Application of Local Wave Time-Frequency Spectrum and Neural Networks to Fault Classification in Rotating Machine

A new method of fault analysis and detection by signal classification in rotating machines is presented. The Local Wave time-frequency spectrum which is a new method for processing a nonstationary signal is used to produce the representation of the signal. This method allows the decomposition of one-dimensional signals into intrinsic mode functions(IMFs) using empirical mode decomposition and the calculation of a meaningful multi-componentinstantaneous frequency. Applied to fault signals, it provides new time-frequency attributes. Then the moments and margins of the time-frequency spectrum are calculated as the feature vectors. The probabilistic neural network is used to classify different fault modes. The accuracy and robustness oftained during the different fault modes( early rub,the proposed methods is investigated on signals obloose, misalignment of the rotor) .     

时频分布在爆破震动信号处理中的应用

爆破震动信号是典型的非平稳信号,其处理方法已由单纯的频域分析过渡到时频联合分布分析。在讨论Fourier变换(FT)和短时Fourier变换(STFT)不足的基础上,论述了基于连续小波变换(CWT)和离散小波变换(DWT)在爆破震动信号分析中的应用。作为一种严格的时频分析方法,论文尝试利用二次型时频分布来进行爆破震动信号的时频联合分析;通过几种二次型时频分布的对比分析,认为CWD在具有较强的时频聚集性的同时又较好地对交叉项进行了抑制,适合于进行爆破震动信号的时频分析。     

锦屏二级水电站2~#引水隧洞爆破治理岩爆试验研究

岩爆是地下工程的一大地质灾害,目前还没有成熟的预报和治理方法。利用爆破手段释放高地应力来减少岩爆,一直是地下工程施工研究的重要课题。在锦屏二级水电站2#引水隧洞,进行了爆破释放应力试验,分别试验了掌子面倾斜辐射孔和围岩内倾斜辐射孔两种方案。试验结果证明了爆破是高应力释放的有效手段,通过合理的爆破设计与施工,可以达到控制或缓解岩爆的目的。     

A New Signal Processing and Feature Extraction Approach for Bearing Fault Diagnosis using AE Sensors

In this paper, a new signal processing and feature extraction approach for bearing fault diagnosis using acoustic emission (AE) sensors is presented. The presented approach uses time-frequency manifold analysis to extract time-frequency manifold features from AE signals. It reconstructs a manifold by embedding AE signals into a high-dimensional phase space. The tangent direction of the neighborhood for each point is then used to approximate its local geometry. The variation of the manifolds representing different condition states of the bearing can be revealed by performing multiway principal component analysis. AE signals acquired from a bearing test rig are used to validate the presented approach. The test results have shown that the presented approach can interpret different bearing conditions and is effective for bearing fault diagnosis.     

广义解调时频分析方法在调制信号处理中的应用

介绍了一种新的信号处理方法-基于广义解调的时频分析方法,并将这种方法应用于调制信号的处理。广义解调时频分析方法采用广义解调将时频分布是曲线的信号变换为时频分布是平行于时间坐标轴的直线的信号,然后采用最大重叠离散小波包变换（Maximal overlap discrete wavelet packet transform,简称MODWPT）对广义解调后的信号进行分解,得到若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号,再对各个单分量信号进行逆广义解调,进一步求出瞬时频率和瞬时幅值,从而得到原始信号完整的时频分布。采用广义解调时频分析方法对调幅-调频信号进行了分析,结果表明该方法能有效地提取调幅-调频信号的调制信息。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

基于子带ICA的时频图像处理方法研究及其在故障诊断中的应用

提出了一种改进独立分量分析(ICA)应用于时频图像的盲源分离问题。由于相似时频图像之间存在潜在的相关性,传统的ICA对于具有相关成分的时频图像盲源分离中效果比较差,利用互信息和峭度研究了图像子带之间的相关性和本身的非高斯性,选定特定的子带进行ICA分析。通过仿真时频图像的分离试验,说明此方法分离效果明显优于ICA分离效果,并将该方法应用于转子试验台的基座松动,不对中故障信号复合故障的时频图像中,成功获取了各自故障的时频图像,从而可以获得各自的故障特征信息。     

爆破振动信号的时频分析

爆破振动信号的研究方法已由单纯的频域分析过渡到时频联合分布分析。在讨论FOURIER变换(FT)和短时 FOURIER变换(STFT)不足的基础上,论述了基于连续小波变换(CWT)和离散小波变换(DWT)在爆破振动信号分析中的应用。作为一种严格的时频分析方法,论文尝试利用二次型时频分布来进行爆破振动信号的时频联合分析;通过几种二次型时频分布的对比分析,认为CWD在具有较强的时频聚集性的同时又较好的对交叉项进行了抑制,适合于进行爆破振动信号的时频分析。     

多分量振动信号时频分析与应用研究

定义了一种新的L．Cohen类时频分布的动态组合核函数，并给出了设计方法。该核函数基于信号特征，在模糊面内核函数是动态和可变的，克服了固定形式的核函数只能分析单一信号的缺点，能同时分析由单频率信号、脉冲信号和多个线性调频信号组成的多分量信号。在机械设备故障诊断中，核函数的参数随机械运动参数的变化而变化，可同时提取旋转机械的谐波分量和脉冲信号，处理机器变速过程中的转速调频、零件冲击和固有频率等的多分量振动信号的识别。仿真和实例分析表明：动态核函数能很好地去除交叉干扰项，提高分辨率，同时又证明了该方法的实用性和有效性。     

