基于CNCT的滚动轴承瞬时频率估计研究

针对滚动轴承升降速过程中非平稳信号的瞬时频率估计精度不足的问题,提出一种连续非线性调频小波变换的拟合方法来提高瞬时频率估计的精度。利用非线性调频小波变换产生良好能量聚集性的时-频分布,将仿真信号做时-频分布,然后再用峰值搜索在时频面上提取峰值,最后利用最小二乘法对瞬时频率进行拟合。MATLAB的实验结果表明,基于连续非线性调频小波变换的滚动轴承瞬时频率估计方法在低信噪比下可一定程度上提升信号瞬时频率估计的精度。     

基于同步提取和时频系数模极值的瞬时频率识别

针对时频系数模极大值脊线提取算法难以精确识别含噪响应信号瞬时频率的特点,提出一种同步提取和时频系数模极大值相结合的时变结构响应信号瞬时频率识别方法.首先,采用同步提取算法将瞬时频率锁定在一定范围内,避免了人工选择搜索范围的随意性;其次,在锁定的曲带范围内逐点搜索时频系数模极大值,最终得到高精度的时频脊线和瞬时频率曲线....     

基于频率成比例重分配线性Chirplet变换的时频分析方法

齿轮故障信号具有典型的调制特征，其各个频率分量的瞬时频率轨迹具有成比例特征；同时，传统的时频方法存在时频能量集中度低、弱分量信号被淹没的问题。为此，提出了一种频率成比例重分配线性Chirplet变换(PFSRLCT)的时频分析方法。首先，修改了线性Chirplet变换，利用新的核函数来匹配信号的瞬时频率轨迹，以获得时频域表示，利用脊线搜索方法提取了时频脊线；然后，利用时频脊线和狄拉克函数构造了同步重分配算子，对所得到的时频结果进行了重分配，进一步提高了时频能量集中度；最后，利用模拟信号验证了PFSRLCT方法的有效性，并将其与其他方法进行了比较；此外又将该方法应用于实际齿轮箱故障信号的诊断，从所得到的时频结果中可以清楚地分辨出啮合频率fm及其谐波和边频带，所诊断出的故障类型与预设故障类型符合，验证了该方法的适用性。研究结果表明：PFSRLCT在处理具有瞬时频率轨迹成比例特征的信号时，显示出了良好的性能，在信噪比为-2 dB～10 dB时，所得的频率估计误差均小于0.01,在信噪比为-1 dB时，所得Rényi熵仅为4.745 1,均明显小于其他方法，证明该方法的噪声鲁棒性相较于其他方法...     

基于GLCT的磁悬浮轴承跌落过程中反向涡动轴轨迹瞬时频率提取

为了正确提取磁悬浮轴承跌落过程中发生反向涡动时轴轨迹的时频特征,本文引入了广义线性调频小波变换(GLCT)。为分析不同时频方法在信号时频特性分析的优缺点,分别采用了短时傅里叶变换、Wigner-Ville分布、GLCT和Hilbert transform对磁悬浮轴承跌落过程中反向涡动情况下轴系Y轴(竖直)方向上的位移信号进行了处理。结果显示,短时傅里叶变换因为分析窗不具备瞬时频率调频率的自适应性,时频聚焦性不理想,瞬时频率的计算精度易受其影响;Wigner-Ville分布中交叉项会混淆真实时频分布,也会带来计算误差;而Hilbert transform过分依赖信号光滑性,噪声影响较大;GLCT具备理想的时频聚焦性,易于获得正确的瞬时频率。这有利于后续重新悬浮控制程序的开展。     

线调频小波路径追踪算法和FrFT相结合的升降速齿轮故障诊断方法

针对升降速阶段齿轮振动信号的非平稳特性,提出线调频小波路径追踪算法和分数阶傅里叶变换(Fractional Fouriertransform,FrFT)相结合的齿轮故障诊断方法。该方法采用线调频小波路径追踪算法获得升、降速阶段齿轮振动信号所包含的能量最大信号分量的瞬时频率,并通过对该瞬时频率时频曲线的观察,获得该瞬时频率近似于线性上升或下降的时间范围,提取该时间范围的齿轮振动信号段,用FrFT对所提取的振动信号段进行处理,得到齿轮振动信号段的FrFT频谱图,从FrFT频谱图存在的调制现象来判断齿轮故障。其中FrFT的最佳阶次可由瞬时频率的调频系数计算得到。由于噪声与Chirplet原子的相关性很小,使得线调频小波路径追踪方法对噪声不敏感;另一方面,选择合适的分数阶,信号的FrFT将具有很好的信噪分量效果,因此该方法可用于处理升降速阶段的低信噪比齿轮振动信号。仿真分析和应用实例验证了该方法的有效性和良好的抗噪性。     

