非平稳信号自适应滤波的小波模型与滤波方法

分析自适应滤波和小波滤波的原理与方法,建立非平稳信号的自适应滤波的小波模型和滤波方法。利用小波变换的多尺度分解,将分离出来的噪声成分作为自适应滤波器的输入信号。通过自适应滤波器组能同时实现对多种噪声成分的最佳滤波,是实现信噪分离的最佳滤波方法,具有优良的滤波性能。模型验证和工程实例应用表明,该方法能实现非平稳信号在同频段对噪声成分和有用信号的最佳估计。     

基于稀疏信号分解的自适应时变滤波器及其在齿轮故障诊断中的应用

提出一种新的自适应时变滤波器设计方法,并将其应用于变速齿轮箱齿轮故障诊断中.齿轮箱振动信号频率成分复杂,特别是多级变速齿轮箱,存在多个啮合频率,而齿轮箱齿轮故障诊断的核心是获取啮合频率的调制状态.在非平稳转速下,如何从复杂振动信号中提取包络调制信号是齿轮箱故障诊断需要解决的关键问题.基于多尺度线调频基(Multi-scale chirplet)的稀疏信号分解方法可以有效地提取频率呈曲线变化的信号分量,适合于载波频率的提取,以该载波频率为滤波器的中心频率,转频的倍频为滤波带宽,设计滤波中心频率曲线变化的自适应时变滤波器,可以有效地将多个包络调制信号分别提取出来,进而可以对变速多级齿轮箱齿轮进行故障诊断.提出的自适应滤波器可以根据信号本身的特点自动改变滤波中心频率和滤波带宽,对信号进行滤波,保留信号的有用频率成分,抑制无用成分.仿真算例和应用实例说明了方法的有效性.     

谐波小波滤波与HHT在轴承故障诊断中的应用

谐波小波具有良好的盒形频谱特性,可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上。将谐波小波作为滤波器,可以将特定频段的成分与信号的其他频率成分分离,进行重构后就能够提取出强背景噪声干扰下的特定信号频段成分,实现谐波小波滤波。然后,对故障敏感段信号进行HHT边际谱分析,并以边际谱的最大峰值作为特征向量判断轴承的工作状态和故障类型。     

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

基于改进自适应局部迭代滤波的谐波检测方法研究

针对大量非线性负荷及电力电子设备广泛应用导致的电力系统谐波成份非平稳性和复杂性日益突出,难以识别和检测的问题,在引入自适应局部迭代滤波算法的基础上,提出了基于改进自适应迭代滤波与希尔伯特变换的谐波检测方法。改进自适应迭代滤波算法利用Fokker-Planck方程构建滤波函数,经滤波筛选获取具有平稳特征的本征模态分量,具有坚实的数学基础,且能够有效地避免经验模态分解算法存在的模态混叠问题。首先利用改进自适应迭代滤波算法分解得到周期分量,对各分量进行Hilbert变换,提取包括频率、幅值、相位在内的谐波特征参数。测试信号及实测数据分析结果证明了所用方法的有效性,与经验模态分解的对比结果充分验证了本方法在电力系统谐波检测中的强适应性。     

基于增强最小熵解卷积的航空发动机故障诊断

为有效提取轴承的微弱故障特征,提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中,通过抑制滤波信号中的非周期成分,实现对周期性故障冲击的增强检测,完成轴承故障的准确辨识。仿真信号分析结果表明,所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。     

基于自适应陷波的直拉单晶直径跟踪

为抵消单晶生长过程中晶体直径测量信号存在的周期性干扰,提出一种适合晶体直径测量信号的自适应陷波滤波方法。该方法采用抵消低频分量、保留高频分量的思想建立滤波器优化函数,利用一种改进的粒子群优化算法优化该函数获得周期性干扰的逼近信号,并用此逼近信号抵消周期性干扰。实验结果表明,所提出的滤波方法能有效跟踪直拉单晶直径的变化,精度优于常用的滤波方法,所提出的粒子群优化算法能够使滤波器系数较快收敛。     

基于变模式分解降噪的滚动轴承故障诊断研究

变模式分解(Variational Mode Decomposition,VMD)是近年出现一种新的自适应分解方法,对其最小化可以把一个信号分解为固有模式。基于此,提出了变模式分解(VMD)降噪。首先通过VMD将故障信号分解为一系列模式,计算各模式与原信号的相关系数,再根据相关系数选择相应的分量进行重构以达到对原信号降噪的目地,之后通过差值形态滤波对重构信号进行解调以提取故障特征。为验证降噪的必要性和有效性,对比了直接差值形态滤波提取特征。仿真信号和对滚动轴承的实验证明了方法的有效性。     

基于共振稀疏分解的滚动轴承早期微弱故障诊断

传统方法很难对滚动轴承的早期微弱故障进行有效诊断.共振稀疏分解是一种基于多字典库的稀疏分解方法,可以同时分解出滚动轴承故障信号中的瞬态冲击成分及其持续震荡成分(工频及其谐频成分).该方法在对滚动轴承早期微弱故障信号进行自适应滤波降噪(采用Ensemble Empirical Mode Decomposition,EEMD方法)基础上,对处理后的信号进行共振稀疏分解分析,分别构建高、低品质因子小波基函数字典库,并利用形态学分析方法建立信号稀疏表示的目标函数,进而实现对滚动轴承发生故障时具有低品质因子的瞬态故障成分及其他持续振荡高品质因子噪声成分的成功分离.对分离得到的低品质因子信号成分进行包络解调分析,进而得到较好的故障提取特征结果.通过实验验证了所述方法的有效性.     

