基于递归希尔伯特变换的振动信号解调和瞬时频率计算方法

精确地提取振动信号的瞬时幅值和瞬时频率对结构的参数识别和健康监测有重要作用。希尔伯特变换是一种常用的信号解调及瞬时频率计算方法,但在信号不满足Bedrosian乘积定理的条件时会造成较大误差。针对这一问题,提出了一种递归希尔伯特变换方法,用前一步希尔伯特变换计算出的纯调频信号作为新的信号,递归地使用希尔伯特变换以进行信号解调,理论分析表明递归希尔伯特变换能够快速地收敛。最后采用仿真信号对比了递归希尔伯特变换与单次希尔伯特变换、经验调幅调频分解及Teager能量算子法在信号解调及瞬时频率计算中的结果,结果表明了递归希尔伯特变换方法的实用性及精确性。     

一种弱故障特征信号的提取方法及其应用研究

由S变换推导出的时序分解算法可以将一个任意的初始时间序列变换成一组突出时间序列局部信息的二维时间序列，该时序分解的可逆性表明了它可用于时域信号的滤波与特征提取。希尔伯特变换可有效地对时域信号进行解调，其实质是对原始信号作一次特殊的滤波。综合前述两种变换的优点，提出了结合希尔伯特变换及时序分解的弱故障特征信号提取算法，采用数值仿真实验及齿轮故障诊断进行了验证，结果表明，此种方法能有效地提取混在强背景信号中的弱故障特征信号。     

AEO解调方法及在滚动轴承故障诊断中的应用

针对希尔伯特变换与传统能量算子解调方法的缺点,提出一种新的解调方法——解析能量算子(Analytic Energy Operator,AEO)解调。仿真信号分析结果表明,相对于希尔伯特变换与传统能量算子解调,解析能量算子解调方法具有较高的解调精度。基于解析能量算子解调,又提出基于AEO能量谱的滚动轴承故障诊断方法,对滚动轴承仿真和实验信号进行分析,与其它方法的对比结果表明所提出方法的有效性和优越性。     

复解析带通滤波器及其在解调分析中的应用

复调制带通滤波器具有负频率为零、冲击响应函数实部和虚部有 90°相移的特点 ,能将带通滤波和希尔伯特变换合为一体 ,只要选择合适的滤波参数 ,在解调分析中将不包括故障信息的时域相加信号滤掉 ,且能避免广义检波滤波解调分析中的混频效应。利用此原理 ,并将最大细化倍数与带通滤波器的宽度之间建立了严格的数学关系 ,以避免为了大幅度提高运算速度而只对选抽点进行变换可能产生的频混现象 ,优化了现代设备故障诊断广泛应用的窄带希尔伯特变换解调分析的算法     

解析小波及在振动分析中的应用

本文在希尔伯特变换和小波定义的基础上,提出解析小波及解析小波变换,分析了它的一个重要性质即对信号可实现正交滤波、提取包络。最后给出了小波在轴承振动共振解调应用的实例。     

希尔伯特-黄谱的端点效应分析及处理方法研究

希尔伯特-黄谱可以将机械振动信号分解为有限的模式，然后以时频方式揭示机械的运行状况；然而，作为希尔伯特-黄谱的两个关键步骤，经验模式分解和希尔伯特变换都被“端点效应”所困扰；该文分析和研究了“端点效应”产生的原因，提出采用时间序列建模与预测方法对信号数据进行延拓，达到消除或改进经验模式分解和希尔伯特变换“端点效应”的目的，从而优化希尔伯特-黄谱。     

基于希尔伯特变换的非平稳调幅信号解调

非平稳信号泛指具有时变能量谱的确定性信号和具有时变功率谱的随机信号。幅度调制是非平稳性的一种表现形式。调幅信号分析主要任务之一是提取幅度随时间变化的规律。在希尔伯特变换平方解调方法的基础上,提出了利用适用于非平稳信号的希尔伯特变换低通滤波器,提取调幅信号的包络,实现非平稳调幅信号的分解。数值算例验证了方法的有效性。     

信号解调的正交滤波器方法

信号的解调分析是通讯领域和机械故障诊断的常用方法。本文从数字滤波器的角度出发,提出了实现信号解调的正交滤波器法,即基于 Ｆ Ｉ Ｒ 正交滤波器方法和基于正交小波函数的正交滤波器方法。正交滤波器方法将带通滤波和希尔伯特变换的过程和功能有合二为一,实现过程方便。针对 Ｆ Ｉ Ｒ 正交滤波器方法的缺点,本文根据函数逼近理论,在理论上,证明了正交小波函数可以最佳一致逼近理想滤波器。并在具体应用上,介绍了采用正交小波函数构造正交滤波器时,参数的选择和信号解调分析的具体实施方法。采用正交小波函数设计的正交滤波器方法,带宽选择方便,相位的线性度高,正交性好,而且滤波器的滤波性能更优。可根据要求很方便地实现多通带信号滤波和多通带信号的解调分析     

