基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

柴油机振动信号的分形特征及故障诊断

把小波包降噪与关联维数相结合用在柴油机故障诊断中,讨论了关联维数计算中相关参数的选取。首先对柴油机缸盖振动信号进行小波包降噪处理,通过自相关函数法求延迟时间,用饱和关联维数法确定最小嵌入维数,并用改进的G-P算法求关联维数。分析发现,小波包可以有效降低噪声干扰,柴油机在不同工况下具有不同的关联维数,该方法可有效应用于柴油机的故障诊断中。     

基于广义形态分量分析的降噪技术研究

针对强噪声环境中有用信号提取的难题,提出了基于广义形态分量分析的降噪方法。通过引入虚拟观测信号,将一维观测信号扩展为多维虚拟观测信号,再通过广义形态分量分析,实现观测信号的盲源分离,从而达到降噪的目的。通过仿真信号和齿轮磨损故障振动实验信号的研究结果表明：广义形态分量分析技术能有效分离强背景噪声中的微弱信号,有效提取故障特征,其降噪性能优于传统的独立分量分析。     

小波分层阈值降噪法及其在发动机振动信号分析中的应用

摘要：通过对小波消噪原理的分析及常用阈值规则的降噪性能对比,提出了基于小波细节系数自相关性分析的分层阈值降噪法,描述了根据有用信号最小频率成分确定最大分解层数的方法,给出了分层阈值降噪法的步骤,并对模拟的含噪振动信号进行了试验研究,结果表明,该方法具有较好的降噪效果,尤其适合于强噪声背景下弱信号的恢复,有利于较高频率有用信号的提取。最后,对小波分层阈值降噪法在发动机振动信号分析中的实际应用进行了研究,研究证明,该方法可以有效地抑制背景噪声,提取有用状态信息,为发动机振动信号预处理提供了一种切实可行的方法。     

基于谐波小波包变换的齿轮箱包络解调分析

齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。     

基于多尺度降维的柴油机信号信息熵增强方法

针对柴油机曲轴轴承磨损故障信号特征微弱,易被噪声湮没且不同故障程度信号较难区分的特点,提出了一种基于压缩小波和局部保持投影的柴油机信息熵增强方法。利用压缩小波对信号多尺度重构减弱噪声干扰,通过局部保持映射对多尺度信号进行降维,消除冗余信息并增强信号的冲击特性,最终以时域、频域以及时频域的三种信息熵表征信号特征。仿真和实例信号表明,该方法对故障信号特征增强明显,依据信息熵值实现了曲轴磨损状态的分类识别。     

航空发动机转静子碰摩故障信号用小波分析的方法检测和分析

针对试飞中发动机转静子碰摩故障信号,首先应用小波阈值方法对原始信号进行降噪处理,由此滤除高频噪声干扰,同时可保留含有重要故障特征的突变信息;对降噪后信号进行连续小波变换,时频分析结果具有很好的实时跟踪转速频率能力,且频带清晰,故障特征明显,为今后真实飞行载荷下的实时故障监测提供一种有效途径。     

基于噪声水平自适应估计的往复压缩机振动信号局部投影降噪方法

局部投影降噪算法在其应用过程中,邻域的选择对降噪效果有较大影响。提出了改进算法以解决传统算法中邻域难以选取的问题。该方法利用小波包分解技术,依据频带能量的差异将原始信号分解为噪声频带和系统信号频带,将噪声频带能量占原始信号能量的比值估计为噪声水平。在一定程度内逐步增加分解层数,直至该噪声水平收敛。根据收敛时的噪声水平估计相空间中相点的邻域半径,此外利用该噪声水平可实现对原始信号的盲信噪比估计。对含噪的Lorenz和Rossler序列进行数值仿真,结果表明该方法的降噪效果优于一些传统方法和基于定量递归分析的局部投影降噪算法。对实测往复压缩机振动信号的降噪研究,进一步表明了该方法的有效性。     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

局域均值分解和小波阈值在大地电磁噪声压制中的应用

大地电磁测深法是基于电磁感应原理,利用天然交变电磁场来研究地下岩层的电学性质及其分布特征。然而,天然电磁场频带范围宽、信号微弱,在实际测量中大地电磁信号极易受到各种电磁噪声干扰,严重影响了后续的电磁法反演解释水平。针对这一难题,将局域均值分解(LMD)的自适应性和小波分析的多分辨性相结合,提出基于局域均值分解和小波阈值的大地电磁噪声压制方法。将含噪信号进行LMD分解得到若干阶乘积函数(PF)分量;根据大地电磁信噪特征保留PF_1分量,仅对其余各阶PF分量选取合适的小波阈值进行降噪处理;叠加重构获得大地电磁有用信号。通过计算机模拟典型强干扰,研究不同小波函数、分解层数及阈值方式下算法的去噪性能,并将其应用于矿集区实测大地电磁数据处理。实验结果表明,所提方法能较好地提取出叠加在微弱大地电磁信号上的大尺度强干扰的轮廓特征,视电阻率曲线更为光滑、连续,低频段的大地电磁数据质量得到了明显改善。     

