乘用车发动机曲轴位置传感器的工作特性

借助小波对小排量TU5JP4发动机ECU控制转速系统中磁感式曲轴位置传感器进行了转速工作稳定性分析。首先,对曲轴位置传感器测转速失效问题,提出在同一信号轮上布置两个曲轴位置传感器以提高曲轴位置传感器工作稳定性方案。之后,基于小波变换信号突变点检测的融合滤波算法,用该算法对采集到的两组曲轴转速信号作融合滤波处理。结果表明,该算法能有效检测到曲轴转速传感器是否符合失效模式,并能有效滤掉周围噪声和震动,得到曲轴位置传感器采集转速数据稳定性的一种方法。     

小波分析在柴油机气缸动力性能检测与故障诊断中的应用

提出了一种基于小波变换的飞轮瞬时转速检测柴油机气缸动力性能的新方法。对电涡流位移传感器拾取的飞轮轮齿通过信号直接进行时域采样,结合小波变换通过软件处理,获得精度很高的发动机工作瞬时转速波动信号,从而有效地检测柴油机气缸动力性能。     

平稳小波自适应去噪用于曲轴瞬时角加速度测量

针对曲轴角加速度测量中的噪声放大问题,构造了基于平稳小波变换的自适应去噪方案。该方案以小波系数能量熵最小为原则选择小波函数,根据各层小波方差的变化速率确定所需的分解层数,并由小波系数幅值分布状态决定阈值的生成准则。对比了平稳小波自适应去噪与常用的6阶Butterworth滤波器对曲轴角加速度噪声的抑制能力。结果表明,当柴油机状态正常时,两种方法去噪得到的结果相当;当柴油机高速轻载运行且有连续失火故障时,只有平稳小波自适应去噪能保留由失火引起的局部高频振荡信号。     

汽车发动机各缸工作不均匀性的一种在线监测方法

提出一种利用瞬时转速信号在线监测汽车发动机各缸工作不均匀性和失火故障的方法,通过建立多缸发动机的非线性动力学模型。揭示了瞬时转速与气体力扭矩及各缸气体压力之间的本质联系,在此基础上直接定义了2种衡量各缸不均匀性的无量纲特征参数,给出了这些参数的快速提取算法和故障判断方法,实验研究结果表明,该方法有效可行,能满足在线分析的要求,从而为汽车发动机的性能监测、诊断与控制提供了一条可行的途径。     

基于小波变换的扭矩传感器瞬时信号预处理

为了使扭矩信号的变化情况不受干扰信号的影响,通过采集扭矩传感器的瞬时信号,利用Haar小波的信号分解和重构算法对采样信号进行了分析和处理,将采样信号分解成多个层次上的高频和低频部分.针对实际需求,采用了强制滤波的方法,对高频部分信号的小波系数设定合适的闽值进行修正,再通过信号重构来达到对瞬时信号消噪的目的.实验结果表明,利用小波变换的方法对扭矩传感器瞬时信号进行预处理是可行和有效的.     

基于小波变换技术的发动机异响故障诊断

针对发动机异响故障信号呈非平稳时变特征并伴随有强烈的背景噪声,提出一种基于小波细节系数自相关性分析的分层阈值降噪法,该方法对信号进行离散小波变换,将信号分解为近似系数和细节系数,求出各层细节系数的自相关序列,根据序列是否呈白噪声自相关特性确定该层阈值。信号经过分层阈值降噪后,再进行连续小波变换,画出时频图,结合时域特征和频域特征确定故障类别。试验研究首先以模拟的信号模型为例,再针对实际的活塞敲缸响和曲轴轴承响两种常见异响故障进行比较分析,结果表明,分层阈值降噪法可以提高信噪比,恢复较高频率的有用信号,小波时频图可以清晰地呈现故障信号的时域和频域特征,为诊断提供一种切实可行的策略。     

基于小波空间适应的核磁共振碳谱信号消噪研究

本文讨论了小波空间适应的核磁共振谱信号消噪方法，选取具有7阶消失矩的Symmlet小波将受非白噪声污染的碳谱信号进行多层分解，利用每层小波变换的细节系数估计逐层细节系数中噪声均方差σj，选取各层阈值σj√2lnn（n为细节系数长度），对小波分解的各层细节系数进行分别阈值处理，然后进行信号重建，以达到对信号消噪和提纯，实验结果表明，这种去噪方法是非常有效的，它在消除噪声的同时保留了信号的奇异特征。     

曲轴瞬时转速在发动机控制中的应用研究

曲轴瞬时转速在一定程度上直接反映发动机的真实工作状态,采集一个工作循环的曲轴瞬时转速信号,利用曲轴瞬时转速和发动机气缸在工作时域上的严格对应关系,提取特定角度范围的瞬时转速,通过分析瞬时转速的波动大小和变化率,可以用来识别发动机各气缸做功状态,是否存在气缸失火,密封性差,或喷油器磨损等故障,同时也是实现单曲轴降级起动的一个重要参数。     

