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EMD-Wigner-Ville的内燃机振动时频分析

在分析多分量信号时,WVD交叉项的出现极大干扰了对信号的时频分析,针对现有WVD交叉项抑制方法存在聚集性与交叉项成分抑制相互矛盾的问题,提出了一种基于经验模态分解(EMD)的WVD交叉项抑制方法。该方法首先利用EMD分解方法,将信号分解成相互独立的一系列具有不同特征时间尺度的固有模态函数(IMF),然后运用相关系数法对经验模式分解伪分量进行剔除,再对每个IMF进行Wigner-Ville分析,最后把各个IMF的Wigner-Ville分析结果线性叠加重构原始信号的时频分布。仿真实验结果表明,该方法既能有效抑制时频分布的交叉项,又保证了Wigner-Ville分布的时频聚集性。将EMD-Wigner-Ville应用在内燃机振动时频分析中,两个实例有效地揭示出了内燃机振动信号的特征信息,克服了HHT时频分布、Wigner-Ville时频分布在分析内燃机振动信号时的缺陷,是一种有效的时频分析方法。     

多分量振动信号时频分析与应用研究

定义了一种新的L．Cohen类时频分布的动态组合核函数，并给出了设计方法。该核函数基于信号特征，在模糊面内核函数是动态和可变的，克服了固定形式的核函数只能分析单一信号的缺点，能同时分析由单频率信号、脉冲信号和多个线性调频信号组成的多分量信号。在机械设备故障诊断中，核函数的参数随机械运动参数的变化而变化，可同时提取旋转机械的谐波分量和脉冲信号，处理机器变速过程中的转速调频、零件冲击和固有频率等的多分量振动信号的识别。仿真和实例分析表明：动态核函数能很好地去除交叉干扰项，提高分辨率，同时又证明了该方法的实用性和有效性。     

新非平稳信号分析方法—自适应径向墨西哥草帽核时频分布

据自适应最优核设计准则,构造新的自适应径向墨西哥草帽型核函数时频分析方法。该方法能据分析信号分布自适应调节核函数的扩展方向及宽度,使在信号自项方向尽可能延伸,而不在信号自项方向的互项尽可能抑制,能克服传统时频分布中固定核函数缺乏对信号自适应能力的不足。给出自适应径向墨西哥草帽型核函数时频分布定义及算法,并与传统的短时傅里叶变换、Wigner-Ville分布及小波变换方法对比分析。仿真结果表明,所提方法优于传统的时频分布方法,能更有效处理非平稳信号,可获得较传统时频分布分辨率及抗噪更高性能。通过用于转子裂纹故障诊断实验结果表明,该方法能有效反映裂纹故障的严重程度。     

基于广义解调时频分析的多分量信号分解方法

广义解调时频分析方法是一种新的信号处理方法，该方法将广义解凋和最大重叠离散小波包变换相结合对复杂信号进行分解，得到若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号，从而获得原始信号完整的时频分布。本文在介绍广义解调时频分析方法的基础上，将该方法用于多分量信号的分析，对该方法进行了改进，给出了由改进的广义解调时频分析方法分解多分量信号的具体步骤，从而由改进后的广义解调时频分析方法不仅可以得到原始信号中各个分量的时域波形，而且还可以得到相同的时频分布。采用改进后的广义解调时频分析方法对仿真信号进行了分析，同时和其它时频分析方法进行了比较，结果表明了该方法的有效性。最后，对广义解调时频分析方法中的相位函数选择问题进行了讨论。     

基于Wigner-Ville分布与小波尺度谱融合的时频特征提取方法

时频分布提供了信号特征在时间域和频率域的联合分部信息。作为两种典型的时频分布表示方法,Wigner-Ville分布(WVD)和尺度谱都存在的缺陷,体现在WVD存在严重的交叉项,尺度谱时频聚集性差。本文在WVD和尺度谱的基础上提出了一种以消除交叉项和保持高分辨率为目的的时频特征融合算法。仿真分析验证了该算法能够有效抑制交叉项,可以很好的保持时频分辨率,且抑制了弱噪声对于时频特征的干扰。通过仿真信号的分析将该算法与Cohen类时频分析方法进行比较,验证了其在时频特征表示方面的优越性。将时频融合算法应用于轴承振动信号的时频表示,结果表明该方法能基本消除时频特征表示中的交叉项且保持了较高的时频分辨率,验证了算法在信号特征表示方面的有效性。     

