S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

频率同步压缩与时间同步压缩的对比和应用

同步压缩变换是一种具有重构特性的时频分析方法,常用作短时傅里叶变换(short-time Fourier transform,简称STFT)的后处理步骤。介绍了两种不同的同步压缩方法:频率同步压缩(frequency-reassigned synchrosqueezing transform,简称SST)和时间同步压缩(time-reassigned synchrosqueezing transform,简称TSST),并通过对比两者所使用的短时傅里叶变换,来说明两种同步压缩方法的区别以及各自的应用场合。为了利用计算机进行快速计算,按照两种同步压缩的计算流程分别给出它们的离散化实现算法。此外,使用了旋转机械的碰摩故障和轴承外圈的冲击故障来验证两种算法的有效性,并指出SST方法因其在频率轴方向上压缩STFT系数的特点能够较好地识别旋转机械中的碰摩故障,而TSST方法因其在时间轴方向上压缩STFT系数的特点能够实现对轴承外圈冲击故障频率的检测。     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

改进集成噪声重构经验模式分解的微弱时频特征增强方法及应用*

基于噪声利用机制,集成噪声重构经验模式分解方法(Ensemble noise-reconstructed empirical mode decomposition, ENEMD)利用原信号中固有噪声分量改善模式混淆现象,并通过固有噪声分量的相互抵消作用实现信号降噪。然而,该方法中关键噪声估计技术采用类硬阈值处理方式,忽略系数之间相关性。为此,研究基于相邻系数降噪原理的ENEMD噪声估计技术,提高固有噪声分量估计的准确性。在此基础上,将改进ENEMD方法引入Hilbert-Huang变换中,提出改进ENEMD的微弱时频特征增强方法。该方法以无模式混淆的本征模式分量(Intrinsic mode function, IMF)准确表征微弱故障信号的瞬时频率,并以降噪IMF有效提高时频谱信噪比,消除时频谱中噪声杂点,显著提高信号时频表示的分辨率,增强微弱故障的时频表征并突显局部故障征兆,为机械早期和微弱故障识别提供有效手段。工程实例表明该方法有效揭示空气分离压缩机碰撞与摩擦故障征兆,并成功提取重油催化裂化机组早期微弱碰摩故障特征。     

基于频率切片小波变换时频分析的齿轮故障诊断

为了在强噪声中有效提取齿轮的故障特征,提出了一种基于频率切片小波变换时频分析的齿轮故障诊断方法。先对信号进行频率切片小波变换,得到在全频带下的时频分布,然后在此基础上分割出含有故障特征的时频区域,再通过对该区域进行时频阈值滤波和逆变换重构分离出有效的故障特征。仿真实验和实测信号分析表明,这种方法可从噪声信号中分离出有效的特征分量,在齿轮故障诊断方面取得了较好的应用效果。     

基于精确信息重构的故障转子系统振动加速度信号积分方法

在分析总结加速度信号时域积分法与频域积分法优缺点基础上,提出一种基于精确信息重构的故障转子系统振动加速度信号积分方法。该方法利用故障转子系统振动信号由转频、倍频及分倍频分量构成为主的特点对加速度信号进行快速傅里叶变换(Fast Fourier transform,FFT),通过特征频率分量提取并将所提取的分量的幅值与预设的阈值进行比较;幅值低于阈值的分量认为是噪声分量,予以剔除,高于阈值的分量保留并进行精确频谱校正;根据校正后各个频率分量的频率、幅值和相位积分重构出相应的速度信号和位移信号。精确信息重构方法在去除宽频噪声和保留有用特征信息方面有明显的优势。最后通过仿真分析和试验验证,结果表明该方法相对于传统的时域和频域积分具有更高的精度和优越性。     

