基于Lagrange变换的重采样及误差分析

在故障诊断分析中,为了提高时域转角域的精度以及更加有效地进行故障特征提取,研究了基于Lagrange变换的重采样及误差分析。通过重采样将时域信号转化为角域信号,并结合Lagrange插值的余项公式,对比余项误差与理论误差,得到精度高、工作量小的Lagrange重采样方法。最后将重采样得到的角域信号包络谱与原振动信号包络谱对比,结果表明:重采样后的角域信号包络谱故障特征明显,证明了该方法是有效的。     

FFT时域法测量电极阻抗

建立了由AppleⅡ~+微机和自制的电化学接口仪组成的时域法电极阻抗测量系统。该测量系统以奇次谐波合成的伪随机白噪声作为激励信号,以FFT作为时频变换的工具,并采用了信号平均技术以提高信噪比。用该测量系统测量模拟电路和实际电化学体系,其结果分别与SOLARTRON1250频响分析仪和文献数据接近。最后还讨论了时域法测量电极阻抗的激励信号的选择、测量频率上、下极限和噪声影响等问题。     

基于EEMD多维特征的旋转机械故障识别方法研究

为有效诊断旋转机械故障,提出基于集合经验模态分解（EEMD）的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数（IMF）,分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明：多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。     

高速铣齿机刀具主轴回转误差动态测试

采用LMS公司的Test.lab实验系统,通过加速度传感器对消隙优化后的高速铣齿机主轴箱进行动态测试,着重研究刀具主轴回转运动产生的振动加速度。应用Matlab软件对振动信号进行消除趋势项、平滑、滤波、数值积分等处理,得到采样时间内的振动位移曲线,即刀具主轴的回转误差曲线。经与仪表测得的单向振动位移曲线对比可知:该振动信号采集及处理方法对该机床主轴箱y向的误差测量具有较好的指导意义,为工艺误差诊断和误差补偿提供了依据。     

基于传动误差法的装载机减速机构故障诊断

针对核电装载机减速机构因齿轮轮齿磨损而影响其定位精度的问题,建立了一种包含故障信息的齿轮系统传动误差信号模型;基于传动误差法对减速机构进行故障诊断,便于企业早日发现故障,及时更换故障元件,减少经济损失。运用ADAMS软件仿真包含磨损故障的误差信号。改进了传统计算阶次跟踪重采样方法,对原始时域信号进行角域COT(Computed Order Tracking)处理;对重采样后的信号进行EEMD分解(Ensemble Empirical Mode Decomposition),将故障分量进行阶次分析,找出故障特征频率;进一步,对故障分量进行倒谱分析,准确识别出故障元件。分析结果表明,改进算法使重采样效率提高了2/3;阶次分析与倒谱分析相结合的方法能够有效识别出装载机减速机构的故障元件。     

基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

基于阶次跟踪和小波包分析相结合的滚动轴承升速过程的故障诊断方法研究

滚动轴承在实际工况下并非全部都是恒速运转,在某些工况下一直处于变速工作,因此对变速过程的振动信号进行研究同样具有重要意义。在其变速工作过程中,振动信号包含大量的特征信息。并且由于此类信号所表现出非平稳性的特点,如果采用传统的频谱分析法分析,结果就会出现严重的"频率模糊"现象,很难提取到故障信息。所以提出了一种基于阶次跟踪和小波包分析相结合的诊断方法。首先对升速过程时测得的原始时域信号进行等角度重采样,然后对重采样后的角域信号进行小波包分解和重构,最后对重构信号进行阶次谱分析。通过仿真信号验证和实例分析,能够对滚动轴承故障进行有效诊断,从而表明本方法的有效性。     

基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估

针对传统的支持向量机(SVM)算法参数往往根据经验设定,难以建立最优模型以准确地检测出伺服电机滚动轴承早期故障的问题,研究一种基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估方法。首先提取轴承振动信号的时域、时频域特征作为原始特征集,采用堆叠稀疏自编码器对原始特征集进行更深层次的特征提取,得到最终的特征向量。之后以轴承退化曲线的趋势性和单调性作为适应度函数,采用多目标和声搜索算法对SVM的参数进行优化,建立最优评估模型,得到轴承的性能退化指标。实验结果表明:该方法能准确地检测出轴承的早期故障,相比于传统的轴承SVM性能退化评估方法具备更好的趋势性和单调性。     

基于小波分析与SVD的机械故障诊断

对小波变换后相邻两频带内信号存在频率混叠和因采样点数过多导致奇异值分解过程中无法计算或计算时间较长等问题,提出了小波-滑移时间序列奇异值分解方法。通过小波变换,将原始采样信号分解到不同频内。利用滑移时间序列奇异值分解法进一步处理所需频段。通过将所需频段内信号分成若干等长度的子时间序列,依次对其进行奇异值分解,根据奇异值提取需要的特征信息,然后将其拼接成等采样点数的时域信号。利用该方法,对滚动轴承内圈故障的运行声音信号做了处理。从而,验证了方法的可行性。     

声发射技术在砂轮回转实验破碎识别中的应用

采用一种新型砂轮破碎状态信号检测方法——声发射（AE）技术,通过采集环境背景、空转、空载和负载AE信号,并对信号进行时频域研究。对比砂轮破碎后和破碎前AE信号特征,时域信号特征电压值增大了2.5倍、能量谱峰值增大了4倍、均方根值（RMS）增加了1.17倍,频域信号经快速傅里叶转换（FFT）后得到了一个高频电压信号。研究结果表明:声发射技术优于目前常用的振动法、音量法和光电法,更适合用于砂轮回转实验破碎识别。      

