835、0.2479 s;在求取瞬时频率方面,LMD方法求取的主导分量瞬时频率可判定生物体触电时刻,而经Hilbert变换求取的瞬时频率不仅无法判定生物体触电时刻,还出现了负的频率值,无法解释其物理意义;在求取瞬时幅值方面,该文方法与Hilbert变换求取的触电前总泄漏电流信号的瞬时幅值的平均值分别为11.3240、12.3728 mA,与原生物体无触电时总泄漏电流的幅值11.3538 mA的绝对误差分别为0.0298、1.0190 mA,另外,2种方法求取的生物体触电后总泄漏电流信号的瞬时幅值与原生物体触电后总泄漏电流的幅值的绝对误差分别为0.4340、0.6643 mA。因此,仿真信号和试验信号分析结果均证明所提方法是有效和可行的。     

往复机械振动诊断系统软件的研究

研究了一套振动诊断系统软件,可用于往复机械的故障诊断。此软件系统分为两部分,分别放置在诊断仪和ＰＣ机中,诊断仪软件完成数据采集、预处理、特征提取、神经网络分类和系统决策功能,ＰＣ机主要完成神经网络训练和对信息的存储与交换。系统以主成份回归模型为特征提取器,用神经网络模型作分类器,是一种基于模式识别的故障诊断方法,减少了诊断过程中人为因素的影响,故而诊断的准确性、智能化水平及自动化程度都得到了提高。     

齿轮箱振动与输入能量信号的频域相干分析与关系识别

为了提高旋转设备诊断效率、发展基于设备输入能量信号分析的故障诊断技术,该文提出并论述了输入能量信号分析方法在设备故障诊断技术研究中的有效性。首先从齿轮箱振动机理角度分析了传动能量与振动信号之间的关系,指出轴系扭矩及输入功率是齿轮静态传递误差的激励,进而导致振动信号的产生;其次通过建立齿轮传动能量与振动关系模型,利用相干函数以概率统计的形式揭示了输入能量与振动信号响应之间的关系;最后通过正常与断齿齿轮的对比试验,验证了功率信号的频谱特征与传统的齿轮故障振动频谱相一致,亦具有表征齿轮箱工况的明显作用,同时分析了振动和功率信号的自功率谱和互功率谱,利用相干分析方法,从经典控制理论角度验证了二者所呈现出的强相关性。该文为以能量信号分析为核心的旋转设备故障诊断技术的研究提供参考。