EMD和FSWT组合方法在爆破振动信号分析中的应用研究

针对传统经验模态分解EMD时频分析功能不足的缺陷,提出了基于经验模态分解EMD和频率切片小波变换FSWT组合的爆破振动信号分析方法。对实际工程采集到的爆破振动信号进行EMD分解,根据相关性系数确定优势分量实现信号重构,并获取重构信号全频带FSWT时频特征。利用FSWT逆变换能切割任意频率区间的特点,将重构信号选择时间、频率切片区间进行了更为细化时频特征提取。研究了EMD-FSWT组合方法、Hilbert-Huang变换(HHT)、小波变换(WT)三种方法的消噪滤波效果,并与短时Fourier变换(STFT)、重排平滑Wigner-Ville分布(RSPWVD)两种传统时频方法进行了对比。分析结果表明:EMD-FSWT组合方法,对瞬态信号在时频域上的分辨率更高,消噪和滤波效果好,适于对爆破振动信号进行更为精细化的时频特征分析。     

爆破振动信号的时频分析

爆破振动信号的研究方法已由单纯的频域分析过渡到时频联合分布分析。在讨论FOURIER变换(FT)和短时 FOURIER变换(STFT)不足的基础上,论述了基于连续小波变换(CWT)和离散小波变换(DWT)在爆破振动信号分析中的应用。作为一种严格的时频分析方法,论文尝试利用二次型时频分布来进行爆破振动信号的时频联合分析;通过几种二次型时频分布的对比分析,认为CWD在具有较强的时频聚集性的同时又较好的对交叉项进行了抑制,适合于进行爆破振动信号的时频分析。     

基于时频切片分析的故障诊断方法及应用

为了提取设备的故障特征,提出了基于时频切片分析的故障特征提取方法。首先采用基于频率切片小波变换分解振动信号,得到信号在全频带的时频分布。在此基础上根据其时频能量分布,选择时间频率切片区间进行细化分析,通过时频分割和信号重构得到选定区间的时频特征,实现了故障特征的分离。这种方法能够有效地获取正确的故障特征信息,在某炼油厂齿轮箱摩擦故障诊断中取得了较好的效果。     

脉冲噪声环境中基于FLOWVD的机械设备故障时频监测方法

研究了一种在 稳定分布下应用的改进的Wigner-Ville分布(WVD)——分数低阶Wigner-Ville分布(FLOWVD)，并提出一种在脉冲噪声环境中基于FLOWVD的机械设备故障时频监测方法。仿真信号和实际信号的研究表明：FLOWVD是一种比WVD抗噪能力更强、更具有实际应用价值、应用更加广泛的时频分析工具。同时指出：机械设备运行现场的振动信号的统计分布特性有些服从分数低阶 稳定分布。     

爆破振动信号双线性变换的二次型时频分析

为提高爆破振动信号特征分析的精度,利用双线性变换的二次型方法研究了爆破振动信号的时频特征.首先,扼要介绍了Fourier分析、短时Fourier、小波分析的特点.其次,介绍了双线性变换的二次型时频分析方法及其能量分布函数.再次,研究了振动信号时频分布的重排技术.最后,基于MATALB6.5平台得出了铜山口矿一实测爆破振动波形的WVD,SPWVD,RSPWVD时频分布图.结果表明,双线性变换的二次型时频表示,克服了短时Fourier变换频率分辨率低和小波变换是基于位置和尺度变换的缺点,是一种更加直观、合理、时频分辨率更高的信号时频表示方法;平滑伪仿射Wigner-Ville分布在把握信号的时频全局方面有明显优势;重排平滑伪Wigner-Ville分布能提高信号的时频聚集性,可用于获取爆破振动信号的主频信息.     

时频分布在爆破震动信号处理中的应用

爆破震动信号是典型的非平稳信号,其处理方法已由单纯的频域分析过渡到时频联合分布分析。在讨论Fourier变换(FT)和短时Fourier变换(STFT)不足的基础上,论述了基于连续小波变换(CWT)和离散小波变换(DWT)在爆破震动信号分析中的应用。作为一种严格的时频分析方法,论文尝试利用二次型时频分布来进行爆破震动信号的时频联合分析;通过几种二次型时频分布的对比分析,认为CWD在具有较强的时频聚集性的同时又较好地对交叉项进行了抑制,适合于进行爆破震动信号的时频分析。     

高速摩擦制动界面振动信号时频法分析技术研究

利用MM-1000型摩擦制动试验机进行了高速摩擦制动试验,使用加速度传感器采集了摩擦制动过程中界面轴向与径向振动信号。利用Morlet小波变换对不同制动压力、干湿工况下的振动信号进行分析,结合摩擦制动过程中瞬时摩擦系数变化对高速摩擦制动界面振动行为时频法分析技术进行了研究。结果表明:重采样能够大幅减小计算量且对低频段振动时频分析无明显影响;Morlet小波时频分析比短时傅里叶变换和HHT边际谱具有更好的分辨率,对制动界面振动信号处理效果更好;时频图中的斜率与制动过程中的转速变化相对应,表明高速摩擦制动过程中转速基本呈线性降低;结合时频图与瞬时摩擦系数曲线可以评估高速摩擦制动过程中界面状况变化过程;振动能量主要集中在基频、二倍频和三倍频,超过三倍频部分能量较少。     

自适应广义S变换在内燃机气缸盖振动特性研究中的应用

提出了一种基于时频分辨率最优化的自适应广义S变换,并通过仿真试验,比较了自适应广义S变换与短时傅里叶变换和S变换的时频分析结果,证明了自适应广义S变换具有更高的时频分辨率。对某4缸4冲程汽油机气缸盖的振动信号进行时频分析,结果表明自适应广义S变换得到的时频分布比S变换具有更高的时频分辨率,能够较为准确地分辨出气缸盖振动的主要激励源及其时频特性,研究结论可为低振动噪声内燃机改进设计提供指导。     

