基于小波基稀疏信号特征提取的轴承故障诊断EI北大核心CSCD

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用优化最小(Majorization Minimization,MM)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

旋转压缩机低频噪声源识别及噪声抑制

旋转压缩机的低频噪声对空调器噪声的影响较大,对其来源进行识别并加以控制是研究中的难点.通过噪声时域分析、频域分析、声强测试、压缩机内部压力脉动测试及空腔声模态计算等各种手段的综合运用,确定了压缩机630Hz频段噪声尖峰源自排气压力脉动激起空腔声模态共振,然后对排气消声器进行优化设计,使得消声器两个出口声波激起的空腔声场相位相反、幅度相等,从而相互抵消,取得了5dB以上的实际降噪效果.     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

单相光伏并网逆变器共模电流的分析与抑制

单相非隔离型光伏并网逆变器由于缺少变压器的电气隔离,工作时常会产生较大的共模电流,即漏电流。为此,在分析了共模电流产生原因的基础上,研究了几种能够有效抑制共模电流的拓扑结构,分别为带交流旁路的全桥拓扑、带直流旁路的全桥拓扑、H5拓扑以及H6拓扑。其抑制共模电流的基本原理为通过相应的开关调制模式,使系统寄生电容上的共模电压保持恒定,从而减少共模电流的产生,最后仿真结果验证了这几种拓扑结构的可行性。由于不同拓扑结构所含功率器件数量的不同以及调制模式的不同,系统的工作效率有所差异,对比发现H5、H6拓扑优于其他拓扑。     

梯度稀疏和最小平方约束下的低照度图像分解及细节增强

低照度图像存在细节模糊、对比度低等问题.针对这些问题,本文提出一种低照度彩色图像增强算法.首先建立梯度稀疏和最小平方约束模型,将图像分解为结构层和细节层;然后采用提出的多尺度边缘保护细节增强算法强化图像的细节信息并滤波;最后把细节增强的图像经改进的Retinex算法映射,最终得到细节增强、亮度适宜、对比度较强的修复图像.实验结果表明,主观上：图像细节增强,亮度适宜;客观上：结构层图像的一维像素线性图显示其平滑特性效果较好,细节增强图的NIQE（5.5202）、BRISQE（31.1893）和PSNR（25.3625）特征较好,修复图像的熵值（7.4421）、边缘强度（128.3231）和平均亮度（121.1827）较好.本文算法实现了对低照度图像的有效分解及细节增强,并提高了图像综合质量.     

信号的小波尺度-频率表示及其在机械故障诊断中的应用

基于对信号的连续小波变换特点的分析，提出信号特征的小波尺度一频率表示方法。该方法对污染的脉冲信号和正弦信号的应用结果表明该方法能有效提取强噪声背景下的周期成分。以变速器齿轮的故障诊断为例，用该方法对变速箱齿轮振动信号的尺度-频率表示进行分析，结果表明该方法能非常有效地将不同磨损状况的齿轮振动信号的特征表现出来。     

经验模态分解方法的小波消失现象

在分析经验模态分解（EMD）算法的基础上，通过提取叠加在正弦信号中的瞬态微小波形成分发现EMD分析方法的小波消失现象。以正弦信号中的微小信号的提取为分析对象，根据EMD算法的特点，推出正弦信号中的微小波形提取时的小波消失条件。通过改变微小波形的时间中心相对于正弦信号的位置提取正弦信号中叠加的微小波形，验证了小波消失条件的正确性。EMD分解方法的小波消失现象的分析丰富了EMD分解方法的适用性研究。     

基于小波和统计检验的瞬态成分检测的方法及应用

将连续小波变换技术和统计检验结合用于检测信号中具有一定时频分布的瞬态成分,指出连续小波变换具有分离信号中瞬态成分和噪声的作用。提出一种基于连续小波变换和统计检验的瞬态成分检测的“逐步去除法”。将“逐步去除法”用于齿轮箱振动中的瞬态成分的检测与提取,能比较有效地检测出瞬态成分;基于连续小波变换反演的瞬态成分估计能比较有效地表示设备的状态。     

调频率自适应匹配线性变换及其对旋转机械故障诊断研究

旋转机械常处于变转速工作状态,因而其振动信号也表现出非平稳性。分析此类非平稳信号时由于受有限的时频分辨率影响,常无法获得理想的时频表示,难以揭示与旋转机械健康状态相关的有用信息。根据单个线性调频变换（LCT）能提升特定时刻时频聚集性这一特点,提出了调频率自适应匹配线性变换（Adaptively MatchingChirp?rate Linear Transform,AMCLT）。利用最大峭度准则指导选取每个时刻合适的调频率,并且只保留与所选调频率相关的时频分布用于构造最终的时频表示;扩展原始线性变换基函数,使所提 AMCLT 方法在无需迭代情况下可同时完成对多分量非线性调频信号的分析。此外,对所提 AMCLT 方法进行了信号重构分析,可实现对信号中目标频率分量的时域信号重构。振动信号处理结果表明,在时频表示的可读性方面,所提方法可得到能量更加集中且不受交叉项干扰的时频表示;在特征提取方面,所提方法可更加准确地提取旋转机械振动信号中的频率特征,可有效应用于旋转机械的故障诊断。     

基于时频挤压和阶比分析的变转速轴承故障检测方法

阶比分析是实现变转速工况下旋转机械设备故障特征提取的主要方法之一,其核心在于转速信息的准确获取,传统阶比分析方法主要通过转速计等设备测得转速,成本高且抗噪性差,而基于时频分析的转速估计方法操作简单,鲁棒性和准确性也较好。提出了一种基于时频挤压的转频估计方法,该方法不依赖多余设备,通过时频挤压和重采样阶比分析,实现转频估计和特征提取,从而诊断轴承故障。将基于传统时频方法与所提方法得到的分析结果以及计算阶比分析结果三者进行比较,以验证所提方法的可行性与有效性,仿真和实验信号分析结果均表明,所提方法的时频聚集性和鲁棒性较传统方法更好,且在无转速计的情况下,分析结果精度也更高。