电气传动故障信号的自动化控制研究

针对现有电气传动装置故障自动化控制效率低且准确性不足的问题,提出了一种新的故障自动化控制方法,并进行了实验验证。首先,基于收集的故障信号,通过小波分解和归一化处理获取除噪后的故障信号。然后,通过计算对偶优化函数获取约束条件,采集纯净的故障信号。最后,通过批次信息变量计算信息控制统计模量,并据此建立训练矩阵,实现装置故障的自动化控制。结果表明,该方法在装置故障的自动化控制方面具有更高的效率及准确性。     

基于品质可调小波去噪的低速滚动轴承故障诊断

针对低速运行滚动轴承故障特征易被噪声湮没的问题,提出了一种基于可调品质因子小波分解的分层自适应阈值去噪方法,并将该方法与包络谱分析相结合,对低速轴承进行故障分析与诊断;首先,将采集到的轴承振动信号进行TQWT分解,得到分解后的各层小波系数;然后,利用Sigmoid函数构造分层自适应阈值函数,并利用该阈值函数对TQWT的高频系数进行阈值去噪处理;最后,结合去噪后的高频小波系数和低频小波系数对信号进行重构,得到去噪后的轴承振动信号;通过仿真故障信号,模拟故障实验信号和实测故障信号分别进行了去噪实验分析;实验结果表明,经典的软阈值函数和硬阈值函数相比,该方法能获得更好的去噪效果,在降低噪声干扰的同时,有效保留了轴承的故障特征信息,去噪后信号的包络谱,可以清晰地呈现故障的频谱特征,并观察到故障特征的多倍频峰值,且峰值附近干扰很少,有效提高了轴承早期故障的诊断精度;在仿真信号实验中,与软阈值、硬阈值函数相比,该方法去噪后,具有更高的信噪比(SNR)和更低的均方根误差(RMSE),与硬阈值函数相比,此方法的SNR平均增加了4.149 1,RMSE平均下降了0.132 9;与软阈值函数相比,该方法的...     

基于奇异值分解和小波包分解的故障检测

根据真空泵在故障和正常模式下工作时,其振动信号在频域的能量分布的差异性,设计基于奇异值分解(SVD)和小波包分解(WPD)的真空泵故障检测方法。首先用SVD对采集到的信号进行去噪,再使用小波包对去噪后的信号进行分解,对分解得到的各层系数进行重构并提取需要的各频域段的能量。将提取的能量向量作为支持向量机(SVM)的输入样本,对SVM进行训练。最后使用实验数据对SVM的可靠性进行验证。实验结果表明,采用SVD和WPD结合的方法能较好地识别出真空泵的故障。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

双密度小波变换的自适应电能质量信号去噪

为改善电能质量信号的去噪效果,提出一种基于双密度小波变换的自适应电能质量信号去噪算法。双密度小波变换具有近似的平移不变性,能更准确地描述信号的真实特征。而双变量收缩函数充分考虑小波系数的层内层间关系,对小波系数采用结合局部方差估计的双变量收缩函数进行去噪处理,并用收缩后的小波系数重构信号。实验结果表明：该算法在有效滤除噪声的同时,能够更好地保留电能质量信号的特征信息,使去噪信号的视觉信息有较大改善。     

基于VMD和小波阈值的水听器信号去噪方法

针对水听器采集信号过程中存在的外界环境噪声干扰问题,提出了一种基于变分模态分解和小波阈值(VMD-WT) 的联合去噪方法该方法首先对含噪信号进行VMD分解,得到固有模态函数(IMFs)。然后计算每个IMF分量的中心频率和相关系数,通过相关系数阈值去除噪声IMFs,并对其余有用的IMFs进行小波阈值去噪处理。最后对去噪的IMF分量进行重构,得到具有良好信噪比的信号,通过仿真实验,证明了本方法与CEEMDAN=WT(自适应噪声的完备经验模态分解－小波阈值去噪)、EEMD-WT(集合经验模态分解－小波阈值去噪)、EMD-WT(经验模态分解－小波阈值去噪)、WT(小波阈值去噪)等方法相比,具有更好的去噪效果。通过对光纤水听器的实测实验表明本文的VMD-WT法在实际水听运用中具有良好的提高信噪比的性能。     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

基于小波变换的泄露故障特征提取研究

为研究液压系统管路泄漏对压力脉动信号的影响,提出利用改进的小波消噪算法和小波包对压力脉动信号进行消噪和特征提取;针对传统小波变换阈值函数在去噪处理中存在的恒定偏差、不连续等缺点,提出一种改进阈值函数和新阈值相结合的新方法,将该方法与平移不变量方法相结合,避免了传统小波变换去噪时在不连续点存在的Pseudo-Gibbs现象;通过利用改进小波消噪方法和小波包对FESTO试验系统采集的正常和故障压力脉动信号进行分析比较,研究结果表明,不同工况下压力脉动信号3个主要能量频带的分布特性,可以作为泄露检测和识别的故障特征。     

