基于EMD-Hankel-SVD的高速列车万向轴动不平衡检测

针对EMD(Empirical Model Decomposition)存在模式频率混叠带来的频谱杂乱的根本缺陷,提出一种高速列车万向轴动不平衡动态检测的新方法。该方法的核心是:对万向节安装机座的振动信号进行EMD分解得到基本模式分量,应用基本模式分量信号来构造Hankel矩阵,对该矩阵进行奇异值正交化分解,以奇异值关键叠层作为奇异值的选择准则对信号进行重构,应用重构信号的傅里叶谱来检测高速列车万向轴的动不平衡,消除EMD分解模式频率混叠带来频谱杂乱,提高了谱的清晰度,凸显了故障特征。应用万向轴动不平衡试验数据对该方法进行试验验证,结果表明:该方法能够有效检测万向轴动不平衡引起故障特征和万向轴的固有振动特性,与纯EMD方法相比,该方法在谱的清晰度和故障表征力上得到了显著提高。     

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SVD的EMD模态混叠消除方法

为了改进EMD中模态混叠的缺陷,提出一种基于SVD的模态混叠消除方法。SVD有两个特性,一是每个频率成分对应两个大小相当的奇异值;二是各频率成分经分解得到的奇异值大小与该频率成分的振幅呈正相关。该方法根据信号中主要频率成分构造出一组与原信号频率相等、幅值与原信号振幅成整倍数的正弦信号,并与原信号叠加后对叠加信号进行SVD分解,然后成对选取分解得到的奇异值重构出一组信号,依次减去前面加入的对应频率的正弦信号即可得到分解结果。实验表明,对于EMD分解模态混叠现象严重的信号,该方法能够进行有效消除模态混叠。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

基于奇异值分解的液压信号时域分解方法

为了抑制模态混叠和降低分量中的噪声含量,提出了一种基于奇异值分解的液压信号时域分解方法。根据奇异值分解的两点特性:(1)每个频率成分对应两个大小相当的奇异值;(2)各频率对应的奇异值的大小与该频率的振幅呈正相关,该方法先选取原信号中的某一频率,向其中叠加频率相同、振幅已知的周期信号,使叠加信号中该频率的振幅最大,这样与其对应的奇异值一定位于对角矩阵的前两阶,解决了原信号该频率的奇异值阶数无法确定的问题,继而选取前两阶奇异值重构,再减去前步加入的周期信号,即还原出原信号中该频率的时间序列。同样,对于原信号中的其他频率用相同方法处理,最终获得一组分量。经实验,该方法较EMD不仅能有效消除模态混叠,而且降低了分量中的噪声含量。     

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。     

一种基于奇异值的小波包改进算法

为提高小波包降噪精度,提出一种小波包和奇异值结合的改进算法。首先选取合适的小波基函数进行小波包分解,对小波包系数进行奇异值分解,然后重构信号,最后仿真验证该算法的有效性。结果表明该算法可以有效地滤去噪声信号,同时可以保留信号中的高频成分,降噪效果优于小波包降噪。     

基于多尺度高阶奇异谱熵的信号特征提取方法

提出了基于变分模态分解(VMD)的高阶奇异谱熵的特征提取方法,并应用在滚动轴承故障诊断中。首先,使用4阶累积量切片代替奇异谱熵分析(SSEA)的协方差矩阵,引入VMD分解实现方法多尺度化,提出信号多分辨高阶奇异谱熵分析(M-HSSEA)方法;通过信号分析,VMD解决了模态混叠的问题,且能够实现信号滤波,同时该方法提取的熵特征向量增强了相空间重构参数鲁棒性;通过和小波奇异谱提取特征的方法对比,结果表明所提出的方法在克服频率混叠现象,提取的特征点总体离散度小等方面更具优势;最后,结合深度信念网络分类器实现了对故障的分类,实验结果验证了所提方法的有效性和可行性。     

基于改进的自适应无参经验小波变换的滚动轴承故障诊断

为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法。首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征。仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换。     

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。     

基于DTCWT和Laplace小波相关滤波的爆炸复合结构模态参数识别方法

精确提取结构模态参数是爆炸复合结构结合状态识别的重要基础,提出一种基于双树复小波变换(DTCWT)和Laplace小波相关滤波相结合的爆炸复合结构模态参数识别方法。利用DTCWT的抗频带混叠特性,对多模态混叠振动响应信号进行模态分离,得到一组单模态分量;将DTCWT与Laplace小波相关滤波提取模态参数法相结合,实现爆炸复合结构的模态参数提取。将该方法应用于爆炸复合管的实验数据,精确提取了其固有频率和阻尼比,精度明显高于直接Laplace小波相关滤波法。将该方法应用于生产线上不同结合状态的爆炸复合管,有效提取了不同状态管道的模态参数。     

改进小波算法在机械故障诊断中的应用

小波变换具有优良的时频分析特性,适合于提取非平稳信号和时变信号,利用小波变换来提取机械设备的故障特征是当前的一个研究热点.但是由于小波滤波器的频响应特性不理想,因此直接对信号进行小波变换必定会产生一定的虚假频率,从而影响故障特征提取的准确性.针对小波变换产生混频的原因提出了一种改进的小波分解算法,仿真结果表明该方法能有效地消除混频现象,提高故障诊断的精度.     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

基于奇异值能量谱的Morlet小波尺度优化

针对尺度对Morlet小波变换结果具有决定性影响的问题,提出一种奇异值能量谱方法,实现Morlet小波尺度的优化并提取故障特征。首先采用Shannon熵的方法优化Morlet小波中心频率与带宽参数,针对Shannon熵计算结果中无明确极小值点的情况,通过比较不同参数下的小波变换结果,得到了最优小波参数。然后,根据实际频率与尺度的对应关系,选择有效尺度范围进行连续Morlet小波变换。最后,将每一尺度下的小波系数进行奇异值分解并计算奇异值能量谱,通过选择能量谱峰值来确定最优尺度参数,实现对故障特征的提取。对仿真信号和实际轴承信号的分析表明,此方法克服了以往方法的缺点,在低信噪比时具有良好的故障特征提取效果。     

水中目标辐射噪声调制谱提取方法

分析了小波多分辨率分解方法引起的频率混叠的问题,提出了直接采用窄带FIR滤波的方法提取感兴趣的数据,然后利用Morlet复解析小波变换方法提取螺旋桨轴频。通过设置合适的中心频率和带宽,提取调制信号的包络,对包络信号进行谱分析,提取螺旋桨的轴频等信息,对于推算目标速度具有重要价值。     

基于重分配配算法和奇异值分解的多小波脊线提取

小波脊线能较好地揭示信号瞬时频率变化情况。针对目前多小波脊线提取方法存在的问题,提出了一种多小波脊线提取的新方法。该法通过连续小波变换得到小波尺度谱后,利用重分配算法对其进行处理,再通过奇异值分解降噪,然后通过求小波系数的模极大值点来提取各分量的小波脊线。与其它方法相比,该法更加适合于某些分量具有较大载波频率的低信噪比多分量AM-FM信号的小波脊线提取。在齿轮故障特征提取中的应用结果也验证了所提方法的有效性和实用性。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。