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。     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

多振动信号的时频相干多分形特征提取

为充分利用多个同步采样的振动信号进行机械设备的故障诊断,提出了搭建多振动信号时频相干网络并提取其多分形特征的方法。首先,将每个振动信号作为一个节点,根据所关心的物理问题,按适当的方式将各个节点连接成网;其次,对网络中相邻的每对节点做交叉小波变换,得到时频相干谱,借助小波领袖来估计时频相干谱的多分形谱,用曲线拟合的方法来提取多分形谱的形态特征;最后,利用特征融合与维数约简方法,对已得到的所有特征进行融合和降维,从而得到整个网络的最终特征。该方法给出了一个提取多振动信号时频相干多分形特征的框架,并在某高射机枪自动机的裂纹故障诊断中取得了成功应用,具有广泛的适用范围。     

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。     

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。     

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。     

基于FDM的机械故障信号诊断处理方法研究

傅里叶分解(FDM)是一种新的自适应时频分析方法,该方法首先定义了瞬时频率具有物理意义的傅里叶固有频带函数(FIBFs),然后在整个傅里叶域自适应地搜寻解析傅里叶固有频带函数(AFIBFs),从而将非平稳非线性信号自适应地分解为若干个傅里叶固有频带函数和一个残余分量。FDM方法基于傅里叶变换,且是一种完备的、正交的、局部的和自适应的信号处理方法,数学理论充分,并且可以直接依据解析傅里叶固有频带函数直接求得时频能量谱,时频分辨率高,优点非常明显。仿真结果表明,与EMD相比,该方法无端点效应,不存在模态混叠效应,且数学理论充分。最后成功地将该方法应用到实际的滚动轴承故障诊断中。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

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。     

Wigner-Ville分布在机械故障诊断中的研究

时频分布从时域特征与频域特征的结合途径揭示了信号的构成本质.文章介绍了基于WignerVille分布(WVD)的故障诊断方法,包括基于核函数抑制交叉项,时频分布与人工神经网络相结合,以及WVD的高阶谱.机械系统故障信号往往是非平稳的,联合时频分布是对故障信号分析的有力工具.WVD很高的能量聚集性和很好的时频分辨率,极大地提高了故障信号特征提取的准确度.     

航空发动机快变信号的匹配同步压缩变换研究

航空发动机快变信号特征提取是航空发动机健康监测与故障诊断的关键技术之一。针对航空发动机快变信号特征提取需求及其瞬时频率快变的特点,提出了匹配同步压缩变换方法。构造了匹配快变信号调频结构的瞬时频率估计算子,能同时考虑快变信号时频能量随频率和时间方向的分布,从而提高快变信号时频表示的能量聚集性,提升航空发动机快变信号提取能力。通过航空发动机主轴承寿命试验机的碰摩故障试验,以及某型航空发动机的碰摩故障诊断工程案例,验证匹配同步压缩变换方法对于航空发动机快变信号处理的有效性。工程应用结果表明,对于航空发动机转子系统动静碰摩故障,匹配同步压缩变换能够有效提取该故障导致的振动信号瞬时频率快速振荡的强时变特征,从而诊断转子系统碰摩故障。     

同步压缩小波与希尔伯特-黄变换性能对比

经验模式分解(empirical mode decomposition简称EMD)中包络均值代替信号实际均值的算法误差,使其在处理复杂多频振动信号时易出现模式混叠,引起分析误差。针对这一问题,采用同步压缩小波变换(synchrosqueezed wavelet transform,简称SWT)根据时间-尺度平面中各元素模的大小,对平面内的能量进行重新分配,通过映射关系将时间-尺度平面转化为时间-频率平面,获得频率曲线更加集中的时频表达。这一方法的正交性与算法自身良好的数据驱动性降低了模式混叠引起的时频分析误差,多组分仿真信号时频特征提取证明了SWT的优异时频特性,利用旋转机械不对中振动位移信号进行了实测数据分析。结果表明,SWT能够精确描述谐波信号的频率构成,且所获时频能量分布集中,时、频域定位精度高,为机械设备的状态监测与故障诊断提供了一种新的时频分析手段。     

时频特征融合的交叉项消除及其故障诊断应用

提出一种基于线性时频分布和双线性时频分布的时频特征融合策略,既消除双线性时频分析的交叉项,又保持双线性时频分析的时频聚集性.仿真信号的分析说明了该融合策略的有效性.通过融合策略在轴承外圈故障以及齿轮箱故障情况下的特征信号的时频分析,表明该策略能有效表示信号中的故障特征对时间和频率的分布情况,是一种有效的故障诊断时频特征表示方法.     

