经验小波变换-同步提取及其在滚动轴承故障诊断中的应用

为了准确诊断轴承故障并探究故障信号的时变特性,提出了一种基于同步提取变换（Synchroextracting Transform,SET）和经验小波变换（Empirical Wavelet Transform,EWT）的轴承故障诊断方法。对故障信号进行经验小波变换分解,把分解得到的若干个经验模态进行同步提取变换,将所有模态的SET 结果叠加即可得到EWT?SET的时频结果。仿真表明,提出的方法比传统的SET 方法有优势,能够有效解决传统SET 方法在处理瞬时频率较近的模态信号时易出现瞬时频率特征模糊的问题。把所提出的方法应用到不同损伤程度的轴承故障诊断中,实验验证了提出的方法能有效地诊断出轴承故障与损伤程度,能清晰地表示故障信号的时变特征。     

基于EWT和包络谱分析的轴承故障诊断研究

针对轴承故障早期信号非常微弱难以提取的特点,提出一种经验小波变换(EWT)和包络谱分析相结合的故障诊断方法。该方法应用EWT对信号进行自适应的分解处理,通过选取表征轴承故障的模态分量进行包络谱分析,对轴承故障进行判断,并在LabVIEW开发环境下实现,有效拓宽其适用环境。其中EWT是通过结合小波变换和经验模态分解各自的优点,建立自适应的小波滤波器来提取信号的模态函数。通过仿真信号和轴承故障实验信号的研究结果表明,LabVIEW开发环境下的EWT能够有效地对信号进行自适应分解,在与包络谱分析相结合后能够更为有效地提取并识别轴承故障类型。     

基于改进经验小波变换的海洋平台结构模态参数自动识别方法

针对经验小波变换(empirical wavelet transform, EWT)方法在处理低信噪比信号中频谱分割边界容易产生误判的问题,提出了一种改进经验小波变换(improved empirical wavelet transform, IEWT)的结构模态参数自动识别方法。首先计算信号的互功率谱矩阵,采用奇异值分解(SVD)及尺度空间(SSPP)方法确定频谱的分割边界,将信号分解为若干固有模态函数(IMF)分量,再结合随机减量技术(RDT)和希尔伯特变换(HT)实现模态参数的自动识别。使用IEWT方法对自由振动响应信号及ASCE Benchmark模型信号进行模态参数识别,并分别与EWT方法、基于自回归功率谱的经验小波变换(AR-EWT)方法及小波变换(WT)方法进行对比,结果表明IEWT方法能够自适应确定频谱分割边界,对结构的频率及阻尼比等模态参数具有较高的识别精度;进一步将该方法应用到实验室海洋平台模型的模态参数识别中,证明该方法可用于复杂噪声环境下的低频结构的模态参数识别。     

基于HHT的多模式Lamb波走时提取

薄板超声Lamb波层析成象研究中,走时是重要的信号特征,但多模式和频散特点给单一模式走时提取带来困难,一般信息提取技术对Lamb波分析较难有理想结果。该文提出利用HHT方法分析信号,先利用经验模式分解成本征模态函数,然后进行Hilbert变换分析边际谱并提取单一模式。与FFT、小波变换分析对比,HHT方法较好的反映了Lamb波信号多模式的随时间、频率分布。与小波变换提取走时数据结果相对比,HHT方法所得走时数据用来反演的图象更接近缺陷真实尺寸。     

EWT-SVD在高速列车万向轴动不平衡检测中的应用

万向轴是高速列车传动系统的核心部件,其动不平衡检测对保障列车运行安全具有重要意义。万向轴动不平衡特征主要体现在特征频率中,针对该信号的故障特征频率提取,引入经验小波变换(empirical wavelet transform,EWT)与奇异值分解(singular value decomposition,SVD)算法。该算法利用EWT构造一组小波滤波器组提取信号的固有模态分量,并通过Hilbert变换得到每个单分量信号的瞬时频率与瞬时幅值,使用SVD结合奇异熵增量谱确定重构阶数并对每个单信号进行重构消噪。通过构造一仿真信号对算法的有效性与可行性进行验证,并将该方法运用于万向轴动不平衡检测中,结果表明:该方法能准确地提取信号的特征频率,使得谱线分辨力得到提高,可有效地应用于万向轴动不平衡检测中。     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。     

基于广义Morse小波和EWT的移动荷载下结构时变频率识别

提出了基于广义Morse小波和经验小波变换的移动荷载作用下结构时变频率识别方法。首先介绍了经验小波变换技术和广义Morse小波特性,采用经验小波变换对结构响应信号进行分解,对分解得到的不同经验模式成分采用广义Morse小波分析,提取信号小波脊线识别结构瞬时频率。用一个数值算例验证了方法的有效性和精度。随后设计了一个移动小车通过钢板梁的模型试验,采用该方法识别其时变频率并与有限元计算结果进行对比分析,进一步验证方法的效果。     

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。     

基于超声Lamb波的高压电缆瓷套式终端液位检测

瓷套式高压电缆终端泄露问题是高压电缆运行安全的主要问题之一,该文提出一种基于超声Lamb波的瓷套式高压电缆终端液位检测方法。首先,分析瓷套式终端液位超声Lamb波检测机理;然后,采用小波包分解对接收信号进行分析,提取特性信息,计算不同液位高度时的小波能量;最后,搭建实验平台,通过扫频实验获得瓷套式终端的频响特性,根据频响特性选取激励频率,进行液位检测。实验结果表明接收信号的小波能量随液位高度的增加呈几何式衰减,在液位较低时能量的区分度较高,而当液位较高时能量的区分度下降。基于超声Lamb波能量衰减的液位检测方法为实现瓷套式高压电缆终端液位带电检测提供参考。