基于平稳小波变换的X射线衍射信号消噪研究

讨论利用平稳小波变换进行X射线衍射信号消噪的方法,首先利用Haar小波将受噪声污染的X射线衍射信号进行多层平稳小波变换,利用小波变换的细节系数估计噪声均方差σ,选取阈值σ2lnN(N为细节系数长度),对小波分解的细节系数进行阈值处理,然后进行平稳小波逆变换重建信号,以达到对信号消噪和提纯。实验结果证明,这种去噪方法是非常有效的,它在消除噪声的同时保留了信号的奇异特征。     

基于小波变换的图像降噪技术研究

根据小波变换和噪声信号的能量分布特性,提出了一种先用小波变换对含噪图像进行多尺度分解,求出各尺度小波变换高频系数的噪声方差和阈值,利用各尺度的阈值对高频系数进行处理,然后利用小波变换系数重构图像,实现图像降噪的方法;实验结果说明该方法既可以有效地降低噪声,又可以较好地保持图像细节。     

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。     

谐波小波包方法及其对转子亚频轴心轨迹的提取

转子轴心轨迹,特别是亚频轴心轨迹的提取,在转子故障识别中是十分重要的。分析了谐波小波的优势,在研究了谐波小波的频段分解基础上,提出了谐波小波包变换的频段分析表达式,并给出了实现方法,实现了谐波小波的任意频段“任意细化”能力。对转子振动信号进行了频域细化分析,并用谐波小波包变换对实际的高速转子振动信号进行了分析,在得到细化频谱的同时,直接实现了常规方法难以实现的转子亚频信号的轴心轨迹提取,得到了满意结果,为转子故障信号的分析创造了条件。     

Induction motors airgap-eccentricity detection through the discrete wavelet transform of the apparent power signal under non-stationary operating conditions

Fast Fourier transform (FFT) analysis has been successfully used for fault diagnosis in induction machines. However, this method does not always provide good results for the cases of load torque, speed and voltages variation, leading to a variation of the motor-slip and the consequent FFT problems that appear due to the non-stationary nature of the involved signals. In this paper, the discrete wavelet transform (DWT) of the apparent-power signal for the airgap-eccentricity fault detection in three-phase induction motors is presented in order to overcome the above FFT problems. The proposed method is based on the decomposition of the apparent-power signal from which wavelet approximation and detail coefficients are extracted. The energy evaluation of a known bandwidth permits to define a fault severity factor (FSF). Simulation as well as experimental results are provided to illustrate the effectiveness and accuracy of the proposed method presented even for the case of load torque variations.     

一种Hilbert变换法在非线性系统分析中的应用

Hilbert变换是信号处理领域常用工具之一,将Hilbert变换法改进并应用到信号分解和非线性系统振动分析中。振动信号的多谐波性,使得Hilbert变换法提取信号的瞬时频率和瞬时相角可以通过滤波的方法分离成快变和慢变两部分,从而提取系统的振动分量;通过迭代计算,依次获得振动信号中所有谐波分量;将非线性振动方程用瞬态幅值相关的瞬态参数表示,从而求解系统的频响关系曲线方程。通过相应的数值模拟计算,验证了改进的Hilbert变换法在非线性振动分析的有 效性。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.     

基于多项式Chirplet变换和变分模态分解的变转速工况轴向柱塞泵故障诊断

针对变转速工况轴向柱塞泵故障诊断时故障特征提取困难的问题,提出了基于多项式Chirplet变换和变分模态分解的诊断方法。首先使用多项式Chirplet变换估计瞬时频率;然后基于估计的瞬时频率重采样,将时域非平稳信号转化为角域平稳信号;最后对角域信号进行变分模态分解。根据峭度对所得的本征模态函数分量进行重构并作包络阶次谱分析,判断轴向柱塞泵中轴承的故障类型。实验结果表明,该方法有效提取了变转速工况轴向柱塞泵轴承的故障特征。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

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。     

Sparse decomposition method based on time–frequency spectrum segmentation for fault signals in rotating machinery

The impulse signal in large rotating machinery with damage fault is sparse, weak, coupled, and even nonperiodic in intermittent operation. To extract this complex signal is a key topic in machinery fault diagnosis. Sparse decomposition (SD) has excellent adaptability in describing arbitrary complex signals based on over-complete dictionary. However, the pursuit speed of best atom is a serious drawback. To alleviate this, a method of sparse decomposition based on time–frequency spectrum segmentation (SD-TFSS) is introduced. Generalized S transform (GST) provides the capability to show the distribution of vibration signals, but the resolution is susceptible to noise, multiresolution generalized S-transform (MGST) is developed to generate multiresolution time–frequency spectrums. Then, spectrums fusion with an appropriate threshold is adopted to acquire multiresolution binary spectrums and produce an optimal binary spectrum. From this optimal binary spectrum, all the connectivity areas are extracted and marked by spectrum segmentation. Thus, an optimal library can be constructed by selecting the optimal atoms of every connectivity area, and the signal can be expressed with this library. We conduct simulations and experiments demonstrating that the proposed method performs well with lower pursuit complexity, higher decomposition efficiency, and better approximation precision.     

Hilbert transform in vibration analysis

This paper is a tutorial on Hilbert transform applications to mechanical vibration. The approach is accessible to non-stationary and nonlinear vibration application in the time domain. It thrives on a large number of examples devoted to illustrating key concepts on actual mechanical signals and demonstrating how the Hilbert transform can be taken advantage of in machine diagnostics, identification of mechanical systems and decomposition of signal components.