自适应提升小波在往复机械故障检测中的应用

提出了一种基于信号特征的自适应提升小波方法,即以提升小波为基础,根据信号分解后的熵来选择预测滤波器系数和更新滤波器系数,它克服了传统小波变换的不足,和提升小波只能依据信号特征来设计预测滤波器,而不能设计更新滤波器的问题.该方法用于往复机械气阀的振动信号特征提取,有效地提取了气阀的故障特征信号.实验中采用不同的小波对信号进行降噪性能比较,自适应提升方法设计的小波明显优于实验室中采用的其它小波.     

自适应谱峭度滤波方法及其振动信号检测应用

谱峭度滤波方法是一种在强背景噪声下也能有效提取振动信号中瞬态成分的方法。笔者针对谱峭度滤波方法中窗宽的自适应选择问题,提出一种自适应谱峭度滤波方法。该方法将小波相关滤波提取的振动信号特征频率作为Morlet小波滤波窗口中心频率,并按最大谱峭度原则自适应选择滤波小波窗口宽度,以确定最优带宽Morlet小波窗。通过强背景噪声下的瞬态成分的提取验证该方法的有效性,并与窗口融合自适应谱峭度滤波方法进行比较。针对轴承故障振动信号检测,应用该方法提取反映轴承故障的冲击响应成分,说明该方法能够实现轴承故障振动特征信号的提取。     

基于平均自相关和优化VMD的轴箱轴承故障诊断

针对动车组运行过程中轴箱轴承振动加速度信号非平稳特性以及较大的背景噪声导致故障特征难以提取的问题,提出一种平均自相关结合参数优化变分模态分解（variational mode decomposition,简称VMD）的轴箱轴承故障诊断方法。首先,利用平均自相关对原始信号进行降噪,增强故障周期性冲击信息;其次,以故障特征频率能量比相反数为适应度函数,利用哈里斯鹰优化算法（Harris hawks optimization,简称HHO）优化VMD的模态分量数和二次惩罚系数,实现对降噪信号的自适应分解并提取出最佳模态分量;最后,计算其平方包络谱进行故障诊断分析。仿真和试验结果表明：该方法能够有效地降低背景噪声的影响,稳定地提取出周期性故障冲击成分,实现轴箱轴承故障的准确诊断。     

基于AIF和TT的滚动轴承复合故障诊断

针对滚动轴承复合故障模式下的微弱特征难以提取的问题,提出了基于自适应迭代滤波（adaptive iterative filtering,简称AIF）和改进的时时变换（time?time transform,简称TT）的滚动轴承复合故障诊断方法。首先,采用AIF将信号分解,得到一系列本征模态分量,并以最大相关峭度作为评价准则,筛选出其中的特征分量,实现滚动轴承复合故障振动信号的特征分离;其次,利用改进的时时变换方法对特征分量进行降噪,增强特征分量的冲击特征;最后,对降噪的特征分量进行包络谱分析,提取故障特征频率,实现滚动轴承故障模式的精确判别。仿真实验和故障诊断实例表明,该方法可以有效提取滚动轴承复合故障模式下的微弱特性信息。     

基于LMD和FastICA的轴承故障诊断研究

针对恶劣环境影响下滚动轴承微弱故障特征难以提取的问题,提出一种基于局部均值分解(LMD)和快速独立分量分析(FastICA)算法相结合的新方法。首先,以快速谱峭度选取合适的滤波参数进行滤波;然后,利用LMD方法对滤波处理后的目标信号进行局部均值分解得到多个乘积函数(PF),并根据筛选准则选取合适的分量进行信号重构;最后,使用FastICA算法实现源信号和噪声的分离,有效地提取故障特征。     

三坐标测量机动态误差特征分析方法

为了对三坐标测量机动态误差进行精确分解与分析,掌握其组成成分和特征,根据动态误差的特点,组合使用最小二乘法、自适应陷波、短时傅立叶变换等多种信号分析方法对测量数据进行分析,同时实现了复杂信号的趋势项分离、谐波个数鉴别与分离以及调幅信号解调等,与小波分析方法相比具有更好的分离效果。     

粒子群结合形态学滤波的滚动轴承故障诊断

针对形态学滤波方法在提取轴承故障特征过程中对滤波效果评价的不足,提出以峭度和故障特征频率能量比值组成的复合评价指标来评价,通过粒子群算法对滤波器长度L进行自适应寻优,并通过最优参数L对信号进行处理,提取出信号中的冲击成分和故障特征。通过对比可以发现该方法明显比其他方法更准确、更快速。     

基于稀疏分解和包络解调的齿轮故障诊断

齿轮发生局部损伤,其振动信号中存在瞬态冲击成分,而冲击成分往往被谐波和强噪声所掩盖。为提取瞬态冲击信号,构造了冗余的级联字典,建立了将谐波和瞬态冲击在级联字典上进行稀疏分解的数学模型,然后将块坐标松弛法应用于齿轮振动信号的稀疏分解模型上,将谐波和瞬态冲击成分进行分离,并且有效提高了振动信号的信噪比。最后应用Hilbert包络解调从瞬态冲击成分中提取出齿轮的故障特征频率,表明此方法在齿轮故障诊断中的有效性。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。