时频面上基于瞬频估计的信号提取方法

针对多分量非平稳信号的噪声抑制和信号分离问题,提出了一种新的时频滤波法.采用FMmlet自适应分解将被分析信号在时频空间内展开,得到无交叉项干扰、时频聚集性很强,且能反映信号的线性或非线性结构的时频特性的时频分布.根据时频面内能量脊与瞬时频率的对应关系,采用谱峰检测和时频加窗轮流迭代的方法,估计出信号分量的瞬时频率.在瞬时频率精确估计的基础上,设计适当的时频滤波函数,对被分析信号的Wigner-Ville分布(WVD)进行时频加窗处理,得到单分量信号的修正WVD,然后采用 WVD反变换进行信号分量的时域重构,达到从非平稳信号中分离有用分量的目的.理论分析和仿真实验表明,利用该方法从复杂非线性时变信号中提取出的信号分量失真度小.该方法在非平稳信号的深层特征提取中具有良好的应用前景.     

时频二维逼近及在故障分量提取中的应用

机械故障信号通常是具有非线性时频关系多分量信号,其频谱占有较宽的频带,且各分量的频谱常常相互交叠,给故障诊断带来了很大的障碍.在传统信号分解的基函数线性逼近方法和时频重排的基础上,提出了基于时频二维逼近的信号分量提取方法.该方法对所要提取的特征分量进行参数建模,并计算出分量模型的时频函数以及多分量信号的重排时频分布;然后采用模型的时频函数拟合逼近原始信号的时频分布,并采用非线性最小二乘法确定出模型的各个参数值;最后设置能量下降梯度阈值控制迭代次数,用拟合得出的参数模型重构出信号分量.仿真实例验证了,上述方法对比基于时频滤波的信号提取方法,只需要少数几次拟合就能提取出所需要的信号分量,分量的重构精度较高.这种方法在轴承故障冲击分量提取中的应用表明,其不仅可以较精确地对轴承故障进行定位,而且能为故障原因及故障程度提供准确的判断依据.     

基于Gabor展开的Wigner-Ville分布的交叉项消除

Wigner-Ville分布(WVD)具有最好的时频分辨率,但其固有的交叉项问题限制了其应用.根据旋转机械振动信号分析中的多分量非平稳信号的频率成分均与基频成倍数(阶比)关系,提出应用基于离散Gabor变换的迭代时变滤波和对Gabor系数的选择遮掩提取出感兴趣的各单阶分量,先分别计算各单阶分量的WVD,再将各单阶分量的WVD合并,可得到无交叉项的WVD时频谱图.仿真及实际测试试验结果表明,该方法可有效去除旋转机械多分量非平稳信号WVD分析中的交叉项干扰.     

基于Wigner-Hough变换改进算法的多分量LFM信号检测

Wigner-Hough变换可以很好的抑制多分量LFM信号Wigner-Ville分布中严重的交叉项,但是在低信噪比时,Wigner-Hough变换完全被噪声淹没.本文提出一种改进算法,用基于信号的自适应高斯核时频分布代替Wigner-Hough变换中的Wigner-Ville分布.仿真表明,对于多分量信号在信噪比为-3dB,单分量信号在-17dB时该算法仍然有很好的性能.     