局部均值分解在齿轮故障诊断中的应用研究

局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。本文利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性     

噪声相关条件下多传声器时延多尺度估计

提出一种基于小波分解的多尺度时延估计方法,解决非稳态、有色噪声且通道间噪声存在相关性的条件下提高时延估计精度问题,并把这一理论应用于声阵列对声源的定位.利用小波良好的时间-频率分解性能将非稳态信号分解为多个稳态信号,同一尺度内进行互相关获得多尺度时延值,并证明了小波分解不会改变信号之间的固有时延值.针对不同尺度内时延值不一致、无法识别出正确时延值这一问题,提出用三传声器之间时延匹配关系消除噪声相关性,来识别正确时延,从而实现非稳态、噪声相关条件下的时延估计.最后通过正四方形声阵列试验检验了该方法,试验证明:该方法不但提高了识别率、细化和突出了相关函数的波峰,还提高了时延估计的稳定性和精度.     

A Wigner spectral analyzer for nonstationary signals

The authors present computational algorithms for the design of an innovative spectral analyzer using the Wigner distribution. This spectral analyzer uses advanced digital signal-processing chips with associated hardware and software. Algorithms for the kernel generation, kernel transformation, and discrete Hilbert transform are discussed. Design strategies are focused on achieving high time-frequency resolution, precision, flexibility, and computational efficiency. Experiments show that spectral analysis using the Wigner distribution yields significantly improved results for nonstationary signals     

调频初相位补偿的广义Warblet变换时频分析

信号时频分析的长时间窗时频分析法通常可提高输出信噪比和频率分辨率,但对于调频信号,会降低线谱时频能量聚集度并影响瞬时频率估计。对于调频信号广义Warblet变换(Generalized Warblet Transform,GWT),具有较短时傅里叶变换(Short Time Fourier Transform,STFT)更优的时频分析性能,但在长时间窗分析时,调频初相位估计误差会使算法性能下降甚至失效。针对该问题,提出调频初相位补偿的GWT(Frequency Modulation Initial Phase CompensationGWT,FMIPC-GWT)时频分析方法。在调频参数估计时将一半时间窗长所经过的相位补偿到调频初相位中,提高调频参数估计的准确性以增加瞬时频率估计精度。仿真和实验数据验证了,相比STFT法和GWT法,FMIPC-GWT法对于非线性调频信号时频分析性能更优。FMIPC-GWT法在调频信号线谱检测与瞬时频率估计等方面具有应用前景。     

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。     

矢量水听器阵时频MUSIC算法研究

时频MUSIC算法利用信号的时频分布构造空间时频分布矩阵,并用该矩阵代替传统的相关矩阵进行DOA估计,可以有效抑制噪声和干扰,提高算法的稳健性。时频子空间算法突破了传统子空间算法中阵元数对估计信号个数的限制,时频点包含了信号的时频空三维信息,通过时频点的选择可直接确定信号的频率从而确定阵列流型矩阵。对于宽带信号,在进行方位估计时避免了频域搜索,减少了运算量。将时频MUSIC算法应用于二维矢量水听器垂直线阵中,充分利用矢量水听器的标、矢量信息和信号的时、频信息进行宽带信号的二维波达方位估计。仿真研究验证了算法的有效性。     

段药量对爆破振动信号时频特性的影响研究

为研究段药量对爆破振动信号时频特性的影响,进行不同段药量的单孔爆破振动试验。基于实测数据,利用小波分析和ＡＯＫ时频分布相结合的方法,对不同段药量的爆破振动信号在不同频带内展开,并以频带能量比、频带能量持续时间为指标,研究段药量对爆破振动信号时频特性的影响。结果表明,段药量对爆破振动信号时频特性影响很大：随着段药量的增加,爆破振动信号的低频能量所占总能量的比例增加且频带能量的持续时间相应延长。研究成果可揭示段药量对爆破振动信号时频特性的影响,并为从能量的角度进行抗振、降振的研究提供分析基础。     

爆破振动信号时频特征的三维分形特性研究

为进一步研究爆破振动信号能量特征,基于小波包变换方法对爆破振动信号时频能量特征进行分析。在二维矩形盒维数模型的基础上建立了计算三维曲面分形盒维数模型,并计算得到实测爆破振动信号时频能量谱的三维分形盒维数D3d=2.148 8。该分形维数满足空间分形条件2D3d3,验证了爆破振动信号时频能量谱具有三维分形特征。经研究三维分形曲面盒维数D3d与其剖面二维分形盒维数D2d之间的数值关系,表明计算空间分形曲面分维数的常规假设D3d=D2d+1并非严格成立。研究表明,所提出的长方体覆盖空间曲面的分形维数计算方法可行、有效,为进一步研究爆破振动信号特征、控制爆破地震效应提供了新的研究思路。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...     

爆破震动测试信号预处理分析中趋势项去除方法研究

基于经验模态分解(EMD)、小波法、最小二乘法分别研究了爆破震动测试信号中趋势项的去除算法, 并对三种方法去除趋势项效果及重构信号的时频特征进行对比分析。研究表明:小波法、最小二乘法去除测试信号趋势项时需预先设置先验的分解函数基, 而EMD 法在处理具有短时非平稳特性的爆破震动信号时具有自适应性, 因此工程爆破震动测试信号预处理分析中采用EMD 法能够更为有效地消除趋势项, 提高信号时域和频域分辨率, 对准确提取爆破震动时频特征具有重要参考价值。     

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。