基于改进EMD和数据分箱的轴承内圈故障特征提取方法

为解决直驱风力发电机主轴后轴承内圈轻微损伤故障诊断问题,针对实际工程中振动信号的复杂特性,提出一种基于改进经验模态分解(empirical mode decomposition, EMD)和数据分箱的特征提取算法。将信号进行改进经验模态分解,得到一系列平稳的本征模函数(intrinsic mode function, IMF)。对分解后的信号提取均值、方差等幅域参数特征,并根据参数有效性选择部分参数组成特征矩阵。选用等宽分箱方法,用箱内数据均值代替箱体数据,将特征矩阵进行平滑处理。经验证,该方法能准确提取实际工程信号中的有效特征,并从特征选择的角度较好解决了分类器代价敏感问题,减少了机器学习模型的过拟合现象。     

基于降噪及独立分量分析的轴承故障声信号特征提取

针对传统降噪算法的缺点,提出了将局部投影用于故障声信号的降噪。该算法具有较高的计算效率及广泛的应用前景,不仅可用于线性系统,而且还可用于非线性系统。而独立分量分析可用于分解相互独立的信号,它解决了多传感器信号的信息融合与特征提取问题。综合局部投影算法及独立分量分析算法两者的优点,提出了一种轴承弱故障特征识别算法。试验表明,该方法能有效地分离背景信号及特征信号。     

基于改进EMD算法的信号滤波

为解决经典经验模态分解(empirical mode decomposition, EMD)滤波算法在低信噪比环境下滤波效果不佳的问题,提出了一种改进的EMD滤波算法。利用FFT对信号进行简单的频谱分析,若其中含有高频噪声,则对信号经EMD分解后得到的一阶本征模态函数 (intrinsic mode function, IMF)分量做剔除处理;若信号中含有白噪声及毛刺干扰,则向经典EMD滤波算法中添加变尺度因子,然后对信号进行EMD滤波,在算法最后一次迭代时再将一阶IMF剔除。仿真试验结果表明,改进的EMD滤波算法在低信噪比环境下有较小的均方误差值,滤波效果较好。     

基于EMD和分形的齿轮箱故障特征提取

在齿轮箱齿轮振动信号处理中,可将经验模式分解 （Empirical Mode Decomposition,EMD）和分形技术结合在一起．先进行EMD分解,并针对EMD的端点效应问题提出了基于最小能量误差的端点效应抑制方法;计算各IMF分量的分形维数,根据同类故障具有相似特征,主要表现在模式空间上距离相近,从而利用未知故障网格维数与已知故障网格维数的距离远近来对故障类型进行判断．实测验证结果表明：通过比较网格雏数,能有效判断故障的类型,该方法大大简化了故障诊断过程．     

基于改进EMD算法的跳频信号参数估计

针对短时傅立叶变换时频分辨率不能同时很高,小波变换运算时间偏长,抗噪性差,Wigner-Ville变换及其改进方法受交叉项影响等问题,提出了一种基于希尔伯特-黄(HHT,Hilbert-Huang Transformation)算法的跳频信号参数估计.该方法的分解是自适应的,计算出的瞬时频率有很高的时间分辨率和较高频率分辨率.对于HHT算法中出现的虚假分量和端点效应问题,通过互相关方法来消除虚假分量,镜像闭合延拓方法去除端点效应.仿真结果表明该方法能很好解决上述两个问题.     

基于改进HHT的微弱故障信号特征提取方法

针对微弱故障信号故障特征难以提取的问题,提出一种基于改进希尔伯特-黄变换的故障特征提取方法。该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数,再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析,从中提取故障特征。仿真和实际试验证明:希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为微弱故障信号的特征提取提供了一种切实可行的方法。     

基于阈值过零算法的轴承故障特征提取研究

针对机械故障声发射信号特征提取的问题,提出了一种基于阈值过零(Zero-crossing,ZC)算法的滚动轴承故障特征提取方法.首先,采用过阈值测量方法提取轴承各类故障的过零特征,由不同的窗长与间隔数计算出反映故障特征的过零特征向量.其次,将所有过零特征进行归一化,采用欧氏距离评价过零特征在不同窗长和间隔下的分类能力,得到最优窗长和间隔.为了突出过零算法可以有效地提升计算效率,对不同故障的过零特征与谱熵计算时间进行比较分析.通过平均分阈值与不平均分阈值对轴承单一和混合故障分类效果的对比,发现不平均分阈值能更为有效地对四类故障进行分类.最后通过仿真和实验验证了该方法的有效性.     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

基于EMD和小波分解的颤振信号特征提取方法比较研究

以数控动梁龙门导轨磨床KD4020X16为试验对象,对不同磨削参数情况下磨床的不同振动状态进行试验测试。分别应用经验模态分解和小波变换对磨床的颤振信号进行颤振特征提取,以相关系数和方差为依据分析和比较这两种方法在非线性时序信号处理中的优劣。分析结果表明,在磨床的磨削颤振信号特征量提取方面,基于经验模态分解的提取方法具有更好的准确性和自适应性。     

基于EMD和小波分解的颤振信号特征提取方法比较研究

以数控动梁龙门导轨磨床KD4020X16为试验对象,对不同磨削参数情况下磨床的不同振动状态进行试验测试.分别应用经验模态分解和小波变换对磨床的颤振信号进行颤振特征提取,以相关系数和方差为依据分析和比较这两种方法在非线性时序信号处理中的优劣.分析结果表明,在磨床的磨削颤振信号特征量提取方面,基于经验模态分解的提取方法具有更好的准确性和自适应性.     

