最小熵反卷积在水下航行体滚动轴承故障特征提取中的应用

随着海洋开发和军事战略的发展,水下航行体日益得到世界各国的重视。水下航行体能完成水下勘探、侦测和军事攻防等任务。滚动轴承在水下航行体旋转部件支撑元件中应用广泛,但过大的振动将导致水下航行体无法可靠完成既定任务,对轴承进行状态监测和故障特征提取是水下航行体领域不可忽视的。轴承的冲击往往由于传递路径,其他部件的运行振动,制造装配误差等引起的随机振动等因素影响,冲击特征容易被淹没。研究了基于最小熵反卷积方法,建立滚动轴承动力学模型,在模型获得的纯净故障信号中添加谐波、白噪声,以此探讨最小熵反卷积方法在滚动轴承特征提取方面的应用,为水下航行体的安全服役提供重要理论参考。     

振动声窄带信号采集与分析

水下航行体的振动、声信号采集处理是分析水下航行体振动噪声情况的重要过程,很多情况下采集分析的振动噪声信号为高频窄带信号。实航时采集记录设备采用同步实时有限数据采集记录速率的采集记录仪,利用Nyquist 定理的常规信号采集方法要求高频数据抽样将导致大量的数据存储和处理,增加了采集分析软硬件的成本。根据振动声高频窄带信号的特征,本文介绍了振动噪声高频窄带信号采集方法,信号复原及处理过程。通过对振动噪声实测数据进行处理分析,结果表明,当高频窄带信号采集前的带通滤波器的滤波效果不低于50 dB时,利用本文所介绍的振动噪声高频窄带信号采集方法可完全恢复振动噪声高频信号的信息,且数据采样频率可至少降低4倍。     

基于高阶累量谱的轴承故障诊断

在轴承故障诊断中，故障信号的提取是一个关键问题。实际测得的轴承振动信号一般是非平稳和非高斯分布的信号，信噪比很低，微弱的故障信息往往完全淹没在噪声中，信号特征的提取非常困难。信号的高阶累积量对加性高斯噪声和对称非高斯噪声不敏感，应用在轴承的故障诊断中，可以有效地分离信号与噪声，提高信噪比，增强故障信息。对轴承在不同状态下的振动信号进行对比分析，提取了不同状态下轴承振动信号的功率谱与高阶累量谱（双谱），建立了用于故障诊断的双谱特征向量，并利用BP神经网络进行了故障诊断。分析结果表明，从高阶累积量提取的特征与功率谱相比，对故障特征比较敏感，容易实现智能诊断中的数字特征提取，可有效地区分轴承的故障。     

一种水下目标辐射噪声调制特征提取方法

水下目标辐射噪声的调制信号携带许多重要特征信息,本文在现代信号处理理论的基础上对其调制特征提取方法进行了探讨。首先,利用小波变换和多分辨率分析理论,提取水下目标辐射噪声的调制包络;然后选取具有明显调制特征的特定频段数据对其进行112维谱分析,得到了辐射噪声的谐波信息。该方法结合小波变换与高阶谱理论对调制谱进行提取,可同时利用小波的消噪和高阶谱对高斯噪声的天然抑制性。对实测噪声数据进行的仿真结果表明,该方法可以有效提取噪声中的动态调制信息且抗噪性良好,具有很好的应用前景。     

奇异值分解和EEMD的非线性振动信号降噪方法

针对传统方法难以有效将非线性振动信号从复杂强干扰中提取的难题,提出了奇异值分解(SVD)和集合经验模态分解(EEMD)的降噪方法。该方法利用EEMD叠加白噪声预处理的过程,抑制脉冲噪声的影响并克服了EMD模式混叠效应,然后提取信号的趋势项,克服了信号趋势项对SVD选择奇异值的影响,最后将SVD方法降噪后的信号与趋势项叠加达到降噪目的,实现SVD和EEMD的优势互补,提高降噪效果。对模拟信号和实测非线性振动信号进行了仿真试验研究,结果表明,该方法可以同时有效地抑制非线性振动信号中的白噪声和脉冲噪声,对工程实际信号的进一步分析处理提供有效的预处理手段。     

