基于混合基函数分解的舰船辐射噪声分解算法

提出了基于混合基函数的信号分解方法,选取过完备小波包基函数逼近连续谱主要分量,用余弦基函数逼近线谱。通过对基函数的通带通性进行分析,选取合适的小波或小波包基函数。该方法通过引入稀疏性分解,仅使用少数小波包基函数就能够准确重构连续谱主要分量的时域信号形式。     

基于角域平均和连续小波变换的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和连续小波变换相结合,提出了基于角域平均和连续小波变换的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均,以消除干扰噪声的影响,最后对角域平均信号进行连续小波变换,根据小波幅值图和相位图,就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障实验信号的分析,表明该方法能有效地诊断齿轮的故障状态。     

小波变换在电梯导轨接缝形位诊断中的应用

简述了电梯导轨直线度的测量原理。通过对多种小波函数变换重构信号的分析对比，提出了最优选择。应用sym7小波从被大量噪声淹没的轿箱水平振动加速度信号中成功地提取出导轨接缝的位置信号，得出了与手动测量结果一致的结论。说明小波变换是准确确定导轨接缝形位的一种较为有效的数据处理方法。     

奇异信号的谐波小波分析

研究稳定信号的理想工具为Fpurier变换。但对于非平稳信号,需要一种具有良好时频特性的函数基来进行分解,Fourier变换所用的三角函数基不能满足此要求。而近些年提出的小波函数很好地解决了非平稳信号的分解问题。在本文中通过对具有奇异信号的非平稳信号进行谐波小波分析,最后根据分解结果可很好地确定信号中出现奇异的时域和频域位置．     

连续小波变换在密集工作模态参数识别中的应用

为了研究小波变换对密集工作模态参数识别效果,构建一个含有密频成分的三自由度系统,应用窄带白噪声模拟环境激励,采用改进的Morlet小波作为连续小波变换的基函数。研究发现,降低小波函数带宽可以提高频率分辨率,解耦密集模态,但同时也加剧边缘效应问题,影响参数识别精度。为此,文章采用支持向量机（SVM）小样本预测技术对信号进行延拓,先增加信号的可用长度,变换之后再截取有用部分,使得边缘效应问题得到抑制。仿真结果表明,此方法可以得到较高的识别精度。最后,通过对磨机前两阶宻频模态进行识别,验证该方法的可行性与有效性。     

基于线调频小波路径追踪的阶比双谱分析方法

为了将双谱用于转速波动下的齿轮故障诊断,提出一种基于线调频小波路径追踪的阶比双谱分析方法。该方法首先将分析信号的时间跨度在不同尺度下进行等分,形成不同的时间支撑区,然后用多尺度线调频基函数对信号进行投影分解,通过从不同的时间支撑区内投影系数最大的基函数中寻找出使分解信号能量最大的基元函数组合,获得信号包含的能量最大的信号分量,进而得到齿轮啮合频率分量的估计,最后将啮合频率除以齿轮的齿数得到齿轮的转速信号,根据提取的转速信号对时域振动信号进行等角度重采样,对重采样信号进行双谱分析即得到阶比双谱。仿真分析表明,该方法能在低信噪比条件下准确提取转速信号,从而使得双谱估计能合理应用于转速波动下的齿轮故障诊断,应用实例进一步验证了阶比双谱的有效性和优越性。     

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD-SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解（VMD）滤波,利用同步提取变换（SET）对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