广义参数化同步压缩变换及其在旋转机械振动信号中的应用

广义参数化时频分析通过构造匹配的参数化变换核,能够有效提高强调频信号的时频能量聚集性。然而,受短时傅里叶变换中窗函数结构的影响,利用该方法获得的时频能量分布在真实瞬时频率附近始终存在能量扩散现象。同步压缩变换利用同步压缩操作可将短时傅里叶变换处理后的时频能量压缩至真实瞬时频率位置,然而,同步压缩变换仅适用于分析频率成分恒定的纯谐波信号。以短时傅里叶变换为纽带,将两种时频分析方法相结合,提出了广义参数化同步压缩变换。考虑到旋转机械振动信号多为多分量信号,通过迭代处理的方式,依次获取各单分量信号的时频能量分布,对其进行叠加得到最终的时频能量分布。通过数值仿真以及变转速下转子不对中、滚动轴承外圈故障模拟试验验证了所提方法的有效性。     

基于时频奇异谱和RVM的柴油机故障诊断研究

提出一种基于双树复小波包时频奇异谱和关联向量机的柴油机故障诊断方法,针对连续小波时频分布计算量大,分析速度慢,运用双数复小波包分解提取柴油机缸盖振动信号中的时频分布特征,并进行奇异值分解,结合柴油机运行的时域特点,通过特征优选,形成组合特征集,输入关联向量机多类分类器,从而实现柴油机的故障诊断.试验结果表明,该方法分析...     

基于S-CBiGRU的风电机组滚动轴承故障诊断方法

风电机组滚动轴承的振动信号存在非线性、非平稳的特性,且其特征不易被提取,针对这一问题,提出了一种基于S变换、卷积神经网络、双向门控循环单元的滚动轴承故障诊断方法(即基于S-CBiGRU的诊断方法)。首先,利用S变换对风场采集的振动信号进行了多分辨率时频分析,将一维振动信号转化为包含时间与空间特征信息的二维时频图像;然后,将经S变化所得到的时频图输入到CBiGRU网络模型中,采用CNN卷积池化层提取了振动信号的空间特征;其次,采用BiGRU结构提取了振动信号中的时间序列特征;最后,为了对上述诊断方法的有效性进行验证,采集了风电机组轴承实验数据,并将其输入到该模型中进行诊断实验。实验结果表明：在风电机组轴承故障诊断中,采用S-CBiGRU方法准确率达到93.17%,分类效果优于其他深度学习算法。研究结果表明：S-CBiGRU故障诊断方法具有可行性,可以为风电机组滚动轴承的故障诊断提供一种新途径。     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题,首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法,该方法针对Cohen类时频分布存在的交叉干扰项问题,通过阈值筛选法确定VMD算法的分解层数,从而将内燃机振动信号分解成一系列单分量模态信号,然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取,将提取的特征与振动信号时域参数进行特征融合,得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选,然后对特征向量进行训练和测试,实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验,结果表明,该方法能够对不同工况振动信号进行有效识别分类。通过参数优选,最高识别率达到了99.17%,同时对比传统的最近邻分类器的分类结果,证明了该方法的优越性。     

重分配小波尺度谱的时频分布优化方法研究

针对重分配小波尺度谱存在着时、频分辨率不能同时达到最佳及当振动信号中存在着能量较大的噪声时会降低其时频分布可读性的缺陷,提出一种基于参数优化和奇异值分解(SVD)提高重分配尺度谱时频分布可读性的方法。首先利用Shan-non熵方法优化重分配尺度谱基函数的时间-带宽积(TBP),克服其时、频分辨率不能同时达到最佳的缺陷,再对重分配尺度谱进行SVD降噪降低噪声干扰影响,提高时频分布的可读性。最后用该方法对仿真信号和滚动轴承故障信号进行了分析,结果表明该方法的时频聚集性更好,抗噪能力更强,能更有效地识别强噪声背景下的机械故障特征。