一种新的水声目标辐射噪声特征提取模型

针对复杂环境中水声目标辐射噪声特征难以准确提取的问题,提出了一种新的基于第二代小波变换(SGWT)、改进的经验模式分解(EMD) 和Hilbert包络解调分析(HESA)的水声目标辐射噪声特征提取模型.首先,该模型利用SGWT滤除水声目标的非平稳辐射噪声信号中的噪声成分;其次,通过改进的EMD方法对滤波后的信号进行分解,提取信号的本征模式分量;最后,对这些本征模式分量进行HESA处理,从而实现辐射噪声特征的提取.将该模型应用在仿真和实测的水声目标辐射噪声数据的特征提取中,测试结果表明,同常规的小波滤波和HESA相比,该模型能够有效地提取出辐射噪声特征.     

基于提升小波包变换集成特征提取模型

为了从发动机缸盖振动信号中快速提取出反应完备状态信息的特征,针对信号特点和提升小波包变换的性质,建立了适于在线提取的缸盖振动信号特征参数体系。总结了提升小波包变换的3个性质一不相关性、可逆性和保序性,利用3个性质将降噪、特征提取和消除波动集成到一次提升小波包分解与重构过程,建立了发动机缸盖振动信号集成特征提取模型,给出了集成消除波动的特征计算公式和特征值标准化公式。通过实例,对集成特征提取模型的工作过程进行了说明。     

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解（EEMD）和乔-威廉姆斯分布（CWD）的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数（IMF）分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明：该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。     

基于噪声对消技术的振动信号提取方法研究

用神经网络噪声对消技术对遥测振动混噪信号进行信号提取。将BP神经网络作为自适应噪声对消滤波器,以导弹上振动传感器临近位置的噪声传感器所采集噪声信号作为参考噪声,对混噪的振动信号进行噪声对消,实现噪声抑制,提取有用信号。分析实际飞行试验数据处理结果,证明了BP神经网络自适应噪声对消器可以有效提取强噪声背景下的弱信号,且具有较快的收敛速度和收敛性能。     

形态滤波方法在抵肩力信号降噪中的应用研究

针对抵肩力实验信号采集过程中引入的噪声污染问题,基于数学形态学理论,提出了一种自适应多尺度形态学降噪方法。该方法采用形态开闭-闭开运算提取含噪信号的正、负冲击成分,根据不同尺度形态运算后的噪声统计分布,对不同尺度下形态运算的结果进行加权平均去噪,解决了细节保持与噪声滤波之间的矛盾。仿真实验以高斯白噪声干扰下的blocks信号为研究对象,信噪比和均方根误差为评定降噪结果的标准,结果表明该方法与传统阈值降噪方法相比具有更好的降噪效果。抵肩力实验结果的应用表明,该方法能够在有效抑制信号噪声的同时较好地保留抵肩力信号特征细节,为抵肩力信号特征的提取提供了一种降噪方法。     

水下航行体两种整流艉附体的数值模拟

为降低水下航行体噪声,研究两种整流艉附体。分析水下航行体艉翼接合部马蹄涡影响螺旋桨伴流场的特征,认为马蹄涡对水下航行体噪声产生了不利影响。针对给定无人水下航行体(UUV)设计艉翼过渡和消涡整流片两种艉附体,运用CFD方法对应用两种艉附体的UUV流场进行数值模拟,结果显示两种艉附体对螺旋桨伴流场具有良好的改进效果。     

水下火箭发动机噪声测试与分析

以火箭发动机为动力的水下高速航行体在水下有重要的应用,通过水下火箭发动机噪声机理分析,提出了一种水下火箭发动机噪声测量方法,分析了测量误差的影响因素。通过海上试验实际测量,获得了水下火箭发动机工作时的真实噪声数据,进行了数据分析,提取并归纳了水下火箭发动机噪声的特征和特点。     

基于不同湍流模型的水下航行体圆柱结构流动特性数值模拟

为提高水下航行体的隐身性能,探究不同湍流模型对水下航行体圆柱结构水动力数值模拟的影响。基于OpenFOAM开源计算流体力学工具包,进行水下航行体圆柱结构的数值模拟。开发3种混合湍流模型嵌入OpenFOAM工具包,3种模型分别为尺度自适应模拟方法、部分平均N-S方程方法和改进的延迟分离涡方法。基于开发的3种模型进行数值计算仿真,得到水下航行体典型圆柱结构的绕流场分布以及受力特征。研究结果表明：湍流模型的选取对于水下航行体水动力模拟有着显著影响,所得结果对后续探究水下航行体辐射噪声的研究具有指导意义。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

