基于STFT时频谱系数收缩的信号降噪方法

针对旋转机械故障振动信号的降噪问题,提出一种基于短时Fourier变换(short time Fourier transform,简称STFT)时频谱系数收缩的信号降噪方法。先将信号进行STFT,得到其时频谱。由于谱系数为复数,故根据模值大小进行谱系数收缩,并利用步长迭代算法在0到谱系数最大模值的区间内估计最优阈值。迭代运算过程中,首先,分别采用基本的硬阈值函数和软阈值函数进行系数收缩;然后,以改进风险函数为阈值评价标准,估计最优阈值;最后,利用最优阈值重新进行谱系数收缩,对得到的新谱进行STFT逆变换,重构降噪后的时域信号。仿真信号与试验数据的处理结果表明,利用所估计的最优阈值,STFT时频谱系数硬、软阈值函数收缩方法均能够实现噪声混合信号的降噪。     

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。     

改进 TSA 降噪与平方包络谱分析的故障特征提取

为实现旋转机械设备故障诊断,提出基于相关性检测的振动信号改进时域同步平均(Time Synchronous Averaging,TSA)降噪方法,并利用平方包络谱提取故障特征。在采样振动信号中任取一段参考子信号,令参考子信号从振动信号初始时间开始,沿时间轴逐点滑动至终了时间,同时计算参考子信号与其在振动信号中遮掩子信号之间的相关系数;利用步长迭代算法获取相关系数最优阈值,选择与参考子信号相关系数大于最优阈值的所有遮掩子信号作为总体同步信号,平均计算后获得降噪的目标信号;对目标信号进行平方包络谱分析。仿真信号、齿轮和轴承振动信号的分析结果表明,所提出的方法能够有效用于旋转机械设备的振动信号降噪与故障特征提取。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

频谱密度函数相似性比较的齿轮箱故障诊断

为降低齿轮箱振动信号频谱分析与故障识别的难度,提出了基于频谱核密度估计与密度函数相似性比较的齿轮箱故障诊断方法。首先针对齿轮箱的每一种故障状态采集多组振动信号,利用核密度估计方法对每组振动信号的频谱求取密度函数;然后选取一部分密度函数进行算术平均化,得到对应故障状态下的标准密度函数;最后根据测试振动信号频谱密度函数与各种故障状态标准密度函数之间的余弦相似度值与相关系数值,对齿轮箱的故障状态进行识别。试验结果表明:与振动信号的频谱相似性比较方法相比,所提方法对于齿轮箱故障状态的判别具有更高的准确率,同时对应于齿轮箱的不同故障状态,相关系数比余弦相似度显示出更大的差异性,具有更好的适用性。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

基于改进劣化度模型的风电机组日常运行状态评估

为准确地掌握整台风电机组的运行状态,提出一种基于改进劣化度模型的评估方法。首先求得风电机组层次结构中各状态参数的劣化度;其次通过组合赋权法确定各参数的权重,利用岭型分布隶属度函数确定各参数的隶属度矩阵;最后利用模糊综合评判法和彩色图谱对机组的运行状态进行评估和展示。案例机组的日常运行状态评估表明：所提方法可较SCADA系统提前发现机组发电机非驱动端轴承的异常,且误报次数较少。     

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。     

S变换引导变分模态提取的旋转机械故障诊断方法EI北大核心CSCD

针对信号变分模态分解(VMD)存在分解层数难以确定、目标模态难以选取的问题,介绍了一种信号分解方法——变分模态提取(VME),且提出了基于S变换(ST)与VME的旋转机械故障诊断方法。VME将信号分解成两层——期望模态和残余信号,并基于一个新的准则:期望模态与残余信号之间具有最小的频谱重叠。为了使VME得到的期望模态包含充分的故障特征,采用S变换对信号进行处理,确定故障特征所在的频段,据此选取VME期望模态的中心频率初始值。为了从期望模态中提取出故障特征频率,采用平方包络谱(SES)对期望模态进行分析。仿真信号与实际振动信号的分析结果表明,所提出的ST‐VME方法能够成功提取出有价值的期望模态和准确的故障特征频率,实现旋转机械故障诊断,且与VMD相比,ST‐VME方法的目标性更强,实施更容易。     

基于S变换谱阈值去噪的冲击特征提取方法

提纯旋转机械设备故障振动信号中的冲击特征,可以有效地实现相关故障的诊断。利用S变换适合于处理冲击特征信号的特点,提出基于S变换谱阈值去噪的冲击特征提取方法。先将信号进行S变换,得到其时频谱。考虑到此S变换谱为一复数矩阵,故而根据谱系数的模值大小进行阈值去噪。去噪过程中分别采用了基本的硬阈值函数和软阈值函数。对于最优阈值的估计,以所提出的改进风险函数为评价标准,利用步长迭代算法在零到系数最大模值的区间内获取。最后将去噪后的时频谱进行S逆变换,重构得到时域冲击特征。仿真信号与滚动轴承故障振动信号的处理结果表明,利用所获取的最优阈值,S变换谱阈值去噪方法能够从噪声混合信号中提取出冲击特征,从而实现相关故障的诊断。