基于离散广义S变换与双向二维主成分分析的内燃机故障诊断

针对内燃机气阀机构的故障诊断问题,提出一种将离散广义S变换和双向二维主成分分析（TD-2DPCA）相结合的诊断方法。该方法首先利用离散广义S变换将内燃机缸盖振动信号生成振动谱图像,然后利用TD-2DPCA对图像进行特征提取,有效减小特征系数矩阵的维数,最后,通过最近邻分类器进行分类识别。将该方法应用于内燃机气阀机构8种工况的诊断实例中,对比不同时频表征及特征提取方法的计算效率和识别精度,结果表明该方法可为内燃机故障诊断提供一条新途径。     

基于CSLBP的轴承信号时频特征提取方法

针对滚动球轴承振动加速度信号特征提取问题,提出一种基于中心对称局部二值模式(center-symmetric local binary pattern,简称CSLBP)的时频特征提取方法。首先,利用广义S变换对滚动球轴承振动加速度信号进行处理,通过采用时频聚集性度量准则自适应地确定广义S变换的调整参数,从而获取时频分辨性较好的二维时频图;然后,计算二维时频图的CSLBP,提取CSLBP纹理谱描述滚动球轴承振动加速度信号的时频特征。对滚动球轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态的振动加速度信号进行了研究。结果表明,CSLBP纹理谱能有效地表达滚动球轴承振动加速度信号的时频特征,与局部二值模式(local binary pattern,简称LBP)和统一模式LBP纹理谱相比,CSLBP纹理谱具有特征维数低和区分性能好的优点。     

二维非负矩阵分解在齿轮故障诊断中的应用

针对齿轮故障信号时频分布识别问题,提出采用二维非负矩阵分解技术提取时频分布矩阵特征参数的方法。采用S变换技术将齿轮故障信号变换至时频域,为克服传统的一维非负矩阵分解对矩阵向量化带来的维数过高和结构信息损失问题,提出采用二维非负矩阵分解技术直接对信号时频分布矩阵提取特征参数。对齿轮5种状态下信号时频分布矩阵的特征提取和分类结果表明,二维非负矩阵分解技术无论在计算效率还是分类精度上都明显优于一维非负矩阵分解技术。     

基于VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题，提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先，基于VMD算法分解振动信号，以互信息指标筛选真实分量并进行重构，通过GST将重构信号转化为时频图；然后，以得到的二维特征图像为输入，通过AMCNN自适应学习其时频特征；最后，通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证，结果表明：VMD-GST方法能有效提取故障特征，AMCNN模型具有更强的特征提取能力和识别能力，平均故障识别准确率达到99.76%,优于其他方法。     

内燃机振动时频图像的编码特征提取与诊断

针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

形态学多尺度广义分形矩阵在轴承故障诊断中的应用

针对轴承故障信号非线性特征提取的问题,提出一种形态学多尺度广义分形矩阵对轴承故障信号进行表征。形态学多尺度广义分形矩阵采用数学形态学覆盖法估计信号的分形维数,同时考虑信号在尺度和统计分布上的非严格自相似性,包含比传统分形维数更为丰富和全面的信息。采用轴承7种状态下的振动信号对形态学多尺度广义分形矩阵进行验证,结果表明:与传统的单一分形维数、广义分形维数和多尺度分形维数相比,形态学多尺度广义分形矩阵具有更高的轴承故障诊断精度。     

广义S变换时频谱SVD降噪的滚动轴承故障冲击特征提取方法

针对强背景噪声下滚动轴承故障冲击特征难以提取的特点,提出了基于广义S变换时频谱SVD降噪的滚动轴承故障冲击特征提取方法。利用广义S变换时频分辨率高,时频谱能量集中,适合处理与分析非平稳冲击信号的特点,将广义S变换时频谱系数矩阵作为SVD的Hankel矩阵,以奇异值差分谱峰值群最后一个峰值点对应的奇异值作为置零阈值,最后对降噪后的数据矩阵进行广义S逆变换得到时域冲击特征信号。仿真及实际研究表明,该方法能够有效地提取出低信噪比信号中的周期性冲击特征,并能够有效地提取轴承故障振动信号中的冲击特征频率。     

基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。     

基于广义S变换的齿轮箱轴承故障诊断方法

齿轮箱轴承故障冲击信号通常具有非平稳和非线性的特点,若在强背景信号与噪声中,更加难以识别和提取。鉴于广义S变换具有良好的自适应性和时频聚集性,提出了一种基于广义S变换的齿轮箱滚动轴承故障诊断方法。对广义S变换的时窗函数进行讨论,分析了不同参数对调节窗函数宽度的影响;讨论了不同程度的轴承故障在广义S变换时频谱图上的能量分布;通过仿真和实验验证了所提方法的可行性。结果表明,广义S变换方法能有效地反映不同轴承故障的特征频率,为齿轮箱的轴承故障诊断提供一种有效的方法。     

S-GLCM熵:一种新的滚动轴承性能退化指标提取方法

S变换兼具了小波变换和快速傅里叶变换各自的优势,具有良好的时频聚集性.灰度共生矩阵能够通过研究灰度的空间相关特性来描述图像纹理.归一化信息熵能够定量的度量信号分布的复杂程度.经S变换取其模后得到S时频谱图,通过灰度共生矩阵对滚动轴承全寿命周期内不同状态进行特征提取并对其进行复杂度度量,提出了一种S-GLCM熵特征指标来反映滚动轴承的退化过程.通过对滚动轴承内圈、轴承外圈、轴承滚动体三种故障分别进行3种不同损伤程度数学模型仿真数据分析,提取各自S-GLCM指标进行对比,验证了该方法的可行性.通过对滚动轴承加速疲劳寿命周期内的数据进行分析,与工程中常用的时域指标有效值进行对比,结果表明了该方法的有效性.     