光子多普勒测速系统信号解调方法比较

光子多普勒测速系统具有抗干扰能力强、测速范围大等优点,适用于信噪比低、信号质量差的测量场合。介绍光子多普勒测速系统的工作原理,详细阐述常用的四种信号解调方法——条纹法、相位解调法、短时傅里叶变换法、小波变换法的原理、特点和近几年的研究现状。利用上述四种信号解调方法对简谐振动调制的多普勒信号进行解调仿真,直观地展示不同信号解调方法的优缺点和适用性。实验结果表明,相位解调法最适合用于光子多普勒测速系统振动信号解调。最后讨论了采用递归希尔伯特变换的方法减小相位解调法的正交性误差的可行性,通过仿真实验验证了此方法的有效性。     

振动调频信号的时延二次变换解调研究

调频信号在频谱上具有与调幅信号相同的频率分布特征，然而，轴承和齿轮故障诊断中常用的解调方法却只适用于调幅信号，不能分析调频信号。基于以上问题，从确定调频信号频率分量幅值的贝塞尔函数的性质出发，分析了平方解调法不能对调频信号进行解调的原因。分析过程中发现由于贝塞尔函数的一些特殊性质，使得常用的解调方法不再适用于调频信号。针对这个原理，本文提出利用时延二次变换（信号与时延信号的乘积）打破调频信号边频分量的贝塞尔函数的特殊性，使得变换之后的信号中包含有调制频率，从而实现了对调频信号的解调。     

齿轮振动中调频信号的解调方法及仿真计算

齿轮发生裂纹故障时其振动信号会产生调制现象，包括幅值调制和频率（相位）调制两部分。目前调幅信号的解调分析已经比较成熟，但对于调频信号的解调方法研究还不够完善。全面系统介绍了近年来处理调频信号中最常用的希尔伯特相位解调和循环平稳解调两种方法，并通过仿真指出了这两种方法各自的优缺点和局限性。     

平稳和非平稳振动信号的若干处理方法及发展

回顾了稳态或准稳态振动信号处理方法中的离散频谱分析与校正，细化选带频谱分析，解调分析和高阶谱分析，非平稳振动信号处理方法中的转速跟踪分析，短时傅立叶分析，Wigner-Ville分布，小波分析和Hibert-Huang变换的发展历史，论述了各类方法的原理，分析其特点和在工程中的应用，探讨了发展前景。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

基于谐波小波变换的共振解调法

在滚动轴承的振动故障诊断中，广泛使用解调方法分析诊断故障。利用软件方法实现共振解调时，必须首先构造窄带高频带通滤波器，提取高频共振信息，然后利用Hilbert变换进行解调分析。通过分析谐波小波变换的实现过程，发现信号经谐波小波变换的实质是将信号带通滤波后，进行Hilbert解调。另外，共振解调中要求带通滤波器是窄带高频带通滤波器，广义谐波小波突破了传统二进小波在低频分辨率高，而在高频分辨率低的限制，能够实现超窄带高分辨率检波，满足共振解调的要求。在此基础上，提出了基于谐波小波变换的共振解调算法，为软件实现共振解调提供了一种新的途径。     

小波包络解调在轧机故障早期诊断中的应用

针对轧钢机振动信号频谱成分的多样性和高低频混杂性，利用小波正交分解的多尺度多频带特性将振动信号展开到一系列相邻的小波空间上，使调制现象突显出来易于分析；再借助希尔波特包络分析技术对小波分解后的包含调制信号的分量进行解调，成功地提取出了故障早期特征。通过后期的振动数据跟踪分析，发现轧机轴承的外圈、滚动体相继出现损伤，并逐渐恶化，与停机开箱后结果基本吻合，进一步证实了小波包络解调技术的有效性。说明小波分析和包络解调技术能够有效地提取轧机轴承故障早期的特征，为设备的早期维修决策提供了重要的依据，同时可以避免恶性事故的发生。     

用Hilbert变换进行FM信号解调的一种数据处理方式

针对Hilbert变换进行FM信号解调中的问题进行了实验研究,对于Hilbert变换中卷积窗口长度的选取问题,通过实验研究发现,同时满足窗长大于100点且宽于载波周期的条件,可以获得良好的变换效果。对于以微分方式从实际相位波形中获取瞬时频率的准确度不高的问题,提出了一种先剔除趋势分量再微分的多点差分计算方法,获得了良好的解调效果。并在一组调制参量已知的FM波形序列上,以解调实验验证了该方法的正确性和可行性。为用Hilbert变换法进行FM信号解调提供了一种快速实用的数据处理方式。     

基于STFT的振动信号解调方法及其在轴承故障检测中的应用

从信号滤波角度,对基于STFT的振动信号解调方法的原理和影响其解调性能的各种因素进行了严格的理论分析,指出该解调方法实质是基于复解析带通滤波的Hilbert变换解调法.严格证明了在利用Hilbert变换进行包络解调分析时,只要带通滤波器通带范围包括调制信号的部分频率成分,就可解调出被调制信号的周期成分.为了避免对所有的解调信号序列进行包络谱分析,提出按峭度值最大化准则选择一组含有丰富故障信息的解调信号序列进行包络幅值谱分析.基于以上讨论,给出了实用的基于STFT的振动信号解调算法.为了验证提出的解调算法的有效性,用该算法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,利用该算法能有效地检测轴承故障.