自适应Chirplet信号分解用于ISAR目标三维转动检测

当ISAR目标作复杂的三维转动时,目标上各散射点的相位误差将与它们在目标上所处的位置有关,传统的相位聚焦方法难以采用统一的相位校正函数来进行补偿。为解决此问题,论文提出了一种基于自适应Chirplet信号分解的ISAR目标三维转动检测方法,该方法使用自适应Chirplet信号分解的快速算法来估计散射点子回波的相位信息,并根据两个散射点相位之间的非线性度来判断目标是否存在三维转动,从而只选择那些仅具有二维转动的数据段进行成像。仿真实验结果表明了它的有效性。     

希尔伯特振动分解在滚动轴承故障诊断中应用

将希尔伯特振动分解(HVD)应用于滚动轴承故障诊断。在介绍HVD方法原理基础上,与经验模式分解(EMD)进行对比表明,通过仿真信号可分析HVD更高频率分辨率,HVD能有效分解引起EMD模态混叠的含异常事件信号;将HVD用于滚动轴承故障信号分解,选含丰富故障信息分量进行包络分析,利用相应包络谱图识别轴承故障特征频率,进而识别故障模式,并实验验证该方法的有效性。     

快速自适应局部均值分解及轴承故障诊断应用

提出了一种新的非平稳信号处理方法——快速自适应局部均值分解(Fast and Adaptive Local Mean Decomposition,FALMD)。采用顺序统计滤波器求取信号上下包络线的均值来获得局部均值函数及包络估计函数,然后将信号分解为若干乘积函数(Product Function,PF)分量及一个残余分量。该算法一方面改变了局部均值分解(Local Mean Decomposition,LMD)严格的终止条件,提高了运算速率,另一方面减少了对极值点的依赖,在一定程度上抑制了端点效应。仿真信号和实验信号分析证明了该方法在非平稳信号自适应分解中的有效性,成功地提取出了滚动轴承的故障特征。     

改进的傅里叶分解方法及其在滚动轴承故障诊断中的应用

为了克服傅里叶分解方法在频谱扫描过程中容易获得较多相近边界,导致无效分量过多的问题,提出了一种改进的傅里叶分解方法(improved Fourier decomposition method, IFDM),并将其应用到轴承故障诊断中。首先,IFDM以傅里叶变换为基础,通过建立邻域叠加准则,将同大于或同小于特征平均值的若干相邻原始分量进行合并,得到一组傅里叶固有模态函数(Fourier intrinsic mode functions, FIMF),从而减少无效分量。其次,重构峭度值大于均值的若干FIMF分量,提取敏感故障特征信息。然后,采用自适应多尺度加权形态学滤波(adaptive multi-scale weighted morphological filtering, AMWMF)去除重构分量中的无关分量及背景噪声。最后,对滤波信号进行频谱分析。仿真和实测信号的分析结果验证了所提方法在轴承故障诊断中的有效性,同时,与现有方法的对比结果表明了所提方法的优越性。     

经验模态分解方法在航天器故障诊断中的应用

航天器自主和实时的在轨故障诊断一直是航天领域发展的瓶颈问题,对航天器运动部件的故障特征进行经验模态分解(EMD),有效提取失步故障特征,并得到基频,为黑箱工况下的航天器在轨故障诊断提供了实时的判断依据。另外通过EMD方法与FFT、小波分析的效果对比,验证了EMD方法在航天器运动部件故障诊断上的有效性和先进性。     

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。     

一种自适应提取有效信号的滚动轴承故障诊断方法

针对目前故障诊断中从大量信号中难以自适应选取有效信号的问题,提出一种将小波包分解与shannon熵相结合自适应选取有效信号的方法。对故障信号进行小波包分解,计算频带熵值以量化信号的复杂程度。以熵值大小为指标,找寻小波包最大熵所在的一段频率信号,以此信号为有效信号进行小波包信号重构。将重构后信号进行EMD分解,对得到的IMF分量进行Hilbert包络谱分析,有效分离和突出故障频率。实验研究表明采用该方法自适应选取的有效信号能够保证所提取轴承故障特征频率的有效性和直观性,使故障诊断的实时性得到增强。     

局部均值分解方法及其在齿轮故障诊断中的应用

研究了一种新的自适应时频分析方法--局部均值分解LMD(Local mean decomposition)方法.并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法.LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号.在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断.     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