周期广义谐和小波变换及重构

谐和小波和广义谐和小波皆为在频域上紧支且时域为无穷的正交小波,其频域分辨率很好但时域分辨率较差。虽然谐和小波在无穷时域上具有正交性,但其正交性在有限时域上却无法体现。针对这个缺点,在广义谐和小波的基础上,将广义谐和小波周期化后,进而提出了一种周期广义谐和小波（Periodic Generalized Harmonic Wavelet, PGHW）。PGHW的母小波在时域中可以表达为经平移后的若干谐和项之和,在频域中表现若干 函数之和,为一种以待分析信号持时为基本周期且在其上正交的离散广义谐和小波。基于PGHW在频域内的简单性,利用快速Fourier变换（FFT）技术实现了PGHW的快速小波变换及逆变换。文章最后的算例给出了某人工合成地震波的周期广义谐和小波变换及其重构,说明了所提算法的高效性与PGHW的完全重构性。     

基于小波理论合成人工地震波

本文的研究目的是解决这下问题：使用小波函数解决三角级数法合成人工地震波过程中无法表述地震波局部性质的缺陷。本文的研究方法是：首先对三角级数法合成人工地震波的过程进行论述,目的是找出三角级数法的缺陷;然后说明了如何使用小波函数对目标功率谱进行了小波分解,使用分解后的高频小波基乘以随机相位的余弦函数,从而合成了人工地震波,并对如何计算目标功率谱进行了详细的说明;最后用实例验证了此方法比三角级数法优越,而且比较了使用不同小波基对合成人工地震波的影响。本文的研究结论是：使用Daubechies小波基（db4）比使用Daubechies小波基（db1）合成人工地震波效果好,而小波函数层数增加并不能有效的提高合成人工地震波的精度。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

利用EEG信号的小波包变换与非线性分析实现精神疲劳状态的判定

EEG（脑电）信号的4个节律(δ波、θ波、α波、β波)与人的精神疲劳状态有对应关系,不同节律的能量值及其非线性特征参数可以用于疲劳状态的判定。本文首先利用小波包分解与重构技术, 构造了以“db20”为基小波函数的6层分解,得到EEG信号的4个节律。然后,对4个节律信号分别计算相应的节律的频带能量比例值,这些频带能量比例值作为对人体精神状态进行评价的量化指标。通过计算EEG信号α波的非线性特征参数,包括最大Lyapunov指数、近似熵、复杂度,并将这些非线性特征参数组成疲劳状态的综合评估判据,可以实现疲劳状态的判定。10组EEG信号的分析结果表明了该本文方法的有效性,其中对疲劳和非疲劳状态的判定准确率较高,而对轻微疲劳、中等疲劳和严重疲劳三种状态的准确区分稍差一些。     

基于小波包变换的高程差对爆破震动信号影响分析

爆破施工现场地形一般都有一定的起伏,爆破地点与被保护目标具有一定的高程差。为了研究高程差对爆破震动信号特性影响,依托工程实践,采集了大量爆破震动信号。分析表明正的高程差对爆破地震波峰值具有放大效应,并且放大效应在一定的范围内存在。利用小波包分析的信号处理方法对高程差影响下的爆破震动信号能量分布和时频特征进行了研究。研究表明,正高程差使爆破震动信号中的低频成分增多,低频成分在整个信号中的能量分布有增大趋势,这一特点对爆破地点周围目标保护不利。分析高程差对爆破震动信号的影响,从而优化爆破设计,更好地保护爆破地点周围的目标。结论具有重要的现实意义。     

自适应冗余提升小波降噪分析及其在轴承故障识别中的应用

为有效识别机械设备中滚动轴承的微弱故障信息,本文提出一种自适应冗余提升小波降噪方法。根据待分解低频尺度系数所含的不同特征,应用范数准则来自适应地选取最匹配于该尺度系数特征的小波函数。同时,引入多孔算法,用以通过冗余性来保证逐层分解后各尺度系数和小波系数所含有的丰富的信息量。接下来,对各层小波系数采用变尺度阈值降噪算法,并对降噪后的系数进行重构及包络谱分析,进而提取滚动轴承的故障特征。应用上述方法分别对轴承实验台轴承混合故障信号和现场实际信号进行分析,均较好地实现了故障识别,验证了本文方法的有效性。     

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。     

平面近场声全息信噪比估计方法研究

针对全息面复声压信噪比对声场重构结果影响较大、往往不能直接测量问题,采用二维小波分析方法进行全息面信噪比参数估计,分析小波函数、分解层级对信噪比估计准确性影响,明确二维小波分析的参数选取,并以受简谐激励作用的四周无限大障板简支钢板为对象进行辐射声场全息重构仿真分析。结果表明,信噪比参数对实现准确声场全息重构十分重要,用二维小波分析方法进行全息面信噪比参数估计有效且可行。     

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。     

基于无迹卡尔曼滤波的动态贝叶斯小波变换在轴承故障诊断中的应用

针对工程实际中滚动轴承发生故障的类型具有典型性和故障信号具有冲击性,且振动信号的频率成分因外界环境的影响而变得极其复杂的特点,提出了一种基于负熵和无迹卡尔曼滤波的动态贝叶斯小波变换方法。该方法将SE(Squared Envelope) Infogram方法应用到无迹卡尔曼滤波方法(Unscented Kalman Filter, UKF)中,利用SE Infogram确定滤波器参数初值,即中心频率与带宽的初值,结合UKF对中心频率与带宽进行优化,以最优中心频率与带宽对振动信号进行滤波分析,对滤波后的信号进行包络解调分析,实现轴承微弱故障特征的提取。利用负熵指标代替以往研究所用的峭度指标,可以有效消除或削弱高峰值干扰的影响。最后,通过对仿真信号和轮对轴承试验信号对提出的方法进行了验证。结果表明,该方法能够有效提取强背景噪声下轴承外圈、内圈故障和滚动体故障,验证了该方法对轴承微弱故障诊断的有效性。