柴油机振动谱图纹理增强的NMF特征提取方法

针对柴油机振动加速度信号特征提取困难的问题,提出一种对时频图像纹理信息进行增强的矩阵非负分解方法,用于提取柴油机振动信号的时频特征。首先,利用匹配追踪算法(MP)结合Wigner-Ville分布获取时频分辨率较好的时频表征;然后引入局部二值模式(LBP)算子对时频图像的灰度矩阵重新编码,再利用非负矩阵分解算法(NMF)获取时频图像对应的低维特征参量,以增强时频图像的纹理特征,提高NMF的特征提取效果。通过对柴油机4种不同状态的振动信号进行分析研究,可得出结论:该方法能有效地表达柴油机缸盖振动加速度信号的时频特征,可用于准确地诊断柴油机的气门故障。     

非下采样轮廓波变换在故障分类中的应用

基于非下采样轮廓波变换的多尺度分解和多方向分解的特性,提出一种用于时频图像特征提取的方法。首先,将振动信号变换到时频域得到时频图像,并利用Matlab将得到的时频图像转换为灰度图像;其次,对该图像进行非下采样轮廓波变换,得到其高频和低频子带,根据高频子带和低频子带所包含信息不同,研究不同的特征提取方法,笔者提取高频子带的能量和低频子带的均值、标准差作为特征值;最后,利用支持向量机(support vector machine,简称SVM)对齿轮箱的不同程度故障以及滚动轴承故障进行分类测试。实验结果验证了该方法提取时频图像特征量的有效性,为设备的状态识别提供了一种有效的方法。     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

应用时频图像纹理特征的行星齿轮故障诊断

行星齿轮箱结构复杂,当发生故障时其振动信号呈非线性非平稳特点且故障信号微弱,为了能够准确提取行星齿轮磨损故障信息的特征,提出局部均值分解（local mean decomposition,简称LMD）结合S变换（LMD?S）的信号处理方法,且转化为时频分布图像,应用时频图像纹理特征进行行星齿轮故障诊断。首先,把振动信号经由LMD?S变换处理后利用相关分析方法滤除干扰且转化为时频分布图像;其次,利用非均匀局部二值模式（local binary patterns,简称LBP）提取不同工况下采集数据的图像纹理特征;最后,采用极限学习机识别出3种故障类型,故障识别准确率达到90%,证明了此方法的有效性。     

基于S时频熵的球轴承性能退化特征指标提取方法

滚动轴承的性能退化评估是实现主动维护的关键技术,其对特征提取提出了完全区别于故障模式识别的新要求。作为旋转机械中重要的零件,轴承的振动信号往往具有非平稳性,采用有效的时频分析能充分挖掘蕴含其中的故障信息。S变换是一种兼具小波和短时Fourier变换各自优势的时频分析方法,信息熵则能够定量度量信号分布的复杂程度,因此提出了S时频熵指标用来度量轴承振动信号的复杂度并反映其退化过程。对滚动轴承加速疲劳试验寿命周期数据进行分析并与有效值进行对比表明,S时频熵能够有效反映轴承性能的退化过程,可以作为性能退化评估框下现有指标的有益补充。     

数字化制造装备的主轴服役性能监测与诊断

数字化制造是先进制造的核心技术,实现制造过程的数字化定量描述是推进数字化制造的关键.主轴部件是数控装备的最重要部件之一,针对主轴中最易损伤的轴承,研究了新的时频分析方法S变换,获得主轴振动信号的时频分布,采用奇异值分解技术对所获得的时频矩阵进行数据压缩,从而定量提取振动信号的故障特征.数值仿真和试验研究结果表明该方法对于主轴轴承运行状态具有较高的识别精度,为数字化制造装备的主轴服役性能评估提供了新思路.     

基于时频图像不变矩特征提取的轴承故障诊断方法

旋转机械设备发生故障时产生的信号具有非平稳、非线性的特点。提出一种基于时频图像的不变矩特征和支持向量机的故障诊断方法,通过对故障信号采取S变换的时频分析方法构建时频图像,并利用灰度图像的不变矩实现对故障信息的特征提取,最后采用支持向量机的模式识别方法实现多类故障的智能诊断。实验验证了方法的有效性。     

基于S变换与深度学习相结合的滚动轴承故障诊断方法研究

滚动轴承是机械设备中的重要组成部分,因其故障种类繁多,例如故障位置可能出现在轴承的内圈、外圈或者滚动体,故障的尺度又深浅不一,并且其工作环境往往在强噪声背景下,所以传统的信号处理与分类方法很难做到有效地分类识别。针对这一问题,提出一种基于S变换时频分析提取特征与深度学习故障分类的滚动轴承故障的智能识别方法。首先将原始时域数据经过S变换得到二维特征矩阵,再将特征矩阵输入到稀疏自动编码器(Sparse Autoencoders,SAE)中进一步提取其隐含特征,并通过神经网络实现故障的分类。实验结果表明,应用上述方法可以有效地实现对不同位置、不同故障尺度的滚动轴承故障实现准确的诊断。