齿轮故障振动啮合调幅调频信号分离方法

齿轮故障时振动信号中同时存在调幅调频信号。基于齿轮故障振动啮合调制信号数学模型,利用平方幅值解调和基于调频信号与第一类贝塞尔函数之间关系的频率解调方法,分别建立关于调幅和调频参数的非线性方程组;再应用最小二乘优化算法求解参数,提出一种调幅调频信号准确分离的新方法。并将离散频谱校正技术用于提高该分离方法的准确性。仿真结果表明：该方法精度高,抗干扰能力强;分离出的调频信号比希尔伯特变换和基于能量算子解调求解的调频信号精度高。实验分析表明,不同故障分离的调幅调频信号存在明显的特征和差异,从而为齿轮箱故障提供了一种新的诊断方法。     

基于自适应VMD的高速列车轴箱轴承故障诊断

以尺度空间对信号频谱中共振频段的识别能力为基础,结合变分模态分解(VMD)对信号的自适应分解能力,提出了预估惩罚因子的尺度空间引导VMD算法。该算法的核心包括以尺度空间对信号频段的共振频段划分从而确定VMD中的本征固有模态个数,并根据共振频段边界预估VMD各个本征固有函数的初始中心频率与相应的惩罚因子取值,从而提高VMD的自适应性以及准确性。仿真结果表明,该方法能够正确识别低信噪比条件下的故障信号的共振频带,并对信号进行准确的分解。应用高速列车轴箱轴承实验数据对该方法进行实验验证,能够有效分解信号中包含的不同故障冲击;与选择不同惩罚因子的VMD算法相比,能够更准确地提取出信号中的不同故障冲击,对VMD分解的自适应性与准确性有着显著提高。     

基于VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于VMD和Infogram的滚动轴承故障特征提取

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

时延自相关解调频原理及其在齿轮故障诊断中的应用

当齿轮发生故障时,调幅和调频现象往往同时存在,但是传统方法通常只适用与解调幅,而不能解调频。同时振动信号中常含有大量的噪声,严重的影响了解调结果。由于高延迟的自相关函数具有受噪声影响比较小的特点,已有文献用时延自相关法解调幅,但是用做解调频还鲜有研究。为此,从理论上分析了调频信号和调幅调频信号的自相关函数,得出调频信号的自相关函数是调幅信号,调频调幅信号的自相关函数仍然是调幅调频信号,且其调制频率不变。这样就从理论上说明了时延自相关解调法是解调频和解调频的通用方法。最后通过仿真实验和实例分析,表明了时延自相关解调法不仅能有效的解调频,而且具有较好的抗噪性。     

基于Vold-Kalman广义解调的变转速轴承和齿轮复合故障诊断

现有的以谱峭度为核心的滤波算法无法同时分离提取由轴承和齿轮故障激起的高频共振带。针对该问题,该研究舍弃以共振带提取为核心的诊断思路,直接提取、重置和定量表达时变非平稳的故障特征成分,提出了基于Vold-Kalman广义解调的变转速滚动轴承和齿轮复合故障诊断策略。该策略的核心是利用Vold-Kalman滤波从原始信号的包络中提取时变非平稳的轴承和齿轮故障特征成分;通过广义解调变换(GDT)将上述提取的时变非平稳故障特征成分进行平稳化重置;利用快速傅里叶变换(FFT)对上述重置的故障特征成分进行定量表达;通过频率谱中峰值与理论频率点的对比完成故障点定位。其中用于提取、重置和识别故障特征成分的频率函数、相位函数和频率点可由转频方程和机械结构参数计算。仿真和实测信号的分析结果表明所提算法无需共振带选取和角域重采样即可完成变转速轴承和齿轮复合故障特征的提取。另外,与传统带通滤波方法的对比进一步表明该算法去除无关项干扰、突出故障特征成分的优越性。     

振动调频信号的时延二次变换解调研究

调频信号在频谱上具有与调幅信号相同的频率分布特征，然而，轴承和齿轮故障诊断中常用的解调方法却只适用于调幅信号，不能分析调频信号。基于以上问题，从确定调频信号频率分量幅值的贝塞尔函数的性质出发，分析了平方解调法不能对调频信号进行解调的原因。分析过程中发现由于贝塞尔函数的一些特殊性质，使得常用的解调方法不再适用于调频信号。针对这个原理，本文提出利用时延二次变换（信号与时延信号的乘积）打破调频信号边频分量的贝塞尔函数的特殊性，使得变换之后的信号中包含有调制频率，从而实现了对调频信号的解调。     

基于信号匹配追踪的模态参数提取

传统的的设备模态参数提取多是建立在频谱计算的基础上,提取精度受采样频率和时域截断产生的能量泄漏的影响较大。为此,提出了一种基于信号匹配追踪的模态参数提取方法,该方法将Laplace小波作为信号匹配追踪的基元函数;同时引入粒子群算法来实现Laplace小波的参数寻优,克服了传统算法计算复杂的缺点。仿真和实际应用表明,该方法可有效地提取设备的模态参数;且比传统的半功率带宽法具有更高的精度。     

谱相关密度分析在轴承点蚀故障诊断中的研究

利用谱相关密度提取轴承故障特征时需要在循环频率域和频率域上同时兼顾高分析带宽和高分辨率,从而使得该方法的计算量庞大,难以达到较高的分析精度.鉴于此,首次在循环平稳分析中引入解析的思想,利用解析形式的谱相关密度在循环频率域不存在高频特征的特点,提出运用时域选抽技术,在保证分辨率的同时降低分析带宽,减少计算量,从而得到更好的分析效果.本文以一般调幅信号解析形式的谱相关密度分析为基础,对滚动轴承点蚀故障模型进行了分析,推导了其谱相关密度分析的理论结果,给出具体的算法实现.仿真调幅模型和实际轴承故障信号,证实了理论分析的正确性和算法的可行性,同时也验证了谱相关密度分析对调幅特征的提取能力.     