基于排列熵的振动信号小波包阈值去噪研究

工程实践中的振动信号往往存在噪声干扰而导致信号特征信息无法显露,传统小波包软、硬阈值函数去噪形式固定,无法依据信号小波包分解系数的噪声干扰情况进行调整.据此,提出一种新的介于软、硬阈值函数之间的改进小波包阈值函数,并将排列熵作为信号含噪情况表征参数引入阈值函数中.对信号小波包系数进行排列熵计算,并依据该值对阈值函数进行自适应调整,使得新的阈值函数能够对含噪较多的小波包系数进行大尺度收缩而对含实际信号特征较多的小波包系数尽可能地保留,从而达到最佳的去噪效果.对滚动轴承振动实验信号的去噪分析,并与其他方法进行对比,验证了该方法的有效性与优越性.     

一种钢丝绳芯输送带早期故障检测方法

针对传统小波变换分析金属磁记忆信号奇异性时易受噪声干扰的问题,将经验模态分解(EMD)和小波变换(Wavelet)相结合,提出了一种EMD-Wavelet早期故障检测模型。将钢丝绳芯输送带的金属磁记忆信号经过经验模态分解得到本征模函数分量,利用小波变换模极大值法提取信号奇异性特征。实验结果表明,该模型抗干扰能力强,能够较好地反映信号局部特征,可有效判断钢丝绳芯输送带异常应力集中区位置,为早期故障诊断提供依据。     

基于最优小波包基的模极大值法信号消噪研究

给出了对信号进行基于熵准则的最优小波包基分解的基本原理,在此基础上提出了使用模极大值法进行信号消噪的基本原理.通过计算Lip指数确定信号中的奇异点,然后根据噪声和有用信号的模极大值随着小波分解尺度的增大而呈现出的截然不同的特性剔除噪声,从而实现消噪.通过对一含有噪声的信号进行消噪验证了该方法的优越性.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于小波降噪的MEMS惯导系统对准方法研究

针对当前MEMS器件受加工工艺限制导致器件输出信噪比低,进而影响MEMS惯导系统初始化的问题,提出一种采用小波降噪的“重力+地磁”信息粗对准方法。分析MEMS器件输出信息结构特征,探索不同小波基函数在不同分解层数下的降噪效果并设计小波分解方案并实现惯性器件噪声的有效滤除;根据重力矢量垂直当地地理坐标系水平面的特征,利用加速度计敏感重力矢量水平分量实现载体初始水平姿态角的确定;结合地球表面任意位置处的地磁信息具有唯一指向性的特征,通过测量载体所在位置处的地磁信息并结合磁偏角修正实现载体初始方位角的求取。转台实验结果表明,经过小波降噪处理后得到的重力与地磁信息可实现MEMS惯导系统初始对准。     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

基于Park变换的三电平逆变器开路故障诊断

针对现有二极管钳位式(NPC)三电平逆变器开路故障诊断方法存在计算量大、准确率受噪声和负载等影响的问题,提出了一种基于Park变换的三电平逆变器开路故障诊断方法。对三电平逆变器三相输出电流进行Park变换,计算平均电流Park矢量;利用滑动窗口取得单周期电流信号,根据逆变器电路结构分析IGBT故障时输出电流变化;采用迭代法确定平均电流Park矢量模值的阈值,结合相角和模值进行三电平逆变器功率管13种开路故障的识别和定位。仿真结果表明,该方法故障诊断准确率达到了98.31%。与传统的开路故障诊断方法相比,该方法不需要对13种开路故障数据进行学习和训练,大大减少了计算量,提高了故障诊断效率和准确率。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于小波分析的传感器故障检测研究

针对航空发动机控制系统传感器故障检测在强噪声环境下易误报的问题,设计了基于模极大值原理的传感器故障检测方法.首先介绍基于小波奇异性进行故障检测的基本原理,之后根据信号和噪声奇异指数不同的特点判断噪声模极大值.对传感器典型故障,给出基于模极大值原理的传感器故障检测算法,并根据小波变换模极大值在不同尺度下的分布来完成故障的检测.通过某型涡扇发动机控制系统传感器故障检测仿真实验表明,小波变换能很好地刻画信号的奇异性特征,该滤波算法消噪效果明显,故障检测准确度高.