基于一种新的时频分布的机械故障诊断

通过设计核函数，给出了一新的时频分布(TFD)，并将该TFD应用于机械故障诊断。结合两个诊断实例，同时与Winger-Ville distribution(WVD)进行对比，发现该分布具有良好的时频聚集性，并且能够有效地抑制交叉项，事实证明，该分布能够刻画出幅值谱和WVD所不能反映的故障特征信号，能够较好地进行故障诊断。     

基于贝叶斯最优核判别分析的机械故障诊断

针对在该方法中,用核判别分析到机械故障诊断时核参数选取困难的问题,提出了一种基于贝叶斯最优核判别分析的机械故障诊断方法。首先采用梯度下降法优化同方差性准则确定最优核参数;然后采用最优核参数使用核判别分析将原始样本投影到一个最优子空间,在该子空间中各类样本具有最佳判别性;最后基于投影后的样本使用最近邻方法进行故障分类。将该方法应用于滚动轴承故障诊断,并与相关方法的诊断结果进行了比较,实验结果表明:该方法可获得与支持向量机同样的诊断正确率,并实现了最优核参数的自动选择。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于扭振分析方法的齿轮传动系统故障辨识

通过分析齿轮啮合过程的数学模型及典型故障,论证了扭振分析方法在齿轮系统故障诊断上的优越性,并提出一种测量齿轮轴上扭振信息的新方法。在此基础上搭建了齿轮传动系统,通过采用永磁旋转(角)加速度传感器检测齿轮系统各个运行状态下不同轴上的扭振信号;然后,分别对齿轮传动系统轴上的扭振信号和平台的振动信号采用小波包分解,提取各个节点的能量作为特征向量;最后,结合以径向基函数(RBF)为核函数的支持向量机(SVM)分别进行故障的辨识。实验结果表明:轴上的扭振信号在齿轮系统故障诊断上的效果要优于平台振动信号的诊断效果。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于Volterra级数和KPCA的旋转机械故障诊断方法研究

提出了一种基于Volterra级数和核函数主元分析（KPCA）的故障诊断方法。在提出的方法中,首先利用量子粒子群优化（QPSO）算法辨识出正常、转子裂纹、转子碰摩、基座松动四种状态下的Volterra级数,然后将Volterra核函数作为特征向量输入到KPCA进行训练识别。实验结果表明,提出的方法是有效的,在只考虑一阶Volterra核不能进行很好地识别时,可以从二阶、三阶Volterra核上来区分。     

Enhanced diagnostics using orthogonal de-noising based nonlinear discriminant analysis and its application to multivariate data

Many multivariate statistical techniques have been developed to solve fault diagnosis problems for productivity and quality improvement. Recently, nonlinear kernel techniques (e.g. support vector machines) have been successfully applied to a number of applications such as bio-informatics, face recognition, handwritten digit recognition, etc. The basis of these techniques is to map input data into a nonlinear space; these mapped data are then analysed. Using the kernel trick on these methods makes it possible to develop powerful kernel-based nonlinear techniques and to extract information from the mapped data. This paper proposes a new diagnosis method based on kernel Fisher discriminant analysis (KFDA), a nonlinear kernel technique. It utilizes KFDA to extract nonlinear patterns of data effectively. In addition, an orthogonal de-noising technique, called orthogonal signal correction, is incorporated into the proposed framework and used as a pre-processing step. This de-noising is executed before KFDA modeling in order to remove unwanted variation of data. A case study on two processes has been conducted. The proposed method produced reliable diagnosis results and the use of KFDA modeling combined with the orthogonal de-noising technique was able to improve the classification performance.     

行星齿轮箱振动信号特征提取新方法

与轴承、定轴齿轮箱相比,提取行星齿轮箱的故障特征更加困难,且传统方法对行星齿轮箱的诊断效果不好。针对行星齿轮箱故障振动信号的非线性、复杂性等特性,提出一种基于小波包样本熵和均方根值的故障特征提取新方法。该方法首先对原始信号进行连续等长度截取,获得样本信号,再利用小波包变换分解样本信号,计算分解后各频段的样本熵和均方根值,并进行归一化处理。将归一化参数作为加权平均的权重,计算加权平均的样本熵和均方根值。最后将两参数做商得到新参数。故障诊断及抗噪试验结果表明,新特征提取方法能增大行星齿轮箱不同故障特征的区分度且有较好的稳定性,同时新参数具有一定的抗噪性。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。