基于EMD的谱峭度方法在滚动轴承障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息.     

带式输送机传动滚筒轴承故障智能诊断

带式输送机工作环境恶劣,导致采集获得的滚动轴承信号受噪声影响较大,很难提取故障信号的特征频率。针对上述问题,提出了一种带式输送机传动滚筒轴承故障智能诊断方法。通过对滚动轴承振动信号的谱峭度进行分析,识别出瞬态冲击及其在频带中分布位置,同时根据谱峭度最大化原则确定最优中心频率和带宽,由此设计带通滤波器对滚动轴承信号进行滤波;对经过滤波处理后的滚动轴承有效信号进行谱峭度分析,确定故障特征信号,再进行希尔伯特变换获得包络谱,最终获得准确的故障特征。仿真结果表明,通过自适应谱峭度特征提取后,倍频信号更加清晰,特征频率更加明显准确,能有效识别滚动轴承故障。     

基于Hilbert-Huang变换的语音信号分离

针对短时傅里叶变换不能正确得到非平稳信号的能量频率分布问题,提出了一种基于Hilbert-Huang变换的单信道语音信号分离的算法。该算法首先对分解得到的各内蕴模式函数分量(IMF)进行Hilbert变换,得到混合信号时频面上的Hilbert谱,然后对混合信号的Hilbert谱运用独立子空间分析的方法得出代表各个独立源信号的子空间,并对其求逆变换,从而恢复出各个源信号。通过仿真实验验证了此算法的正确性和有效性,且与短时傅里叶变换时频分析法相比较,其分离性能明显得到改善,显示了Hilbert-Huang变换在处理非平稳信号的优越性。     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

基于经验模态分解与差分包络谱的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合经验模态分解与纯调频信号差分包络谱,对齿轮故障诊断提出了一种新方法;首先,对齿轮振动信号进行经验模态分解得到多个不同分量;其次,根据峭度最大分量及其相邻分量的峭度值情况,合成有效分量;然后,运用经验调幅-调频分解得到纯调频信号;接着,将纯调频信号应用经验调幅-调频分解及傅里叶变换得到纯调频信号差分包络谱;最后,观察分析纯调频信号的差分包络谱进行故障诊断;利用该方法对断齿齿轮的振动信号进行分析,验证了方法的有效性。     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

基于小波变换的语音信号可视化研究*

给出了一种新的语音信号的可视化方法,利用基于小波变换的时频分析方法来模拟基底膜带通滤波器的特性,克服了SFT（短时傅里叶变换）分析对高、低频段具有相同的时间分辨率和频率分辨率的缺点。对经过小波变换滤波后的语音信号进行特征编码形成语音的组合特征,将该组合特征作为一个新的特征量来表示语音信息,并将这种特征用简单的图形表示出来。利用聋哑人自身的大脑来识别语音,达到训练其口语的目的。     

基于滑动峭度相关性准则的局部特征尺度分解分量筛选方法

轴承故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单分量的包络蕴含了轴承的故障特征。局部特征尺度分解可将振动信号准确分解为多个内禀尺度分量之和,某些分量能清晰反映轴承的运行状态,根据包络谱可进行故障诊断。为了准确筛选有用分量,提出了基于滑动峭度相关性准则的分量筛选方法。首先,对信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,对分量和原始信号分别计算滑动峭度,生成时间序列;最后,依据分量滑动峭度序列与原始信号滑动峭度序列的互相关系数筛选有用分量。通过轴承内圈故障数据分析发现：有用分量与非有用分量之间的滑动峭度互相关系数比互相关系数差异明显,区分度更大,有益于分量的分类、筛选。     

基于改进EEMD和谱峭度的滚动轴承故障诊断

针对滚动轴承早期故障振动信号受噪声影响、总体经验模态分解(EEMD)参数不易获取的问题,提出了基于改进EEMD和谱峭度的滚动轴承故障诊断方法。首先提取信号高频成分及设置期望分解误差确定EEMD参数,利用EEMD将信号分解为若干个本征模态分量(IMF),依据峭度准则选取相应分量进行重构以突出故障信息、提高信噪比;然后利用快速谱峭度图来选取带通滤波器的参数;最后对滤波信号进行能量算子解调分析。该方法应用到实测数据中的结果表明,其不仅能够自适应确定EEMD参数,降低了噪声的影响,还能清晰、准确地提取出故障特征频率,实现了滚动轴承故障的精确诊断。     

基于时频分析方法LPFT的语音处理GUI系统

由于语音的非平稳性及时变性,时频分析方法是处理语音信号的重要工具.然而线性短时傅里叶变换的时频聚集性较差,而双线性维格纳变换在处理多分量信号时会受到交叉项的干扰.为了克服以上两种时频分析方法的缺点,利用短时傅里叶变换的扩展形式即局部多项式傅里叶变换LPFT来处理语音信号,建立了基于LPFT的语音处理GUI系统,实现了在时域、频域和时频域对语音的分析和对比.并给出语音处理的例子,验证了LPFT方法与其它方法相比所具有的优势.该系统简明直观,是语音处理的较好的平台.     