基于多元EMD-AM/FM分解的多点非平稳雷暴风速模拟

雷暴风对建筑物和输电线塔等结构具有很大的破坏性。为了准确估算结构的动力响应,获得可靠的风速样本至关重要。该文结合多元经验模态分解（MEMD）,调频函数/调幅函数（AM/FM）分解和本征正交分解（POD）建立了基于时频分析的非平稳多点风速的模拟方法。第一,采用MEMD分解多点风速,产生固有模态函数;第二,采用AM/FM分解计算各点的固有模态函数的瞬时频率和瞬时幅值;第三,利用POD对瞬时频率解耦;第四,将瞬时幅值和解耦后的瞬时频率用于重构多点非平稳风速。实测多点雷暴风的模拟结果表明: MEMD-AM/FM分解-POD方法能满意地模拟多点非平稳雷暴风速。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于经验模式分解的框架结构螺栓松动检测实验研究

螺栓松动损伤具有非线性特征,在低、高频激励共同作用下,结构动力响应会出现高频激励与结构固有频率之间的调制现象。利用该调制现象,本文发展了一种基于经验模式分解(EMD)的螺栓松动检测方法,分别对高频正弦和随机激励下结构响应信号进行EMD分解并作功率谱分析,采用EMD分解后含有调制成分的高频固有模式函数(IMF)构造能量损伤指标来识别结构螺栓松动。采用多尺度法进行单自由度非线性模型分析解释高频调制现象,并通过螺栓连接框架结构的振动实验验证了该方法的有效性。结果表明,螺栓松动时,响应信号频域中出现高频激励与固有频率间的调制成分,所构造的能量损伤指标能够有效识别螺栓松动损伤,并且对于初始松动损伤识别更为敏感。     

基于经验模式分解的时频重排方法及其应用

重排方法通过将代表信号局部能量分布的几何中心重排到其质量中心,从而提高时频表示的聚集性和可读性,但是并没有完全消除交叉项.在此,将经验模式分解算法引入重排方法中,用于抑制重排方法在分析多分量信号时出现的交叉项.利用经验模式分解,首先将待分析的非平稳信号分解成有限个基本模式分量,它具有单分量信号的性质.对这些基本模式分量进行重排处理后的时频表示,具有良好的时频聚集性且交叉项被消除.通过对测试的柴油机爆燃阶段振动信号的重排时频分析,验证了该方法在机械故障特征提取中具有很好的应用潜力.     

基于变分模式分解的行星齿轮箱齿轮组合故障频率解调分析

行星齿轮箱组合故障振动信号具有多源调制特点,在频域内边带结构复杂,通过常规Fourier频谱分析难以有效提取故障特征;组合故障振动信号的调频部分包含故障信息,且不受传递路径影响。为了准确提取行星齿轮箱组合故障特征,提出基于变分模式分解的频率解调分析方法。根据采样频率和载波频率确定单分量个数,通过变分模式分解将多分量信号自适应地分解为一系列本质模式函数;计算本质模式函数的瞬时频率,根据中心频率和啮合频率的匹配关系选取敏感单分量;通过分析敏感单分量瞬时频率频谱诊断组合故障。通过仿真信号和实验信号分析验证了方法的有效性,诊断了太阳轮与行星轮、太阳轮与齿圈、行星轮与齿圈的组合故障。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

带通滤波后语音可懂度的实验研究

语音信号在空气中远距离传播时,由于大气的低通滤波效应,高频分量衰减严重,能够到达远端的量很少．其占据的信号源部分能量不能有效利用,从而使语音传播距离受到很大限制。在某些要求距离的场合,需要牺牲部分语音清晰度,传播时保留最低限度的可懂度以提升语音传播距离。语音信号中所含频率成分丰富,但对语音可懂起决定作用的只是其中有限范围的频段。以数字滤波和主观评价的方法对采样频率为44．1kHz的汉语语音可懂的极限频率进行了研究。结果表明,在满足语音内容完全可懂的要求时,汉语语音频率的最低上限应取在1kHz,最高下限应处于300Hz。该结论可以为调制信号源频率以提高能量利用效率,提升语音传播距离提供重要依据。     

基于Hilbert-Huang变换的心率变异信号分析

提出一种基于Hilbert-Huang变换(HHT)的心率变异信号分析的新方法。心率变异分析被广泛应用于评估心脏自律功能以及疾病诊断领域。为获得更多心率信号内在特征,首先利用经验模态分解(Empirical Mode Decomposi-tion,EMD)方法将信号分解为一组固有模态函数(Intrinsic Mode Function,IMF),运用Hilbert变换计算并分析各层IMF的瞬时频率和瞬时幅值,从而获取信号所包含的内在信息、心率变异突发时刻和变化趋势。结合积分脉冲频率调制(Inte-gral Pulse Frequency Modulation,IPFM)模型模拟出的心率信号以及真实的心率信号,利用小波分析方法以及HHT方法对心率信号进行对比分析,实验结果证明了HHT方法的可行性,显示了该方法相对于小波分析方法的优势。