基于ITD-KICA盲分离降噪的滚动轴承故障特征提取

滚动轴承在实际工况下的故障信号和故障信息常常淹没于噪声中,传统的故障特征提取方法很难有效提取出轴承故障特征信息。因此,采用时间固有尺度分解(ITD)和核独立分量分析(KICA)相结合的信噪盲分离分析法降噪。对轴承信号进行ITD分解,根据相关系数将分解得到的PRC分量重组以及构建虚拟噪声通道,利用KICA解混实现故障信号与噪声信号分离,对信噪分离后的有效分量信号做包络谱的分析。通过仿真及轴承故障实验分析和对比表明,该方法能有效提取轴承的故障特征。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解（ITD）和独立分量分析（ICA）相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。     

改进的HHT方法在旋转机械不对中故障特征提取中的应用

HHT(希尔伯特-黄变换)能够将振动信号分解为有限的具有实际物理意义的模态分量,并由此可对机械故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影响却很大。针对这一不足,本文提出了先利用小波变换技术对含噪故障信号进行消噪处理,再作HHT分析的方法;利用此方法对实测的不对中振动信号进行了故障特征提取和分析。结果表明,该方法克服了直接运用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了机械故障诊断率。     

基于包络解调的离心式压缩机弱故障信号增强方法研究

在离心式压缩机使用要求不断提高下,为了增强故障诊断精确性,提出基于包络解调的非平稳工况下离心式压缩机弱故障信号增强方法。将小波包分析和独立分量分析结合,通过小波包分析法对含有噪声的混合信号进行降噪,根据 FastICA 算法分离降噪后的混合信号,对分离出的信号采用收缩函数实行频段内的去噪操作,完成多源故障信号分离去噪。在故障信号分离的基础上,考虑到被分离出的信号伴随着微弱噪声,进一步通过包络解调随机共振实现弱故障信号增强。对多源信号分离结果进行包络解调操作,并对包络信号实行变尺度随机共振输出处理,实现故障特征信号增强,达到故障诊断的目的。通过实验分别对此方法的信号去噪增强效果和故障诊断精确性进行验证,实验结果表明,该方法不仅弱故障信号增强效果显著,且故障诊断鲁棒性强,精度高,具有可实践性。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于小波分析的齿轮箱振动信号消噪处理

基于小波变换具有良好时频分析的特点,介绍了小波变换用于去除噪声的原理和方法,建立齿轮箱齿轮人工点蚀故障模拟实验台,通过Matlab对故障振动信号进行小波分析,并且和没有经过信号消噪就进行小波分解进行对比,从而得出对含噪声的非平稳信号进行消噪,再进行小波分解可以较好的提取齿轮点蚀故障特征频率的结论。     

基于改进经验小波变换的机车轴承故障诊断

机车轴承在噪声较大的背景下工作,发生故障时,难以有效地提取其故障特征,针对这一问题,提出了经验小波变换（EWT）方法。为克服经验小波变换方法中噪声分量干扰子频带划分的问题,提出一种采用信号时频峭度谱局部极小值划分频带的方法,基于子频带构造正交小波滤波器组对信号进行EWT分解。仿真实验和工程应用表明,改进后的EWT能够较好地克服噪声分量对子频带划分的干扰,有效地分离出机车轴承损伤故障的特征。     

基于小波去噪的微弱信号提取

小波分析理论是近几年来兴起的一种信号处理理论,已经成为信号去噪处理中的一种重要的工具.介绍了小波分析理论及其在信号去噪中的应用,并主要介绍了三种噪声处理方法:默认阈值法、强制阈值法和独立阈值法,运用小波分解与重构去噪方法,实现含噪信号的去噪处理.仿真结果证明:在信号分析中,利用小波变换来实现信噪分离提取弱信号是一种非常有效的方法.     

基于经验模分解的陀螺信号去噪

陀螺随机漂移是影响寻北精度的重要因素,小波消噪方法对小波基和分解尺度等因素依赖性较强。提出了一种新的基于功率谱密度准则的经验模态分解(EMD)去噪方法,可有效解决传统EMD去噪自适应滤波器截止阶数难以确定的难题,该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用模态与噪声分量起主导作用模态,并对噪声分量起主导作用的模态进行类似小波软阈值去噪的方法进行滤波,然后与信号分量起主导作用的模态共同对信号重建实现去噪。将该方法应用于测试信号与陀螺信号的去噪,结果表明:新方法能有效地判断噪声与信号起主导作用的模态分界点,具有良好的去噪效果,且不受主观参数的影响,具有自适应性。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

疲劳裂纹扩展声发射信号去噪盲分离

采用声发射技术评估疲劳裂纹扩展状态时,评估结论会受到其它类型声发射信号和噪声的干扰.针对上述问题,在分析经验模态分解和独立分量分析特点的基础上,提出集合导数优化经验模态分解与独立分量分析相结合的声发射信号去噪盲分离方法,用于疲劳裂纹扩展声发射信号的处理.分别进行模拟声发射信号和疲劳裂纹扩展试验,采用上述方法对采集声发射信号进行去噪盲分离,结果表明:基于集合导数优化经验模态分解与独立分量分析的声发射信号去噪方法可有效去除噪声信号的干扰,准确分离出疲劳裂纹扩展声发射信号,为进行含裂纹结构的疲劳损伤状态评估和剩余寿命预测奠定基础.     

基于小波去噪和Hilbert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法。首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征。该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息。通过实例分析表明了该方法的有效性和实用性。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

基于小波去噪和Hibert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法.首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征.该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息.通过实例分析表明了该方法的有效性和实用性.     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。