基于改进群延迟估计的同步压缩变换及其在冲击类振动信号提取中的应用

旋转机械振动信号中的冲击特征通常代表着轴承损伤、齿轮损伤等常发故障的出现,为了准确提取信号中的冲击分量,提出一种基于改进群延迟估计的同步压缩变换时频分析方法。分析时间重分配同步压缩变换原型算法在处理实际强频变信号时的特性,发现其易导致明显的时频模糊问题。构建基于局部最大搜索算法的改进型经典群延迟估计方法,以克服TSST在分析强频变信号时带来的时频模糊问题,并在此基础上提出了群延迟自适应估计策略。形成一种基于改进群延迟估计的自适应同步压缩变换方法,在其基础上提出一种振动信号中脉冲特征提取方法。仿真信号和试验数据分析结果表明,该方法可较准确地提取出振动信号中的冲击特征,相较其他常用时频分析方法能够生成更为聚集的时频表示。     

广义参数化同步压缩变换及其在旋转机械振动信号中的应用

广义参数化时频分析通过构造匹配的参数化变换核,能够有效提高强调频信号的时频能量聚集性。然而,受短时傅里叶变换中窗函数结构的影响,利用该方法获得的时频能量分布在真实瞬时频率附近始终存在能量扩散现象。同步压缩变换利用同步压缩操作可将短时傅里叶变换处理后的时频能量压缩至真实瞬时频率位置,然而,同步压缩变换仅适用于分析频率成分恒定的纯谐波信号。以短时傅里叶变换为纽带,将两种时频分析方法相结合,提出了广义参数化同步压缩变换。考虑到旋转机械振动信号多为多分量信号,通过迭代处理的方式,依次获取各单分量信号的时频能量分布,对其进行叠加得到最终的时频能量分布。通过数值仿真以及变转速下转子不对中、滚动轴承外圈故障模拟试验验证了所提方法的有效性。     

基于迭代广义同步压缩变换的时变工况行星齿轮箱故障诊断

同步压缩变换在分析频率恒定的单分量信号时改善时频可读性的效果显著,而在分析多分量频率时变信号时存在时频模糊现象,为了解决这一问题,提出迭代广义同步压缩变换方法。通过迭代广义解调分离出各单分量成分,并将时变频率变换为恒定频率。应用同步压缩变换精确估计瞬时频率和时频分布幅值。将各单分量的时频分布叠加获得信号的时频分布。该方法有效改善了同步压缩变换在分析频率时变信号时的时频可读性,并且将其推广应用于多分量信号。应用该方法有效识别了时变工况下行星齿轮箱振动信号的频率组成及其时变特征,准确诊断了齿轮故障。     

同步压缩小波与希尔伯特-黄变换性能对比

经验模式分解(empirical mode decomposition简称EMD)中包络均值代替信号实际均值的算法误差,使其在处理复杂多频振动信号时易出现模式混叠,引起分析误差。针对这一问题,采用同步压缩小波变换(synchrosqueezed wavelet transform,简称SWT)根据时间-尺度平面中各元素模的大小,对平面内的能量进行重新分配,通过映射关系将时间-尺度平面转化为时间-频率平面,获得频率曲线更加集中的时频表达。这一方法的正交性与算法自身良好的数据驱动性降低了模式混叠引起的时频分析误差,多组分仿真信号时频特征提取证明了SWT的优异时频特性,利用旋转机械不对中振动位移信号进行了实测数据分析。结果表明,SWT能够精确描述谐波信号的频率构成,且所获时频能量分布集中,时、频域定位精度高,为机械设备的状态监测与故障诊断提供了一种新的时频分析手段。     

自适应窗口旋转同步压缩变换及其在电机转速估计上的应用

针对同步压缩变换(Synchrosueezing Transform,SST)中短时傅里叶变换(Short-time Fourier Transform,STFT),固定窗效应在处理非线性时变信号上的不足,提出了一种自适应窗口旋转短时傅里叶变换(Adaptive Window Rotating Short Time Fourier Transform,AWRSTFT)方法,该方法通过自适应匹配一系列的旋转算子,实现信号在全局上的频率带宽最小。进一步地,在SST的框架下,用AWRSST方法替换STFT,提出了自适应窗口旋转同步压缩变换(Adaptive Window Rotating Synchrosueezing Transform,AWRSST)方法,并用于电机转速信号的处理,该方法能够兼顾AWRSTFT和SST的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平。通过数值仿真和电机转速估计实验,验证了该方法的有效性。     