基于聚类分析的转子碰摩声发射特征提取

根据碰摩声发射信号的特点,选用波形幅值、脉冲指标、裕度指标和峭度指标作为声发射信号聚类分析的特征参数.利用聚类分析,提取转子试验有、无碰摩两种情况下的聚类中心声发射信号,并采用伪Wigner-Ville分布对各中心信号进行分析和对比,从而得到转子碰摩故障的声发射信号特征频率.试验结果表明:聚类分析方法能有效区分出碰摩声发射信号,为碰摩故障诊断提供了一种新方法.     

基于FastICA改进EMD的算法研究

经验模态分解(EMD)算法在非线性、非稳态的信号处理上具有显著的优势,但EMD在实际应用过程中存在着一些缺陷,其中以模态混叠和虚假模态现象最为突出。模态混叠现象可以简单地概述为在1个本征模函数 (IMF)含有多于一阶的结构固有模态分量;虚假模态现象则是指不该有的频率组分对结构模态参数识别精度的严重影响。针对这一问题,对EMD中存在的以上两大缺陷展开研究,提出了利用频带滤波和独立分量分析算法(ICA)中的快速ICA算法(FastICA)相结合改进的EMD 算法。利用希尔伯特变换(HT)识别结构频率,并通过Benchmark 结构验证了所提算法的有效性。     

鲁棒的新型特征提取和匹配算法

针对现有图像特征匹配算法高复杂度、耗时长等问题,提出一种基于局部特征点的新型特征匹配算法。首先,构建尺度金字塔,在不同的尺度上进行FAST特征点检测,根据特征点的Harris响应对特征点进行排序选取;然后利用图像的矩和积分图的方法获得特征点方向,再根据同心圆的采样模式构造特征点向量,最后根据特征点向量的汉明距离进行特征匹配。实验研究表明,该算法在图像有一定程度的缩放、旋转和噪声影响的条件下,运行效果仍然稳定可靠。与传统的SIFT算法相比,该算法在保证特征提取与匹配良好性能的前提下,运行速度要比SIFT算法快数倍。     

基于高阶谱的混凝土材料断裂声发射特征提取

针对混凝土受载时声发射信号的非高斯特性,提出了一种基于高阶谱技术的声发射信号特征提取的新方法。通过对声发射信号的双谱分析,提取了不同载荷阶段下信号的非高斯特征。以信号双谱幅值的平均值作为特征值,对不同载荷下信号偏离高斯分布的程度进行了定量分析,并讨论了不同载荷强度的混凝土声发射信号的双谱特性及非高斯特征。实验结果表明,提取的特征值反映了信号偏离高斯分布的程度,据此可以作为混凝土受载时断裂临界点的判据。通过与声发射事件等常规参数的比较,可以发现高阶谱参数具有更好的敏感性。     

基于声发射波形流信号的滚动轴承故障双谱分析及诊断

使用声发射波形流测试技术,采集滚动轴承正常状态及外圈故障、内圈故障和滚动体故障时的声发射波形流信号,分析声发射波形流信号与故障频率特征值间的关系。运用包络谱分析方法对滚动轴承声发射波形流信号进行分析,提取运转过程中信号峰值频率,通过与滚动轴承不同故障固有特征频率的理论值对比,发现具有很好的一致性。通过对滚动轴承声发射波形流信号的包络分析,可实现滚动轴承故障的早期诊断。     

基于声发射波形流信号的滚动轴承故障双谱分析及诊断

使用声发射波形流测试技术,采集滚动轴承正常状态及外圈故障、内圈故障和滚动体故障时的声发射波形流信号,分析声发射波形流信号与故障频率特征值间的关系。运用包络谱分析方法对滚动轴承声发射波形流信号进行分析,提取运转过程中信号峰值频率,通过与滚动轴承不同故障固有特征频率的理论值对比,发现具有很好的一致性。通过对滚动轴承声发射波形流信号的包络分析,可实现滚动轴承故障的早期诊断。     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

基于PCA的改进SIFT特征提取算法

提出一种改进SIFT算法,该算法主要针对传统SIFT算法数据量大、耗时长的问题,利用主成分分析法对SIFT算法进行改进,降低了SIFT算法提取的特征维数,并结合人脸数据库进行算法验证.结果表明,改进SIFT算法不仅具有亮度变化、旋转和尺度不变性,而且较原算法更稳定、精确、快速.     

基于心音信号谱分析的身份特征提取算法

该文针对心音信号是临床上有用的心脏疾病诊断工具,也是一种很好的用于身份识别的认证方法。该文提出了一种基于心音信号谱分析的身份特征提取算法。首先对心音信号进行消噪预处理,然后利用Welch方法分析了心音信号的谱特征,采用欧式距离作为匹配算法完成身份识别。最后,利用30个不同测试者心音数据对该方法的识别效果进行了测试,识别的错误率为0,证明了该方法的可行性和有效性。     

基于声发射信号的汽轮机动静摩擦监测

电厂中通常根据汽轮机振动信号来间接监测动静摩擦故障，但由于测振仪表的局限性及转子质量较大等原因，效果不理想。针对这种情况，从理论上分析了振动表不能监测摩擦故障的原因，提出利用声发射技术监测汽轮机动摩擦故障的方法，并介绍了监测系统的组成及应用。