基于瞬时参数估计的信号分量提取

具有非线性时频关系的多分量信号频谱占有较宽的频带且相互交叠,针对此类信号分量提取难的问题,提出了一种基于瞬时参数估计的信号分量提取算法.首先,采用FMm let变换将被分析信号在时频空间内展开;然后,根据时频面内能量峰脊与瞬时频率的对应关系,应用谱峰检测法估计出所需提取分量的瞬时频率;按照最小二乘法滤波原理估计该分量的瞬时幅值,继而按照信号瞬时模型恢复重构出对应的信号分量.理论分析和仿真试验表明,该方法能从时频相交或不相交的多分量复杂时变信号中提取出所需信号分量,且失真度小.     

局域均值分解法在轴承故障诊断中的应用

局域均值分解法将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,每个PF分量由1个包络信号和1个调频信号相乘得到,包络信号就是该PF的瞬时幅值,而PF的瞬时频率可以由纯调频信号求出。进一步将所有PF分量的瞬时频率和瞬时幅值相组合,即可得到原始信号的时频分布。通过对故障轴承信号的分析表明,该方法能清晰地提取轴承故障特征。     

应用最优重分配小波尺度谱的小波脊线提取

针对基于小波尺度谱的模极大值法提取小波脊线存在受噪声干扰影响大、高频部分频率分辨率低等缺点,提出一种基于最优重分配小波尺度谱的小波脊线提取方法。首先,优化M orlet母小波使其与信号特征成分实现最佳匹配,再对小波尺度谱进行重分配,提高尺度谱的时频聚集性;然后,对重分配尺度谱进行信号奇异值分解降噪,降低噪声干扰影响;最后,利用模极大值法提取出小波脊线,根据小波脊线与频率的关系得到信号的瞬时频率。仿真算例和实际工程应用结果表明,该方法能有效提取出强噪背景下的机械故障特征。     

基于参数自适应时频分布的瞬时频率估计

为了跟踪信号在不同时刻的频率变化情况，需要估计其瞬时频率。本文分析了瞬时频率与非平稳信号的时频分布之间的关系，提出了一种采用自适应信号子空间分解的参数自适应时频分布（PAD），以及基于PAD峰值检测的瞬时频率估计方法。数值仿真和对实测信号的瞬时频率估计实验结果表明，该方法对于调频类信号的估计性能优于其他常用的瞬时频率估计法，且抗噪声干扰能力强，为时变频率非平稳信号的瞬时频率估计提供了新的手段。     

基于时频分析的移频轨道交通信号检测方法

针对传统方法对交通信号检测时,由于未能提取交通信号的时频特征,导致信号检测时存在检测精度低、检测误差大和噪声频率不稳定等问题,提出基于时频分析的移频轨道交通信号检测方法。首先利用时频分析法对移频轨道交通信号的时频特征进行提取;再基于提取的信号时频特征,利用信号的概率密度函数获取交通信号的信号双谱;最后利用卷积神经网络分类处理有双谱的交通信号,实现信号检测。实验结果表明,该方法检测信号时,检测精度高、检测误差小,以及噪声频率稳定。     

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。     

Non-stationary signal analysis based on general parameterized time–frequency transform and its application in the feature extraction of a rotary machine

With the development of large rotary machines for faster and more integrated performance, the condition monitoring and fault diagnosis for them are becoming more challenging. Since the time-frequency (TF) pattern of the vibration signal from the rotary machine often contains condition information and fault feature, the methods based on TF analysis have been widely-used to solve these two problems in the industrial community. This article introduces an effective non-stationary signal analysis method based on the general parameterized time–frequency transform (GPTFT). The GPTFT is achieved by inserting a rotation operator and a shift operator in the short-time Fourier transform. This method can produce a high-concentrated TF pattern with a general kernel. A multi-component instantaneous frequency (IF) extraction method is proposed based on it. The estimation for the IF of every component is accomplished by defining a spectrum concentration index (SCI). Moreover, such an IF estimation process is iteratively operated until all the components are extracted. The tests on three simulation examples and a real vibration signal demonstrate the effectiveness and superiority of our method.     