频率切片小波变换在爆破振动信号时频特征精确提取中应用

基于频率切片小波变换(Frequency Slice Wavelet Transform, FSWT)技术研究爆破振动信号时频特征提取新方法。采用FSWT进行爆破振动信号分解，得到在全频带下的时频分布。在此基础上据其时频能量分布，选择时间、频率切片区间进行细化特征分析，通过信号特征频率切片区间信号重构，实现爆破振动时频特征分离及提取。通过与传统的STFT、WPT、WVD等算法进行对比分析表明，FSWT算法具有良好的时频聚集性、任意频带分量特征提取的灵活性及准确性。将FSWT算法引入爆破振动效应分析领域，可为爆破振动信号时频特征精确提取奠定基础，具应用前景较好。     

基于EMD和STFT柴油机缸盖振动信号时频分析

以柴油机缸盖振动信号为研究对象,提出经验模式分解（EMD）和短时傅里叶变换（STFT）相结合的时频分析法。该方法首先利用EMD对缸盖振动信号进行自适应分解,得到一系列本征模态分量（IMF）。根据各分量的特点有针对性地选择高斯窗和汉明窗分别进行STFT,并以时频聚集性指标为目标函数计算各分量的最佳时频分布,最后叠加得到原始信号的最佳时频分布。经对比分析,该方法解决了窗函数及窗宽的选择问题,有效提高STFT的时频分辨率,准确描述柴油机缸盖振动信号的时频分布。     

基于HHT的数控机床主轴振动监测系统的研制

为监测数控机床主轴的运行状态,针对机床主轴在工况条件变化或故障发生时振动信号的非平稳特性,研制基于HHT时频分析方法的数控机床主轴振动监测软、硬件系统。硬件系统包括基于FPGA主控模块与PC104总线的数据采集模块;软件系统包括时域波形监测与特征数据监测两模块,其中特征数据监测模块具有监测频谱分布及时频分布功能。为更直观、准确反映数控机床主轴振动信号的非平稳特性,提出基于HHT的主轴振动信号特征提取方法,实现对振动信号时频分布的实时监测。数控机床主轴振动信号测试结果表明,该系统在监测信号时域波形与频谱分布的同时,能利用HHT的瞬时频率描述特性,实现对数控机床主轴振动信号时频分布的实时监测。     

岩巷爆破振动信号的HHT分析与应用

为优化爆破参数,减少对围岩的损伤,以煤矿玄武岩双巷道楔形深孔掏槽爆破的实测爆破振动信号为例,分析对比传统傅里叶变换、小波变换、HHT变换三种变换方法,对爆破地震波信号的时频特性和能量分布特征分析。结果表明:HHT变换能够确保信号被分解后的非平稳性,且自动适应能力较强,分解效率较高。通过HHT变换得到三维图直观展示各分量随时间、频率和能量的分布情况。爆破振动能量主要分布在0.3s¹.0s时间段和01.0s时间段和0⁴00Hz频率段内,频带100Hz400Hz频率段内,频带100Hz²50Hz中爆破振动分量对应的频带能量达到最大。通过分析对比爆破振动信号,得到巷道帮部、底部爆破振动信号的主振方向分别为Y(切向)和Z(垂向)方向。     

基于匹配追踪算法的立井爆破信号时频特征提取

在对立井爆破过程中井壁振动信号进行准确采集的基础上,采用匹配追踪（matching pursuit,MP）算法建立Gabor原子库,实现了爆破信号重构分量和残差分量的有效分离。通过信号短时傅里叶变换（short time Fourier transform,STFT）和魏格纳分布（Wigner-Ville distribution,WVD）对重构信号的时频分析及霍夫(Hough)变换时频聚集性对比,验证了WVD时频分析的优势。结果表明:MP-WVD组合信号分析方法对信号变化的适应性强,能够精确捕捉信号的局部细节,适合用于爆破信号非线性时频特征的提取过程。可为爆破方案调整和参数优化提供参考。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。     

基于可视图图谱幅值熵的滚动轴承故障诊断方法

为了准确有效地提取滚动轴承振动信号的非平稳、非线性故障特征,将复杂网络与图信号处理技术(graph signal processing,GSP)引入机械故障诊断领域,提出了基于可视图图谱幅值熵(graph spectrum amplitude entropy of visibility graph,GSAE VG)的滚动轴承故障诊断方法。该方法先将滚动轴承振动信号转换为可视图,获得可视图信号;再通过图傅里叶变换(graph Fourier transform,GFT)将可视图信号从顶点域变换到图谱域,并将计算得到的图谱幅值熵(graph spectrum amplitude entropy,GSAE)作为故障特征参数;利用马氏距离(Mahalanobis distance,MD)判别函数作为分类器对不同类型故障进行模式识别。实际滚动轴承振动信号的分析结果表明,基于可视图图谱幅值熵的故障诊断方法能对滚动轴承故障进行准确有效地识别。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于EMD的时频熵在齿轮故障诊断中的应用

提出了一种基于EMD(EmpiricalModeDecomposition)方法的时频熵齿轮故障诊断方法。首先利用EMD方法分解齿轮振动信号,然后将得到的内禀模态分量进行Hilbert变换,以得到振动信号的时频分布,将信息熵理论引入时频分布,定量描述时频平面上不同时频段的能量分布,各时频段能量分布的均匀性可以反应齿轮的运行状态的差别,从而可以通过时频熵的大小判断齿轮的工作状态和故障类型。实验证明该方法能有效的判断齿轮故障特征,为齿轮故障诊断提供了新的思路。