自适应多小波混合构造方法及在故障诊断中应用

小波理论中基函数的逼近阶和消失矩特性都是信号处理中非常重要的性质。传统自适应多小波构造方法仅能对逼近阶或消失矩单一特性进行改造,并且所生成的多个基函数时频特征和波形差异较小,难以有效实现复杂动态故障的自适应提取与识别。为此,提出基于两尺度相似变换和提升方法相结合的自适应多小波混合构造框架,对原有多尺度函数和多小波函数进行线性与非线性组合,扩大多小波改造空间,获得具有高阶逼近阶的多尺度函数和消失矩涵盖多阶次的多小波函数,增强多小波正则性、光滑性、信号逼近能力和局部定位能力,并提高信号分析精度,为复杂动态信号中微弱和复合故障特征提取与识别提供优良性质的自适应基函数及诊断方法;为按需优选自适应基函数,提出改进局部故障域谱熵最小化原则的自适应基函数优选方法,实现轴系、齿轮和轴承故障的分门别类优选,简化故障分类模式。工程实例表明该方法可以有效识别复杂背景噪声干扰下的轴承内圈微弱损伤,并成功诊断出空气分离压缩机组齿轮箱止推夹板碰撞与摩擦的多特征复合故障。     

风机非稳态噪声信号分析

基于小波包变换理论,提出一种在能量比-频带二维坐标空间内分析非稳态信号频率特性的方法,并与常用频谱分析方法结果做了对比,说明该方法的正确性和可行性。接着以燃料电池汽车的风机噪声信号为例,选取一个低频正弦干扰信号作为其他各种周期信号的代表,证明该方法可以识别出非稳态信号中掺杂的周期信号。最后重点分析风机噪声信号,成功把信号中低频振动噪声与高频气动噪声进行分离,分别提取时域信息,分析并提出进一步降噪的措施。     

奇异值分解结合频率切片小波的齿轮故障特征提取

频率切片小波变换是一种有力的时频分析方法,但在强背景噪声条件下其故障特征识别能力不足,故提出奇异值分解结合频率切片小波的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理,继而利用频率切片小波对降噪信号进行全频分析,确定信号分量分布区间之后,对能量集中的信号进行频率切片细化分析,用时频图及重构信号提取齿轮故障特征。通过仿真及实测齿轮的点蚀信号分析,表明该方法能够实现齿轮运行状态的准确判别,有一定的工程实际意义。     

心音信号特征提取小波包算法研究

为了准确地提取心音信号的病理特征信息,在研究小波包分析的基础上,提出一种心音信号分频带能量特征提取的算法.基于心音信号频谱分析,采用能量集中度高、局部特性好的db6小波函数作为小波包母函数并选取适合心音信号分析的最优基,对不同的心音信号进行4层小波包分解,得到最优基的小波包系数.根据小波包系数与信号能量在时域上的等价关系,提取最优基频带的归一化能量作为心音信号的特征向量.采用类别可分离性判据,计算出该算法对正常和心脏疾病患者的心音特征的可分性测度均值为3.934 9,表明该算法能有效地识别不同的心音信号.     

改进小波阈值函数和ACEWT方法的滚动轴承故障声发射信号特征提取EI北大核心CSCD

针对滚动轴承早期故障声发射信号受复杂传递路径和噪声的干扰,声发射信号信噪比较低,导致轴承故障特征难以提取的问题,提出了改进小波阈值函数-ACEWT的轴承故障特征提取方法。由于声发射信号呈冲击性与快速衰减的特点,构建一种衰减正弦型与指数型的小波阈值函数对低信噪比的声发射信号进行降噪。研究自相关运算与经验小波变换结合的方法(autocorrelation and empirical wavelet transform,ACEWT),用于滚动轴承故障声发射信号特征提取,解决了在低信噪比下经验小波变换对轴承故障特征提取的不足;引入经验小波能量比-熵指标,选取最优经验小波系数。通过与经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法进行对比研究,并试验验证。仿真和试验结果表明,所提方法明显优于经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法,可准确提取轴承故障声发射信号的频率特征。     

基于小波基稀疏信号特征提取的轴承故障诊断EI北大核心CSCD

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用优化最小(Majorization Minimization,MM)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于小波包变换的汽车发动机降噪方法研究

利用小波包变换理论及小波包降噪原理,对汽车发动机含有噪信号进行小波包降噪,有效的提取其中的信号特征.通过对降噪后残差的频谱分析和统计量分析,得到噪声信号的特征频率.通过计算机仿真和实例分析对小波包降噪方法进行验证,表明小波包分析在汽车发动机降噪中有效性.     