基于复Morlet小波的地层钻探识别

在低信噪比时,短时傅里叶变换和实小波变换无法准确提取钻头进入不同地层的时延信息。为此,提出一种复小波变换分析法。利用幅值和相位信息对信号突变点进行提取和定位,从而实时判断钻头钻进目的层的时刻。实验结果表明,该方法能准确表征振动信号的时频特征,与短时傅里叶变换和实小波变换相比,具有更好的时间定位和抑噪能力。     

小波包分解下的多窗谱估计语音增强算法

传统谱减法是基于短时傅里叶变换的单一分辨率算法,具有较大方差。为此,提出一种基于小波包分解下的多窗谱估计语音增强算法。将含噪语音在小波包下分解成不同频段,在不同频段下进行多窗谱谱减运算,并逐一进行小波包重构,以得到去噪后的语音信号。仿真结果表明,该算法能提高含噪语音的信噪比,降低语言失真度。     

时频聚集性能优化的广义S变换

S变换是一种具有短时傅里叶变换和小波变换优点的时频分析方法,已有的一些基于能量聚集度量的优化方法集中度不高,影响了信号检测等应用中时频域局部定位的精度.为了提高S变换的时频聚集性能,提出了一种新的时频能量聚集度量方法优化广义S变换,提高了算法的时频集中度和短时傅里叶变换、S变换、广义S变换等方法实验比较,表明提出的方法能有效地提高广义S变换的能量集中度,并具有较强的抗噪声性能.     

基于张量分解的运动想象脑电分类算法

论文结合短时傅里叶变换(short time Fourier transform,STFT)和平行因子分解(parallel factor,PARAFAC)模型,对运动想象脑电(EEG)进行分类。首先,通过短时傅里叶变换获得左、右手运动想象脑电的时频分布,然后平行因子分解方法从构建的张量数据中提取时域特征,最后采用贝叶斯分类器对特征进行分类。在短时傅里叶变换中,选择合理的窗函数长度和相邻片段重叠程度很重要,对分类结果有较大的影响,通过调整这两个参数,论文提出的方法获得了较好的分类结果。     

基于最大相关峭度解卷积与形态滤波的齿轮故障特征提取

为了准确地进行齿轮故障特征提取,结合最大相关峭度解卷积和形态滤波,给出了一种新的方法。首先利用最大相关峭度解卷积恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征并解调出包络,最后求取包络谱以进行故障特征提取;通过齿轮断齿故障振动数据的分析,验证了方法的有效性。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

串联型故障电弧检测方法对比分析

由于线路故障位置的不确定性,目前串联型故障电弧检测方法主要基于电流信号分析进行识别。通过对不同负载在串联型故障电弧发生前后的电流波形进行对比,得出了串联型故障电弧电流特性及其变化规律;以串联型故障电弧的电流信号为研究对象,介绍了基于希尔伯特黄变换、信息熵与短时傅里叶变换、小波近似熵与支持向量机的串联型故障电弧检测方法,概述了不同检测方法的故障电弧特征提取过程;对3种串联型故障电弧检测方法优缺点进行了比较,指出基于希尔伯特黄变换、信息熵与短时傅里叶变换的检测方法可有效提取故障电弧发生时电流的时频特性,对提取的时频谱幅值设置合适的阈值即可作为串联型故障电弧识别的依据,但准确性和实时性不高,而基于小波近似熵与支持向量机的检测方法可直接提取近似熵作为支持向量机的输入来识别串联型故障电弧,具有较高的准确性和实时性,更适用于煤矿现场。     

一种采煤机截割部滚动轴承故障诊断方法

针对采煤机截割部滚筒轴承结构复杂极易损坏,且单凭借人为经验难以对故障进行定位判别的问题,提出了一种基于入人工蚁群-模拟退火算法的自适应时变滤波经验模态分解方法,去掉了原始振动信号中的低频干扰,画信号快速峭度图以峭度最大处对应的中心频率和带宽来设定带通滤波器参数,以进一步突出信号的高频特征,对经过处理后的信号平方包络后画包络谱图,将计算所得理论故障频率和包络谱图最大幅值处所对应的频率对比,从而对故障类型进行判别;通过采煤机试验表明所提方法能够适用于采煤机实际工程应用,可以有效消除信号中低频干扰部分,提高振动信号的峭度特征,并在不同转速和不同故障尺寸的条件下下分别达到100%和88.9%的故障判别率。     

基于二维短时傅里叶变换的干涉相位图滤波方法

提出了一种基于二维短时傅里叶变换的干涉相位图滤波方法。首先,将干涉相位数据转变成指数,利用二维短时傅里叶变换进行处理,设置阀值,并进行二维短时傅里叶逆变换;最后,求取复数相位,获得滤波后干涉相位。试验结果表明,该方法在有效抑制相干斑的同时,还能有效地保持相位的细节信息和条纹的边缘结构,而且清除了残余点,有利于提高干涉测量的精度。