一种改进的自适应滤波器

自适应噪声抵消技术的核心技术是自适应滤波器,通过研究自适应滤波器的原理以及最小均方(LMS)自适应滤波算法,在此基础上提出了一种基于相关双曲正切函数的LMS算法,简称为CTanh-LMS算法.经仿真实验表明,相对于其他自适应滤波算法,该方法具有更好的消噪能力,且算法简单,收敛速度快,能够满足齿轮箱振动信号的消噪要求.本文提出的算法不仅解决了齿轮箱故障特征提取的问题,而且给自适应滤波算法的研究提供了新的方法和手段,具有理论意义和实用价值.     

基于EMD的弹丸激波信号处理方法研究

实验中获取的弹丸激波信号因高频噪声的影响而几乎被淹波,预处理方法的研究对于有用信号的识别非常重要。文中通过分析弹丸激渡信号的特点。利用经验模态分解对弹丸激波信号进行了特征提取与选择,将本征模态函数分量及其瞬时频率作为特征．获得了较理想的N波信号处理结果。实验结果表明,该算法不仅能有效提取高噪条件下弹丸激波信号特征,而且易于硬件实现。     

滚动轴承的故障特征提取

滚动轴承故障特征提取采用在C Builder中嵌入Matlab对载波信号消噪后,将振动信号用小波包进行3层分解,提取各节点重构信号的方差,作为故障特征参量,归一化后输入神经网络进行故障诊断.其交互步骤是用C implib命令将外部def文件生成含有Matlab函数的lib文件,并将其加到新建工程中,编写目标函数.Matlab完成数值分析处理、绘制数据图形.     

基于奇异值分解与最优Morlet小波的微弱故障特征提取方法研究

为了有效提取湮没在强噪声背景下的微弱故障信号,文中提出了一种基于奇异值分解(SVD)与最优Morlet小波的故障特征提取方法。采用基于奇异值曲率谱的有效奇异值个数选择方法进行有效奇异值的自动判别,利用Shannon小波熵方法优化带宽参数设计出最优Morlet基小波,并实现母小波与冲击特征成分的最优匹配。对仿真信号和实际轴承内圈故障信号的诊断分析表明,该方法具有非常好的降噪性能,能有效地提取出湮没在强噪声背景中的微弱故障特征。     

基于局部特征尺度分解与复合谱分析的齿轮性能退化特征提取

针对齿轮性能退化过程中振动信号复杂、特征提取困难等问题,提出采用基于局部特征尺度分解与复合谱的退化特征提取方法。改进复合谱分析法,利用离散余弦变换代替复合谱分析法的傅里叶变换,以减少特征信息的遗漏,提高特征信息敏感度;利用局部特征尺度分解法对振动信号进行分解,并采用贝叶斯信息准则与峭度时间序列互相关系数相结合对内禀尺度分量进行筛选,以剔除不必要分量的影响,有效地提取特征信息;利用改进的复合谱分析法对所选取的内禀尺度分量进行融合,提取复合谱熵作为特征向量。该退化特征提取方法运用于齿轮全寿命退化试验中,对实测信号进行特征提取和退化状态识别,结果表明改进后的复合谱熵对齿轮退化状态具有较好的表征能力。     

改进小波包阈值算法在振动信号去噪中的应用

针对传统小波包降噪只考虑加性噪声,而无法去除乘性噪声的问题,提出了一种基于小波包系数阈值降噪的改进算法。该算法通过两次小波包分解和重构对信号降噪,第一次按照传统小波包去噪法去除加性噪声;第二次将分解后的小波包系数进行对数运算并采用阈值去噪法消除信号中乘性噪声。将改进算法应用于火箭发射塔架层2的振动信号去噪中。实验表明,改进算法相比于传统算法信噪比提高了2.2dB,且均方根误差降低;结合傅里叶变换,改进算法较好地保留了原始信号的能量特征及细节特征,为发射塔架在发射过程中承受的振动强度评估提供依据。