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

高速滚珠丝杠进给系统参数辨识方法与实验研究

为了有效改善高速滚珠丝杠进给系统的伺服控制性能,提出对进给系统刚体和振动进行辨识的方法,设计并搭建高速滚珠丝杠进给实验平台。采用时域与频域辨识方法得到系统基础参数,通过增广最小二乘法可辨识实验平台的转动惯量、阻尼及库仑摩擦,并用卡尔曼滤波确定摩擦模型。通过正弦扫频辨识方法得出系统频响函数,并通过峰值法与最小二乘法获得实验平台的轴扭振动传递函数及频响函数。通过实验测试工作台不同位置及不同质量对系统振动特性的影响;将辨识获得的传递函数、频响函数与实验值对比,验证了模型的准确性。     

基于小波包分析的合成金刚石缺陷超声识别

应用超声波探伤仪系统对合成大颗粒金刚石缺陷进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值,应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立了网络模型以实现缺陷定性识别。实验结果表明,小波包分析能够挖掘利用缺陷回波信号时域和频域的信息,通过多层次划分频带,使在多分辨分析过程中未进行划分的高频区间再次分解,还可依据小被分析信号特征自适应挑选相对应的频带,达到和信号频谱相互配合,进而达到使时-频分辨率显著提高的效果,可见小波神经网络的良好局部放大特性和多分辨率学习特性,可使合成金刚石缺陷的定性分类获得较高的准确率。     

一种基于小波包和PCA的超声缺陷识别方法

在超声检测中，对缺陷进行定性分析是无损检测与评价的关键内容。本研究提出一种对缺陷类型进行分类的检测方法，通过对不同类型的缺陷波信号进行特征量提取，实现对缺陷的类型识别。首先使用空气耦合超声检测系统采集无缺陷信号与3种不同类型的缺陷波信号，提取信号的时域无量纲参数和小波包能量系数组成多维特征向量；然后使用主成分分析法（Principal component analysis，PCA）对多维特征向量进行降维处理得到特征融合量；最后输入BP神经网络系统进行缺陷类型的分类，并与未经过PCA处理的测试结果进行对比分析。实验结果证明，经过PCA处理的测试结果准确率更高，测试时间更短。     

基于CEEMDAN样本熵与PNN的行星齿轮故障诊断

为对行星齿轮进行故障诊断,采用自适应噪声完备总体经验模态分解（CEEMDAN）方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算,优选出与原始信号相关性较大的前4阶分量进行样本熵计算,得到特征值,构成特征向量。将特征向量输入到概率神经网络系统中进行诊断,且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明：利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性,故障诊断的正确率高。     

CO_2激光拼焊的光与声信号分析

采用自行研制的多传感器激光焊接实时监测系统,以CO2激光拼焊过程中的蓝紫光辐射（400~440 nm）、红外辐射（1 200~1 700 nm）以及可听声（20~20 kHz）等三种信号作为被检测参量,进行了信号的在线采集与记录,通过时域、频域以及时频分析,实现信号中有效信息的挖掘.结果表明,7 000 Hz以上的高频...     

基于AMESim的脉动灌浆系统建模与特性分析

为了了解脉动灌浆系统的力学特性以及压力等参数的控制特性,通过对脉动灌浆系统组成和工作原理进行分析,基于AMESim仿真平台建立了脉动灌浆系统仿真模型。为了验证模型的正确性,将施工现场监测的输浆管道压力和流量数据与仿真模型的输出数据进行比较。结果表明：该仿真模型能够较为准确地模拟系统的动态曲线变化规律,压力及流量的平均相对误差分别为6.4%、7.6%,验证了模型的正确性。根据灌浆条件的变化,通过仿真模型分析,得到了不同的泵送频率、浆液黏度、管道长度等条件下的浆液管道内压力和流量特性的变化曲线。     

基于自适应Q-shift滤波的双树复小波变换

为提高对时变信号的分析处理能力,设计了一组同时满足抗混淆、完全重构和正交化的Q-shift滤波器。与传统Q-shift滤波器相比,其权系数可以根据输入信号特性进行自适应调整。将基于自适应Q-shift滤波的双树复小波变换用于对超声缺陷信号进行阈值降噪,实验结果表明,与Q-shift 10/10和DWT两种传统方法相比,去噪后信号的信噪比可以分别提高1.03 dB和1.97 dB。     

基于独立分量分析理论的大块非晶合金切削信号检测

研究了在大块非晶合金切削力信号检测时利用独立分量分析法对检测信号进行去噪处理技术。在试验中，采用独立分量分析法对切削测量系统测量的大块非晶合金切削力信号进行迭代分离，从而提取出主切削力信号。并针对大块非晶合金在不同切削深度下的变形特征，运用扫瞄式电子显微镜观察了大块非晶合金的切削带特征。主切削力信号频谱的快速傅里叶变换分析表明，随着切削深度的增加，切削力信号高频部分的振幅越来越大，而大块非晶合金切削力信号高频部分是由切削带形成过程的特征引起的，并随着切削深度的增加而增加，且主切削力Fz 的频率为115 Hz。研究结果表明：采用独立分量分析法进行噪声分离后更能精确识别切削力信号中的主要信息，减少噪声造成的误判。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。