基于轴承故障信号特征的自适应冲击字典匹配追踪方法及应用

针对滚动轴承故障特征,提出了一种自适应冲击字典匹配追踪方法。根据轴承故障信号的产生机理,将轴承的转速、尺寸等因素引入到字典中,建立了一种基于故障信号特征的新型字典模型。依据字典模型中各个关键参数对分析结果的影响程度,确定冲击位置信息为首要模型参数,提出了逐次改变特性参数的方法建立自适应字典,使得字典中的每一个原子都与被分析信号有很好的相似度,降低了字典的冗余程度,提高了字典的使用效率。同时结合匹配追踪原理建立了自适应冲击字典匹配追踪的方法。仿真信号,实验信号和工程信号分析结果表明,基于自适应冲击字典匹配追踪方法可以对轴承不同位置的故障进行有效诊断。将该方法与遗传算法匹配追踪进行比较,表明该方法的处理效果更佳。     

Laplace小波相关滤波法与冲击响应提取

冲击响应信号的出现标志着机械设备发生松动，碰撞，冲击等故障。在复杂的振动信号中准确提取出冲击响应信息在机械故障诊断中具有重要的意义，介绍了用来识别冲击响应信号的Lapalce小波相关滤波法，通过对含有噪声的模拟冲击响应信号的识别，证明该方法能够在强大噪声干扰中准确捕捉到冲击响应信号。工程应用结果表明，相关滤波法可以从复杂的内燃机缸盖振动信号中准确定位进气阀关闭时冲击发生的时刻及频率，从而成功地诊断出因进气阀磨损而导致的漏气故障。     

基于滑动峰态算法的信号弱冲击特征提取及应用

机械故障振动信号中往往含有故障引起的弱冲击成分,冲击信号具有显著的非高斯特性,而零时滞四阶累积量即峰态能够描述信号偏离高斯分布的程度;基于峰态这一特性,本文提取一种基于滑动峰态算法的弱冲击特征提取方法,首先对原信号进行滑动峰态计算,获得一个新的峰态时间序列,然后对该峰态时间序列进行傅立叶变换,提取出信号中冲击成分的频率特征。通过强背景信号及噪声环境下弱冲击特征提取的仿真研究,证明了该方法具有很好的冲击特征提取能力。以实测齿轮断齿信号分析结果证明了该方法的有效性。     

一种基于形态提升的自适应轴承微冲击提取方法

在轴承早期故障中,冲击信号十分微弱,往往被背景噪声和低频谐波淹没,使得冲击信号提取有一定的难度。自适应多尺度形态滤波采用非线性滤波方法,通过不同尺度的结构元素,对冲击信号进行匹配并提取出来,但是由于微弱的冲击信号对结构元素尺度十分敏感,所以很难达到理想的提取效果。而利用形态梯度提升小波,首先将信号中的脉冲进行放大,降低低频信号和部分噪声的干扰,再对提升后的信号进行自适应多尺度形态滤波,这样就能显著的提取微弱的冲击信号,进而判定轴承发生的故障类型。仿真实验和轴承故障实例表明,该方法能有效提取背景噪声下的微弱冲击信号,是一种有效的微冲击提取方法。     

小波分析估计冲击信号之间时间延迟的方法

本文首先分析了小波变换对信号突变的敏感性，并以此来检测跌落零件冲击信号到到达时刻，从而估计不同传感器所测的冲击响应信号之间的时间延迟，模拟铁路冲击的实验数据验证了该方法的有效性。     

冲击试验数据的滤波方法研究

本文主要研究在产品爆炸分离、跌落等试验中,由于使用冲击加速度传感器测得的冲击信号混有复杂频率成分,如何提取有用、真实信号的方法．通常采用的方法是通过对原始数据的数字滤波方法,但由于信号中混有复杂的频率成分,无法确定低通截止频率,而无法获取真实的冲击信号本文通过对跌落试验冲击信号的小波分析,研究对混入高频噪声干扰信号的冲击信号进行滤波、分解、提取的信号处理方法,得到不失真的冲击信号．研究表明：小波分析对冲击跌落、非弹性碰撞等试验冲击信号分析处理切实有效．     

自适应滤波与相关滤波在冲击响应信号特征提取中的应用

识别冲击响应信号在模态分析和机械监测诊断研究中具有重要意义。由于噪声成分、工频及其谐波的干扰，机组运行或其他实际信号中的冲击响应信号很弱。这些冲击响应信号的特征也较难提取。选择适当的自适应滤波器参数，应用自适应滤波首先对信号进行预处理，去掉强大的工频及其谐波成分，使信号的信噪比得到很大的提高；然后利用Laplace小波相关滤波法对自适应滤波预处理后的信号进行进一步的处理，提取其模态信息。结果证明，将这两种方法结合后的信号特征提取效果是比较理想的。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