伸缩窗口短时Fourier分析

在短时Fourier变换（STFT）的基础上,通过对窗函数在时间尺度上引入伸缩变换,从而获得一个在相空间可变的窗口（即可调时－频窗）,实现时频分辨率随信号频率变化自动可调,克服STFT分析所有频率窗口的大小形状固定不变的缺陷,为非平衡信号的处理提供了强有力的工具。     

基于SSWPT汽轮机轴承油膜失稳故障诊断

针对时频分析方法在转子油膜失稳诊断方面的不足,提出采用同步压缩小波包变换（synchro-squeezed wave packet transform,简称SSWPT）对汽轮机运行过程中非平稳多分量信号进行连续小波变换,对不同种类信号选取不同主频率小波,得到信号时频图,通过算法可由时频图对原始信号进行重构,并与现有时频方法的精度进行对比。以某电厂1 000 MW机组为研究对象,针对调试过程中出现的轴系振动大问题,运用SSWPT方法进行了转子油膜振荡故障诊断分析。利用现场汽轮机诊断管理（turbine diagnosis managment,简称TDM）系统采集数据,进行小波包变换得到小波变换系数,以及故障中非平稳信号的瞬时频率,最后在瞬时频率尺度下对小波包变换系数进行压缩,得到更为准确的频率成分组成。结果表明,该方法对现场非平稳信号的特征提取具有优越性,能够精准判断故障发生的位置和类型,为机组后期故障处理提供可靠依据。     

高精度时频分析方法研究

时频分析在非平稳信号处理中占有重要的位置,它的主要任务是表述信号的频率成分随时间变化的规律。本文在时频分析的基础上,重点研究了一种新的高精度时频分析方法-希尔伯特黄变换(HHT),并将改进HHT算法与典型时频分析方法(短时傅立叶变换、WD)进行比较,阐述了HHT的应用及优点。     

基于同步压缩广义S变换的发动机故障诊断

为提高发动机故障诊断准确率,提出了基于同步压缩广义S变换（synchrosqueezing generalized S?transform,简称SSGST）与中心对称局部二值模式（center?symmetric local binary patterm,简称CSLBP）的故障诊断方法。首先,针对信号时频分析中的能量泄露、频谱涂抹、频带混叠和时频分辨率较低的问题,基于同步压缩算法与广义S变换提出了SSGST,对缸盖振动信号进行时频分析得到时频聚集性较高的二维时频图;然后,利用CSLBP提取缸盖振动信号时频图的纹理谱特征,并将其输入交叉验证寻优的核极限学习机对发动机进行故障诊断。实验结果表明,SSGST的能量聚集效果好,时频分辨率高,各频带分布较窄且不存在混叠,能够有效分离出非线性混合信号中的各频带分量;时频图的CSLBP纹理谱特征维数较低,且具有良好的类内聚集性和类间离散性;利用交叉验证寻优的KELM对故障特征进行分类,实现发动机故障诊断,获得了较高的诊断速度和精度。     

基于线调频小波变换的旋转机械故障诊断

小波变换在设备故障信号处理中得到广泛地应用,然而,小波变换只能消除白色噪声,对有色噪声不起作用.线调频小波变换统一了短时Fourier变换和小波变换的时频分析,是信号的时间-频率-尺度变换,能根据信号的特点自适应生成新的时频窗口.它不仅具有小波变换良好的时频局部性特点,而且它的时频窗口比小波变换的时频窗口更加灵活.本文应用线调频小波变换对旋转机械故障信号进行消噪,效果明显.     

