双约束非负矩阵分解的复合故障信号分离方法

为了分离复合故障振动信号,提出了一种采用双约束非负矩阵分解算法的信号分离方法。首先对原始振动信号采用短时傅里叶变换,通过时频分布信息来描述信号的局部故障特征;其次在传统非负矩阵分解算法中引入β散度约束与行列式约束,构成双约束非负矩阵分解算法,利用双约束非负矩阵分解算法实现数据的降维,并从低维空间中分离出特征分量;然后通过特征分量重构出时域波形,同时提出加权峰值因子的影响参数筛选重构信号;最后将筛选出的分离信号进行包络频谱分析,提取故障特征。仿真及轴承复合故障实验结果表明:所提出的方法可以有效分离并提取出外圈与滚动体冲击性特征,实现了轴承的复合故障诊断。     

基于相关峭度共振解调的滚动轴承复合故障特征分离方法

提出了一种基于相关峭度的共振解调方法,并应用于滚动轴承复合故障特征的分离。沿频率轴平移给定滤波窗,计算每个滤波信号的相关峭度;通过设定不同的故障解卷积周期,形成多条故障的相关峭度曲线;根据筛选出的目标相关峭度曲线的最大值,确定多个共振频带对原信号进行共振解调。解决了由于某一频带的峭度值过大,利用谱峭度可能无法识别出不同故障各自激起的共振频带的问题;通过不同能量的多共振频带轴承复合故障仿真验证了共振频带选择的准确性,不同载荷下的轴承内、外圈复合故障实测信号分析表明,该方法可以有效实现轴承复合故障特征的分离。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

齿轮故障振动啮合调幅调频信号分离方法

齿轮故障时振动信号中同时存在调幅调频信号。基于齿轮故障振动啮合调制信号数学模型,利用平方幅值解调和基于调频信号与第一类贝塞尔函数之间关系的频率解调方法,分别建立关于调幅和调频参数的非线性方程组;再应用最小二乘优化算法求解参数,提出一种调幅调频信号准确分离的新方法。并将离散频谱校正技术用于提高该分离方法的准确性。仿真结果表明：该方法精度高,抗干扰能力强;分离出的调频信号比希尔伯特变换和基于能量算子解调求解的调频信号精度高。实验分析表明,不同故障分离的调幅调频信号存在明显的特征和差异,从而为齿轮箱故障提供了一种新的诊断方法。     

基于复杂网络社团聚类的复合故障特征分离诊断方法

针对复合故障多种故障特征相互叠加彼此干扰,给全面准确诊断带来困难,提出了基于复杂网络社团聚类的复合故障特征分离诊断方法。该方法首先应用EMD将复合故障信号分解为若干个IMF分量,由于不同单一故障的特征会在不同频段得以体现,提取每个IMF分量的特征量,建立故障数据网络模型;然后将每个IMF分量视为网络中的社团,根据复杂网络社团结构的特性,进行同类社团合并,合并所得每个社团与单一故障相对应,最后对合并的信号进行分析,实现复合故障特征分离。本文以转子不平衡和轴承内圈、轴承内圈和滚动体复合故障特征分离与诊断为例,验证了该方法的可行性。     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。     

基于几何结构的非线性动力学信号分离方法

介绍了时间序列非线性动力学分析的理论基础及三种基于重构点集几何结构的信号分离方法.     

基于二阶盲辨识的双跨转子故障信号分离研究

将盲分离理论应用于消噪处理,其关键是分离噪声,因此在分离噪声时不损失有效信号,为消噪处理提供了一种新方法。提出了一种基于二阶盲辨识的去除干扰的自提取方法,在原有的自提取算法中引入了梯度变化率的概念,有效降低了噪声。通过仿真和对实际转子振动数据的处理表明,这种算法有效地遏制了噪声,提高采样数据的准确性。     

基于谱峭度和最大相关峭度解卷积的滚动轴承复合故障特征分离方法

针对振动信号中复合故障特征难以准确分离的问题,提出了一种融合谱峭度(SK)和最大相关峭度解卷积(MCKD)的复合故障分离方法。对复合故障信号做谱峭度分析,根据选择的各共振频带对信号进行带通滤波,提取出多个故障信号;对提取的各信号做包络解调分析,对能提取出单一故障特征的振动信号完成分离过程;对未提取出单一故障特征的振动信号最后做最大相关峭度解卷积处理;采用改进的轴承复合故障仿真模型验证了方法的有效性。实测滚动轴承内、外圈复合故障信号分析结果表明,该方法能够实现复合故障的准确分离。     

基于蝙蝠算法优化VMD参数的滚动轴承复合故障分离方法EI北大核心CSCD

针对强背景噪声干扰下的滚动轴承复合故障特征难以提取且变分模态分解(variational modal decomposition,VMD)中参数需要提前确定的问题,提出一种基于蝙蝠算法优化VMD参数的滚动轴承复合故障分离方法。首先,提出一种新的复合影响指数,将其与现有指标进行比较,结果表明,所提指标对故障信号的敏感性提高了29.6%。然后,将最小平均复合影响指数作为目标函数,利用蝙蝠算法自适应搜索VMD的最优参数进行变分模态分解。最后,对分解后的模态分量进行包络解调分析,通过包络谱判断轴承的故障类型。仿真及试验结果表明,该方法能够从噪声干扰下的复合故障信号中有效分离出单一故障信息,实现轴承故障类型的确定,从而验证了该方法的有效性。     