关于冲击信号的数字处理方法研究

介绍了冲击信号各面指标的计算方法，并着重介绍了如何将数字信号处理方法应用于冲击信号的处理中。     

时频分析方法在冲击故障早期诊断的应用研究

冲击故障的振动响应信号是时变的,用传统的诊断方法一般难以进行早期发现和诊断,本文基于小波包对时变信号的多分辨分解和重构能力以及ＣＯＮＥ时频分布对时信号的优良描述特性,发展了基于小波包捍频分析方法。经试验和现场监测数据的分析和验证,说明该方法能够从很强的基础振动信号中提取清晰直观的冲击故障特征,可以实现冲击故障的早期诊断。     

冲击信号特征提取方法研究

利用时频转换或共振解调技术对不含噪声信号的冲击脉冲信号能很好的进行提取，但是共振解调对含噪的冲击脉冲信号不够敏感，提取效果不佳；对含噪的混合信号先进行时频转换，对恢复所得的复数域进行幅值计算得到一新的时间序列再通过共振解调技术能有效提取出淹没在噪声中的冲击成分。     

基于匹配追踪算法的立井爆破信号时频特征提取

在对立井爆破过程中井壁振动信号进行准确采集的基础上,采用匹配追踪（matching pursuit,MP）算法建立Gabor原子库,实现了爆破信号重构分量和残差分量的有效分离。通过信号短时傅里叶变换（short time Fourier transform,STFT）和魏格纳分布（Wigner-Ville distribution,WVD）对重构信号的时频分析及霍夫(Hough)变换时频聚集性对比,验证了WVD时频分析的优势。结果表明:MP-WVD组合信号分析方法对信号变化的适应性强,能够精确捕捉信号的局部细节,适合用于爆破信号非线性时频特征的提取过程。可为爆破方案调整和参数优化提供参考。     

Sweep signal time-delay estimation with time-frequency cross-correlation algorithm

Sweep signal is usually employed as a source signal in active detection such as radar and sonar. Since the frequency spectrum of the sweep signal varies against time, a novel algorithm, namely a time-frequency cross-correlation (TFCC) algorithm based on wavelet packet transform (WPT), is proposed to estimate the time delay of sweep signal. In this algorithm, the source sweep and the received signals are decomposed with WPT to obtain their time-frequency representations and the TFCC between the source sweep and the received signals is performed. Each reflected sweep in the received signal is converted into a time-frequency correlation peak whose position can indicate its time delay. The TFCC algorithm can suppress ambient noise effectively and improve the performance of sweep extraction and can match more precisely the source and the reflected sweeps to their known time-frequency characters. Numerical experiments were performed to compare the performance of the TFCC algorithm with that of the conventional cross- correlation and phase-data algorithms. The results proved that the TFCC algorithm can extract the reflected sweeps effectively and its performance is better than that of the conventional algorithms.     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。     

自适应共振解调法及其在滚动轴承故障诊断中的应用

与AR模型、小波变换等故障诊断方法相比较,工程人员更多的是采用共振解调法对滚动轴承故障进行诊断,但诊断成功与否很大程度上依赖于滤波器中心频率及其带宽的选择。这里提出的诊断滚动轴承故障的自适应共振解调法避免了带通滤波器难以选择的困难。其核心思想是:不采用滤波的方式而是通过先对时间信号进行时频变换,然后从时频能量谱中自动提取时间能量信号的方式来达到将由于冲击引起的共振高频信号和高能量的低频信号分离。此外,给出了一个统一的框架从时频能量谱中自动提取类似于时间边缘的时间能量信号,即Lp范数准则。数值实验结果表明,自适应共振解调法能有效地诊断滚动轴承的外圈故障、内圈故障、滚动体故障,而且比传统的共振解调法的性能更优。     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

基于信号稀疏表示和瞬态冲击信号多特征提取的滚动轴承故障诊断

在滚动轴承故障信号特征分析中,针对瞬态冲击信号稀疏表示和特征提取问题,提出一种基于IChirplet原子的故障信号多重特征提取方法。在分析故障信号特点的基础上,构建IChirplet原子库,利用优化的OMP算法进行原子寻优,然后提取IChirplet原子的时频参数和重构信号的敏感特征作为特征参量,通过PSO_SVM实现故障分类。实验证明IChirplet原子与滚动轴承故障信号有较好的匹配性,且多重特征的提取能够有效表征故障信息,更准确地判断轴承故障类型。     

振动信号短时功率谱时-频二维特征提取方法及应用

提出了一种基于图像处理技术的信号短时功率谱时一频二维特征提取方法，构造了一组对早期故障比较敏感的无量纲特征指标βm，δx和δ∑。理论分析和应用实例表明：这些特征参数比较全面地反映了信号中早期异常冲击成分的酝酿和发展，可有效地应用于旋转机械状态监测。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难.文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法.该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各...