Study on denoising filter of underwater vehicle using DWT

In the step processing a digitalized signal,noises are generated by internal or external causes of the system.In order to eliminate these noises,various methods are researched.Among these noise elimination methods,Fourier fast transform （FFT） and short-time Fourier transform （STFT） are widely used.Because they are expressed as a fixed time-frequency domain,they have the disadvantage that the time information about the signal is unknown.In order to overcome these limitations,by using the wavelet transform that provides a variety of time-frequency resolution,multi-resolution analysis can be analysed and a varying noise depending on the time characteristics can be removed more efficiently.Therefore,in this paper,a denoising method of underwater vehicle using discrete wavelet transform （DWT） is proposed.     

基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用

提出一种基于局部特征尺度分解(Local characteristic-scale decomposition, LCD)和经验包络(Empirical envelope method, EE)解调的非平稳信号分析方法。该方法通过局部特征尺度分解将一个复杂信号自适应地分解为若干个内禀尺度分量之和,对得到的各个内禀尺度分量进行经验包络解调,得到各个分量信号的瞬时幅值和瞬时频率信息,从而得到原始信号完整的时频分布。采用仿真信号将基于LCD和EE解调的时频分析方法和希尔伯特黄变换方法进行对比,结果表明,新提出的信号分解和解调方法在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于希尔伯特黄变换方法。针对滚动轴承和齿轮故障振动信号的调制特点,将基于LCD和EE的时频分析方法引入机械故障诊断中,对试验信号的分析结果表明,基于LCD和EE的时频分析方法能有效地提取机械故障振动信号的特征。     

时频图像Hough变换在滚动轴承故障诊断中的应用

为提高时频分析技术在设备故障诊断中的实用性,研究了时频图像处理的滚动轴承故障诊断技术。采用Hough变换对表征信号的Wigner-Ville时频分布进行分析,以提高时频谱表征非平稳信号的可靠性,特别对线性调频信号分析具有较好的实用性。以实验室的滚动轴承在不同状态下的状态识别为例,验证了时频图像Hough变换准确识别滚动轴承故障的有效性。     

窗函数的选择对时频域测试分析的影响

在LabVIEW平台的基础上,研究了利用时频域测试方法,分析数字信号(以下简称信号)在时-频平面内时间与频率之间的变化关系。该测试分析方法利用短时傅里叶变换(STFT)的基本原理,对一些非平稳的信号进行分析,但在信号处理过程中,能得到的信号长度总是有限的;所以,需对无限长的时间序列施加1个窗函数,在此基础上,分析窗函数的选择对其时频域分析的影响。     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.     

Multiscale singular value manifold for rotating machinery fault diagnosis

Time-frequency distribution of vibration signal can be considered as an image that contains more information than signal in time domain. Manifold learning is a novel theory for image recognition that can be also applied to rotating machinery fault pattern recognition based on time-frequency distributions. However, the vibration signal of rotating machinery in fault condition contains cyclical transient impulses with different phrases which are detrimental to image recognition for time-frequency distribution. To eliminate the effects of phase differences and extract the inherent features of time-frequency distributions, a multiscale singular value manifold method is proposed. The obtained low-dimensional multiscale singular value manifold features can reveal the differences of different fault patterns and they are applicable to classification and diagnosis. Experimental verification proves that the performance of the proposed method is superior in rotating machinery fault diagnosis.     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足.通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象.利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一...     

基于时频分析的某惯性器件测试与故障诊断

简要介绍了时频分布检测信号的基本原理，并基于Pseudo-Margenau-Hill(PMH)时频分布分析了某横法向稳定仪在正常和故障状态下所采集到的两组数据。实验结果分析表明，PMH分布可提取横法向稳定仪在故障状态时的信号时频特征，确定故障发生的时刻。