基于频率成比例重分配线性Chirplet变换的时频分析方法

齿轮故障信号具有典型的调制特征，其各个频率分量的瞬时频率轨迹具有成比例特征；同时，传统的时频方法存在时频能量集中度低、弱分量信号被淹没的问题。为此，提出了一种频率成比例重分配线性Chirplet变换(PFSRLCT)的时频分析方法。首先，修改了线性Chirplet变换，利用新的核函数来匹配信号的瞬时频率轨迹，以获得时频域表示，利用脊线搜索方法提取了时频脊线；然后，利用时频脊线和狄拉克函数构造了同步重分配算子，对所得到的时频结果进行了重分配，进一步提高了时频能量集中度；最后，利用模拟信号验证了PFSRLCT方法的有效性，并将其与其他方法进行了比较；此外又将该方法应用于实际齿轮箱故障信号的诊断，从所得到的时频结果中可以清楚地分辨出啮合频率fm及其谐波和边频带，所诊断出的故障类型与预设故障类型符合，验证了该方法的适用性。研究结果表明：PFSRLCT在处理具有瞬时频率轨迹成比例特征的信号时，显示出了良好的性能，在信噪比为-2 dB～10 dB时，所得的频率估计误差均小于0.01,在信噪比为-1 dB时，所得Rényi熵仅为4.745 1,均明显小于其他方法，证明该方法的噪声鲁棒性相较于其他方法...     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法，并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律，在短时傅里叶变换过程中自适应的改变时窗长度，从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点，通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息，利用参考转速对故障信号角度域重采样和阶次分析，从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明，与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中；试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

基于改进经验小波变换的行星齿轮箱故障诊断

行星齿轮箱振动信号具有复杂多分量和调幅-调频的特点。幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析,有效识别故障特征频率。经验小波变换通过对信号Fourier频谱的分割构造一组正交滤波器组,能提取具有紧支撑Fourier频谱的单分量成分,再对单分量成分运用Hilbert变换即可实现信号的解调分析。经验小波变换能够有效分离出调幅-调频成分,不存在模态混叠现象,具有完备的理论基础,自适应性好、算法简单、计算速度快。将改进的经验小波变换应用于行星齿轮箱振动信号的解调分析;提出了一种单分量个数的估算方法,解决了经验小波变换中的Fourier频谱划分问题;给出了对故障敏感的信号分量的选取方法,提高了分析的针对性。将改进方法应用于行星齿轮箱振动仿真信号和实验信号分析,验证了该方法的有效性。     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。     

短时AR谱分析及在内燃机故障诊断中的应用

针对利用传统短时Fourier变换(STFT)进行时频分析时不可能同时得到任意高时域分辨率和频域分辨率的问题,提出对传统的短时Fourier变换进行改进,在短时Fourier变换的计算中,利用自回归(AR)谱估计代替离散Fourier变换(DFT),得到了一种基于AR谱估计的短时AR谱分析方法。应用该方法对内燃机气阀机构的故障进行了分析,结果表明短时AR谱分析的估计性能大大改善,能够较好地给出信号的时频分布表示。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

Gabor Order Tracking Filtering Technology in Rotary Machinery

Order analysis is one of the most important technique means of condition monitoring and fault diagnosis for rotary machinery.The traditional order analyses usually employ the Vold-Kalman filtering,however this method is confined to the expensive hardware equipments.This paper starts from Gabor transform and applies the Gabor time-frequency filtering to vibration signal.The order component's time-frequency coefficients are extracted by mask operation.The order component is reconstructed from the obtained coefficients.The following four key technologies,such as smoothing rotary speed curve,defining filtering band width,constructing the mask operation matrix and reconstructing signal component,are also deeply discussed.Moreover,the technique to smooth the rotary speed curve based on polynomial approximation,the method to determine filtering band width,the arithmetic to constitute mask array and the iterative algorithm to reconstruct signal based on minimum mean square error are specifically analyzed.The 4th order component is successfully gained by using the methods that Gabor time-frequency filter,and the validity and feasibility of this method are approved.This method can solve the problem of order tracking filter technologies which used to depend on hardware and efficiently improve the accuracy of order analysis.     

Non-stationary signal analysis based on general parameterized time–frequency transform and its application in the feature extraction of a rotary machine

With the development of large rotary machines for faster and more integrated performance, the condition monitoring and fault diagnosis for them are becoming more challenging. Since the time-frequency (TF) pattern of the vibration signal from the rotary machine often contains condition information and fault feature, the methods based on TF analysis have been widely-used to solve these two problems in the industrial community. This article introduces an effective non-stationary signal analysis method based on the general parameterized time–frequency transform (GPTFT). The GPTFT is achieved by inserting a rotation operator and a shift operator in the short-time Fourier transform. This method can produce a high-concentrated TF pattern with a general kernel. A multi-component instantaneous frequency (IF) extraction method is proposed based on it. The estimation for the IF of every component is accomplished by defining a spectrum concentration index (SCI). Moreover, such an IF estimation process is iteratively operated until all the components are extracted. The tests on three simulation examples and a real vibration signal demonstrate the effectiveness and superiority of our method.