基于同步挤压提取变换的滚动轴承故障诊断研究

滚动轴承是大型机械设备的重要部件,起着非常重要的作用.当轴承发生故障时,如不及时修复或更换,将严重影响设备的寿命.时频分析方法是一种非常有效的故障特征提取工具,已得到广泛的应用;同时,时频分布的能量聚集性影响故障特征提取效果,因此,一种能量更加集中的时频分析方法对机械信号处理与故障诊断起着至关重要的作用.提出了一种全新...     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。     

基于改进同步挤压小波变换识别信号瞬时频率

提出了改进同步挤压小波变换。首先,采用解析模态分解定理将非平稳响应信号分解为多个单分量信号;其次,通过频率转换将分解后的单分量信号从低频区域转换到高频区域以提高时间分辨率;然后,对频率重点关注区域的时频代表值进行局部挤压,提高时频曲线的频率精度;最后,通过两个数值算例和一个拉索试验验证了改进同步挤压小波变换方法的有效性和准确性。研究结果表明,改进同步挤压小波变换能够提高信号在特定区域内的瞬时频率识别精度,是一种可行的时变结构参数识别方法。     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

Instantaneous Frequency Estimation for Motion Echo Signal of Projectile in Bore Based on Polynomial Chirplet Transform

Microwave interferometer is one of the devices for measuring the movement travel–varying or time-varying velocity of projectile in bore. Microwave interferometer first obtains the Doppler echo signal including the motion information of the projectile in bore, then the velocity is measured based on instantaneous frequency estimation (IFE) of the processed and transformed signal. The parametric time-frequency analysis method can make spectral energy of nonlinear frequency modulation (FM) signal concentrate at some range in the new transform domain. As the motion echo signal of projectile in bore (MSPB) is a nonlinear FM signal, it could be described by polynomial chirplet, one of polynomial FM signal modes, which is used to construct transform kernel for the signal. In this paper, Polynomial chirplet transform (PCT) method is proposed to analyze the simulation and experiment echo signals of projectile in bore. The estimation error and Renyi entropy are used to measure quantify of the time-frequency distribution. Compared with short-time Fourier transform (STFT) method and Wigner-Ville distribution (WVD) method, our results show that the PCT method has most powerful anti-interference performance and highest accuracy of instantaneous frequency estimation for the simulation signal, and lowest Renyi entropy of the instantaneous frequency estimation for the experiment signal. In general, the PCT method has powerful anti-interference performance and high time-frequency concentration and accuracy of instantaneous frequency estimation for the motion echo signal of projectile in bore.     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于谐波小波奇异熵的轴承故障实时诊断

将谐波小波变换、奇异值分解理论和信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法。对轴承振动信号进行谐波小波分解,将分解得到的小波系数分别以尺度为行、时间为列构建谐波小波时频分布矩阵,并对该矩阵进行奇异值分解,以分解得到的奇异值为划分标准进行信息熵计算,通过信息的熵值来诊断轴承故障,给出了基于谐波小波奇异熵的轴承故障实时诊断的具体方法和模型。通过对轴承内圈故障、外圈故障大量的试验研究表明:该方法能有效地对轴承故障进行诊断,具有很高的实时性,能对采样频率低于68kHz的诊断系统进行实时诊断,适用性很好。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题,首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法,该方法针对Cohen类时频分布存在的交叉干扰项问题,通过阈值筛选法确定VMD算法的分解层数,从而将内燃机振动信号分解成一系列单分量模态信号,然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取,将提取的特征与振动信号时域参数进行特征融合,得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选,然后对特征向量进行训练和测试,实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验,结果表明,该方法能够对不同工况振动信号进行有效识别分类。通过参数优选,最高识别率达到了99.17%,同时对比传统的最近邻分类器的分类结果,证明了该方法的优越性。     

基于电压信号深度特征学习的谐波减速器健康状态识别

目前工业机器人谐波减速器健康状态识别多以振动信号为载体,需要外加测试系统,增加了数据获取难度及成本,且其准确性和有效性受传感器安装位置影响。基于此,提出基于电压信号深度特征学习的谐波减速器健康状态识别方法。利用工业机器人电机电压信号对谐波减速器健康状态进行表征,使用连续小波变换将电压信号转换成时频图以获得谐波减速器不同健康状态下电压信号的时频信息,构建出数据样本集。利用卷积神经网络对电压信号时频信息进行自学习,并有监督调整网络参数,在获得谐波减速器不同健康状态下电压信号深度特征的同时实现对其健康状态的识别。实验结果显示,所提方法识别准确率达到了90%以上,证明了该方法能够有效识别谐波减速器健康状态,并具有较好的泛化能力和稳健性。     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。