齿轮传动系统非线性频率调制规律仿真分析及实验研究

针对传统快速傅里叶变换(FFT)研究齿轮系统非线性非平稳振动存在虚假信号和假频的问题,提出了基于希尔伯特黄变换的本征模态函数(IMFs)傅里叶变换法。该方法通过经验模态分解(EMD)将原始信号分解为一系列不同时间特征尺度的IMFs,对能够反映原始信号物理意义的IMF进行傅里叶变换。以某型采煤机截割部齿轮箱为工程范例,通过振动实验得到齿轮系统非线性振动响应。分别利用传统FFT法和本征模态函数FFT法对实测信号进行非线性振动分析。研究结果表明:本征模态函数FFT法显著减少了多余且无意义的频率成分,能够更好地识别参与非线性频率调制的齿轮啮合特征频率,避免了传统FFT法产生的虚假频率干扰。该研究对分析齿轮转子系统非线性频率调制现象具有一定的参考价值。     

非平稳振动信号分析中Hilbert-Huang变换的对比研究

Hilbert-Huang变换是一种信号分析新方法，特别适合于对非平稳信号进行分析。介绍该方法的基本理论，并利用它对一个典型的旋转机械非平稳振动信号进行分析。然后通过与利用短时傅里叶变换和小波变换所得到的分析结果的对比，研究Hilbert—Huang变换在分析一般非平稳振动信号中的优势和缺陷。最后结合实际应用中遇到的问题，简要论述Hilbert—Huang变换中的经验模态分解在分析频率成分非常靠近的复杂信号时的不足和原因。研究结果表明，Hilbert—Huang变换和其他方法相比，具有分辨能力强、自适应分解、物理意义清晰、信息完整、形式简洁和易于精确分析等优点；同时也存在具有端点效应、实时性稍差和难以将复杂信号中特别靠近的频率成分分解为独立的本征模分量的缺陷。     

基于EEMD和HT的轴流泵压力脉动特征信息提取

压力脉动是影响轴流泵运行稳定性的重要因素,为提取其压力脉动信号中的特征信息,提出了采用基于聚合经验模式分解(EEMD)和Hilbert变换(HT)的时频分析方法对轴流泵压力脉动信号进行分析。首先分别应用EEMD和传统经验模式分解(EMD)对含噪声信号进行了分析,证明了EEMD分解能抑制传统EMD中出现的模式混叠现象,从而有效提取了信号中的各频率分量;然后采用基于EEMD和Hilbert变换的时频分析方法,对某轴流泵的压力脉动信号进行了分析。研究结果表明,该方法能够准确地提取轴流泵压力脉动信号中的频率成分及其时变情况。     

Characteristic information extraction of pressure pulsation signal in axis-flow pump based on EEMD and HT

压力脉动是影响轴流泵运行稳定性的重要因素,为提取其压力脉动信号中的特征信息,提出了采用基于聚合经验模式分解(EEMD)和Hilbert变换(HT)的时频分析方法对轴流泵压力脉动信号进行分析.首先分别应用EEMD和传统经验模式分解(EMD)对含噪声信号进行了分析,证明了EEMD分解能抑制传统EMD中出现的模式混叠现象,从而有效提取了信号中的各频率分量;然后采用基于EEMD和Hilbert变换的时频分析方法,对某轴流泵的压力脉动信号进行了分析.研究结果表明,该方法能够准确地提取轴流泵压力脉动信号中的频率成分及其时变情况.     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

LCD和SWT在滚动轴承故障诊断中的应用

针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征。对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

光学波前参数的分析评价方法研究

针对飞切法加工的玻璃元件面形的评价,研究了小波变换在光学表面低频段和中频段误差的分析方法。采用小波分解变换方法将波前信号的多频率成分分离,选取小波基bior2.8,有效地提取出元件的面形信息,同时将所需的中频段信息与占主成分的低频信息分离,得到中频段的特征频率为0.18 mm~(-1)。该方法避免了频域滤波法所导致的幅频特性失真的问题,且可以更好地分析波前信号的细节和频率特性。     

基于数学形态变换的转子故障特征提取方法

基于非线性数学形态变换提出旋转机械故障特征提取的新方法.由数学形态变换构成的形态滤波器可以有效地提取出信号的边缘轮廓以及形状特征,通过选取不同长度的形态结构元素,采用组合形态滤波器将旋转机械故障信号分解到不同频带上,故障信号被分解成基频成分、故障成分及高频噪声三部分,在分解过程中,信号长度没有减少,没有信息的丢失;将分解得到的故障成分单独提取出来进行分析,可以更准确描述故障特征;对实际碰摩故障信号进行形态学分解后,提取出故障成分,采用Hilbert-Huang变换(Hilbert-Huang transform,HHT)对分解前后的信号进行对比分析,验证了方法的有效性,表明基于形态变换的信号特征提取可以更准确刻画故障的非平稳特性,提高了分析效果,并具有计算简单、快速的优点.     

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。