两级自适应调频模式分解-同步提取变换的故障诊断方法

同步提取变换(Synchroextracting Transform,SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊,导致难以精确提取快速波动的瞬时频率。针对此问题,结合自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)的自适应先验信息和贪婪算法的优势,将ACMD引入到SET中,构造一种两级ACMD-SET故障诊断方法。在提出的方法中,将基于基尼指数(Gini Index,GI)最大化准则的分量选择重组算法和第一级ACMD结合,提取出强干扰下的多模态故障脉冲信号的模式。然后,利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中,得到高分辨率的故障特征,方法的有效性得到验证。最后,将所提方法应用于航空发动机高速滚动轴承的振动信号分析中,结果表明,所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率,其结果明显优于SET方法。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于改进的希尔伯特振动分解的机械故障诊断方法研究

针对多分量机械故障振动信号的特征提取问题,介绍一种基于希尔伯特振动分解(HVD)的时频分析方法。该方法首先利用Hilbert变换得到原始振动信号的解析信号,然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率,同时经同步检测获得相应的瞬时幅值和初相位,最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对HVD方法的边界效应问题,提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。通过两组仿真信号分析验证了HVD方法对多分量非平稳信号的分解能力,同时表明改进的HVD方法能很好地抑制边界效应。给出转子系统油膜涡动故障诊断实例,验证了该方法的工程实用性。     

一种改进的DDTFA方法及其在齿轮箱故障诊断中的应用

针对数据驱动时频分析(DDTFA)方法的初始相位函数选取问题,提出一种可准确、快速且自适应优选初始相位函数的改进DDTFA方法。引入数学中函数求极值的思想,将信号的初始相位函数选取问题转换为初始解集的连续寻优问题,通过对DDTFA中的高斯牛顿迭代算法进行精简,以初始解集中的初始相位函数迭代一次斜率的变化量为导数获得初始解集的连续导数集,进而求得局部极大值,并以局部极大值对应信号分量的能量最强为准则优选信号的初始相位函数,进而完成信号分解。仿真分析与齿轮箱故障诊断实例表明,该方法可准确、快速且自适应地优选初始相位函数,并有效提取故障特征,且具有一定抗噪性。     

基于LMD的时频分析方法及其机械故障诊断应用研究

如何有效地从振动信号中提取有用信息成分一直以来都是故障诊断领域研究的热点。局部均值分解(Local Mean Decomposition, LMD)是一种新的信号自适应分解方法。本文研究基于LMD的瞬时频率求解、时频分析及其故障诊断的应用。LMD的时频分析方法成功提取出实验室转子碰摩特征以及实际低速变载轧机齿轮局部故障信息,这证实了方法的有效性。     

基于共振稀疏分解和松鼠优化算法的滚动轴承故障诊断

共振稀疏分解方法在滚动轴承故障诊断方面得到广泛应用,分解参数的选取对故障分离效果起决定性影响.为保证参数选择的准确性,提出基于松鼠算法的自适应共振稀疏分解多参数优化方法.以信号低共振分量峭度最大作为目标,使用松鼠算法同时优化共振稀疏分解的品质因子与权重系数;利用最优品质因子和权重系数对滚动轴承振动信号进行共振稀疏分解,...     

机械故障诊断中征兆的粒度原理及应用

提出了一种基于知识粒度原理的故障诊断中征兆参数重要度评价方法.解决了目前故障诊断征兆参数约简和压缩过程中得到的是最小征兆集而不一定是最优最小征兆集的情况,通过对两个实例的计算,很好地求出了最优最小征兆集.     

免疫支持向量机复合故障诊断方法及试验研究

研究了传统分类算法在故障诊断中的不足,融合人工免疫系统中的实值否定选择(RNS)算法和支持向量机(SVM)算法提出了一种复合的故障诊断方法。在新方法中使用RNS算法产生检测器(非己集合)当作故障样本,这些样本再作为SVM算法的输入进行训练,这样就能解决分类算法所面临的训练样本不足的难题。轴向柱塞泵发生故障时,由于滑靴对斜盘冲击产生的振动信号被高频谐振信号调制,通过小波簇包络解调方法将调制信号解调出来,然后对包络信号用小波包分解子带特征能量法进行特征提取。最后用轴向柱塞泵多松靴和配流盘磨损多故障模式样本进行诊断测试,正确率可达90%以上,验证了复合诊断方法的有效性。     

局部均值分解在齿轮故障诊断中的应用研究

局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。本文利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性