Laplace小波及其工程应用

小波变换是非平稳信号处理的有力工具,小波性质取决于它的基函数.在模态分析、机械监测诊断等领域,冲击响应信号十分普遍.一种单边衰减复指数型的Laplace小波基函数具有分析冲击响应信号的优势,采用Laplace小波相关滤波方法可提取振动信号中的冲击响应分量,成功地诊断出内燃机进气阀的磨损故障和识别出大型水轮机轴系的一阶固有频率.     

扫频激励下的飞机颤振模态参数小波辨识研究

为在大噪声环境下准确辨识飞机颤振模态参数,提出了一种适用于扫频激励的颤振模态参数小波辨识方法.该方法首先采用分数阶傅里叶变换对试飞数据时频滤波,随后由频响函数获得脉冲响应,并运用小波变换从脉冲响应中提取模态参数.该方法即利用了扫频信号在分数阶傅里叶域内的聚焦特性,又借助了Morlet小波的窄带滤波特性,显著降低了辨识过程中噪声的不利影响.讨论了算法性能,给出了适用范围,并采用仿真算例和实测试飞数据予以验证,结果表明该方法在大噪声环境下表现了较高的辨识精度.     

内积变换原理与机械故障诊断

机械故障诊断广泛使用的方法是对动态信号进行傅里叶变换、短时傅里叶变换、小波变换以及第二代小波变换。指出这些变换的本质是采用不同的基函数与信号进行内积变换．从动态信号中提取和基函数最相似的故障特征。运用三角基函数、Gabor基函数、离散基函数、谐波基函数、Laplace基函数、Hermitian基函数、第二代小波基函数等，有效地提取出发电机组松动、齿轮箱冲击摩擦、高压缸蒸汽激振、机车轮对滚动轴承损伤等故障特征。采用合理的基函数或多重基函数（多小波）对动态信号进行内积变换，可有效地提取故障特征，进行正确的故障诊断。     

小波域的冲击能量相关技术及其应用

针对传统小波尺度能量谱的不足之处,提出了一种改进型的小波域冲击能量相关技术.首先利用AR时序建模方法,去除振动信号中的周期谐波成分,然后采用连续小波变换将去除周期谐波后的信号分解到每个不同的小波尺度上,并计算不同尺度上小波系数的Teager瞬时能量.在此基础上,利用峭度和循环统计量对不同尺度上的小波Teager能量序列进行尺度筛选,确定能量序列进行尺度积分区间.最后,结合能量序列的时域相关运算,提取出冲击信号的发生周期或频率.结果表明:该方法能降低常规小波尺度能量相关法的误判率,而且在强噪声干扰下能准确地提取出弱冲击信号的发生频率,对旋转机械故障作出准确的判断     

基于二次聚类分割与Teager能量谱的滚动轴承微弱故障特征提取

如何从含噪振动信号中准确提取微弱周期性故障特征是辨识滚动轴承局部故障的关键。针对此问题,提出一种基于二次聚类分割与Teager能量谱的滚动轴承微弱故障特征提取方法。首先通过傅里叶变换得到故障信号的频谱并利用模糊C均值算法对其进行聚类分割;然后对每个频段进行傅里叶逆变换并计算不同频段时域信号的峭度,选取峭度最大频段对应的时域信号作为滤波信号,对该信号进行第二次聚类分割及傅里叶逆变换,选取最大峭度对应的频段作为通带过滤信号,进一步消除噪声和自然周期性成分的影响;最后采用Teager能量算子对得到的时域故障信号进行解调分析,以获取滚动轴承微弱故障特征频率。仿真分析和实验验证结果表明,该方法能准确有效地提取出滚动轴承微弱故障特征。