基于声信号三维谱分析的转子复合碰摩故障特征提取

转子在运行过程中的声音包含了大量的转子运行状态信号,变速过程中故障声信号特征的提取及其识别对于旋转机械故障诊断是极其必要的,目前基于声信号三维谱分析的转子故障特征提取还不多,在对转子旋转机械中的一些典型产生的碰摩故障及复合碰摩故障进行了试验模拟,对故障发生过程中的声信号进行采集的基础上,对转子故障声信号的三维谱特性进行了分析。提取和总结出由故障造成的声信号突变和对应的声谱特征。分析结果表明:采用声信号对转子的碰摩故障进行诊断是有效的。声信号三维谱图丰富旋转机械碰摩故障诊断系统知识库中的特征信息,可以用于更准确地诊断转子中的碰摩故障。     

基于概率盒理论的滚动轴承故障信号建模方法

为了解决机械故障诊断存在特征提取带来的信息丢失问题和多段平均丢弃数据不确定性的问题,提出了一种基于概率盒理论的机械故障信号建模方法。以滚动轴承故障信号为研究对象,分析原始信号的概率分布类型,获得概率分布类型参数的不确定性区间,提出基于确定概率分布类型的概率盒建模方法。针对故障信号概率分布类型难确定问题,提取原始信号的特征,利用特征信号的有序性,提出基于特征提取的概率盒建模方法,以歪度和峭度特征为例,对比两种特征概率盒的异同点。基于概率盒定义,将原始数据的不确定性直接映射到概率盒的上下界,提出无需验证数据概率分布类型的原始数据概率盒直接建模方法。通过滚动轴承实测数据,对比三种方法的有效性及适用性,与传统特征提取方法对比,证明了方法的有效性。     

基于液压泵复数信号的log-SAM故障诊断方法研究

针对基于液压泵单源振动信号易受噪声污染、无法有效表征故障特征信息的问题,提出了一种基于复数信号的log-SAM新方法.在液压泵端盖同一截面上,采集两个互相正交传感器上的振动信号;基于全矢思想,对上述双源信号融合为一个复数信号;利用log-SAM对复数信号进行包络分析,充分地突出故障特征信息,抑制噪声干扰;基于总体和最优...     

参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离方法

针对滚动轴承复合故障分离的问题,基于相关峭度具有突出故障冲击周期性的特点和1.5维谱抑制高斯白噪声、剔除非耦合谐波分量的优点,提出了参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离的方法。首先以轴承不同故障特征频率对应的周期计算得到的最大相关峭度为评价指标,通过相应的相关峭度图来实现VMD中参数选择以及最优分量的选取;然后对最优分量进行包络处理,并为减少冗余成分和噪声干扰,选择1.5维谱来对包络信号做进一步分析,以此来实现滚动轴承复合故障的有效分离。通过对轴承复合故障仿真及实验信号的分析证明了该方法的有效性。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4 种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。     

基于偏时域相干分析的频谱混叠信号分离方法

提出一种基于偏时域相干分析的频谱混叠信号分离方法。该方法依据参考信号,利用偏时域相干函数,通过对信号分量与混合信号的功率比进行定量分析得到信号的瞬时混叠模型,最后按照瞬时混叠的逆过程分离出各信号分量。该方法与自适应分离方法的输入信号模型等价,且概念、算法简明。典型信号条件下的仿真实验表明在其功能与自适应分离方法基本相同的情况下,信号分离的准确度优于自适应方法。     

基于盲源分离技术的一种信号处理方法研究

文章利用盲源分离技术试图从给定的一组混合观察数据中恢复未知的独立信源。然后使用Matlab中的时频工具箱,根据分离出的信号进行时频分析,提取信号中所包含的特征信息,达到能够识别出期望信号,并能提取其余干扰信号的特征。     

基于盲源分离技术的泄漏音波信号滤波方法分析

音波法泄漏检测技术用于输气管道泄漏检测具有灵敏度高、实时性强、定位精度高等优点,但是现阶段受困于信号滤波技术,难以在实际工程中推广应用。总结了现阶段主要的时频域滤波方法,重点介绍具有代表性的小波滤波和维纳滤波的滤波原理,利用实验室采集的泄漏音波信号验证了两种滤波方法的实际滤波效果。并且讨论了基于时域和频域滤波方法的不足,分析了针对某些工况,滤波方法不能取得良好滤波方法的原因。在此基础上,引入了近年来发展迅速的盲源分离技术,阐述盲源分离的原理,通过分离构造信号说明了盲源分离技术具有更好的适用性和更好的滤波效果,最后利用实验室采集的泄漏音波信号进行了实际分离,表明盲源分离技术具有实际的应用价值。     

基于ICA的镗削过程颤振征兆信号分离方法研究

针对精密孔镗削加工过程中易出现颤振、导致精密孔表面质量下降,如何能快速、准确识别出颤振征兆发生问题,提出基于独立分量分析（ICA）的镗削振动信号信噪分离方法,以实现对镗削颤振征兆信号的快速分离。该方法据颤振信号的时频特点,利用经验模态分解（EMD）对镗削振动信号进行分解;对EMD分解所得各本征模态分量（IMF）构造出的虚拟通道进行ICA分析,分离出包含颤振发生征兆的信号。实验结果表明,利用EMD和ICA对镗削振动信号进行分解处理,可快速分离出镗削颤振征兆信号,为后续颤振识别预报及抑制环节提供基础,从而有效提高精密孔的表面加工质量。