小波分析算法研究及在齿轮与滚动轴承故障诊断中应用

分析了齿轮与滚动轴承故障振动信号的特征,利用小波变换的分解和重构算法,有效地提取出齿轮与滚动轴承故障特征信号,得到实验结果.通过比较频谱分析和小波分析的特点,有效地证明了小波分析在微弱故障信号提取中的优势.     

递归时频重排算法在跳频信号参数估计中的应用

为了有效分析跳频信号并估计其参数, 引入一种短时傅里叶变换的快速算法, 为改善其时频聚集性, 将该算法推广到重排域。该算法降低了参数估计的算法复杂度。最后,在跳频系统中对该算法的性能进行了仿真与分析。     

基于改进的离散傅里叶变换图像分割算法研究

研究图像分割特征提取优化问题。由于外界信号噪声等问题而引起图像分割分辨率低,清晰度不高,提取图像的主要特征目标是图像分割中关键的技术,针对传统的图像特征提取分割算法无法完成对图像关键特征信息适度提取,另外图像分割计算复杂,为了有效的对图像进行分割,提出了一种改进的离散傅里叶变换的图像分割算法。采用傅里叶变换算法对图像中感兴趣的区域进行分割出来后,对各个分割区域特点进行描述并组成一定的结构,从而获得最优图像分割结果。仿真结果表明,改进的算法可以有效地提取复杂图像区域中的特征信息,分割效果明显,提高了图像分割的分辨率和清晰度。     

基于FFT计算线性离散卷积的一种算法

介绍一种利用快速傅里叶变换计算线性离散卷积的算法,给出了此算法的原理、数学模型、实现方法以及进一步减少计算量的措施等,仿真表明此算法与一般算法相比,在运算量方面优点明显。     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

基于FFT的离散卷积算法

卷积运算广泛地用于线性系统的仿真与分析及通信系统的设计等方面.但一般采用的算法的计算复杂性是O(n2)的,本文提出的基于快速傅立叶变换的算法,计算复杂性已优化到O(nlog2n),当数据规模较大时,有明显的优越性.     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

基于SFFT的宽带信号互谱法测向算法

在无线电频谱监测中,随着数据采集能力和采样频率的不断提高,对算法的时效性提出了更高要求。对于宽带信号测向系统,提出基于稀疏快速傅里叶变换的互谱法相位测量算法,该算法利用信号频域的稀疏特性,通过频谱重排、滤波、降采样和估值,能快速计算出频谱中K（信号稀疏度）个拥有最大值的傅里叶系数。利用这K个大值点计算平均时延,在保证与传统快速傅里叶变换有相同精度的同时,降低算法的时间复杂度。分析表明,该算法的时间复杂度与信号稀疏度K呈亚线性关系。该方法提高了算法效率。仿真分析对比了基于稀疏快速傅里叶变换的互谱法和基于快速傅里叶变换的互谱法的误差,表明了该算法的有效性。     

一种快速线性时频变换方法

信号的频率含量在很多应用中是非常重要的,很多算法在这方面进行了研究。普通的S变换可以同时提供时间和频率信息,但需要的计算要求较高。本文介绍了一种线性时频变换方法,包括傅里叶变换（FT）、短时傅里叶变换（STFT）和S变换（ST）。它是一种离散的,可逆的,无冗余的变换算法,具有快速傅里叶变换（FFT）相同的计算复杂度。经过合理的调试和仿真,该方法有效地对非平稳信号频谱进行采样和加窗过滤,得到连续S变换频谱,说明在信号分析中具有可行性和适用性。     

基于STFT时频比算法的跳频信号盲分离

威格纳—威利分布(WVD)算法会引起交叉项干扰,快速独立分量分析(FastICA)算法会使分离信号的幅度、相位等参数较源信号发生变化,针对这些算法存在的误差问题,结合跳频信号的特点,提出一种基于短时傅里叶变换时频比的跳频信号盲分离法。仿真实验表明,这种算法能够有效地分离出多个跳频信号,比FastICA算法更准确。     

基于小波分析的滚动轴承故障诊断系统的研究

针对机械设备滚动轴承的振动特性,研究一种优化的小波变换算法,并将其投入到滚动轴承的故障诊断中。对小波进行分解,以及阈值的选取方面进行技术性的研究,提高信噪比,提高故障诊断的精确性。在系统服务层上,使用Web开发技术开发基于B/S结构的在线监测系统,实现机械设备滚动轴承的远程监测、诊断管理。     

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降...     

基于混沌动力学的滚动轴承故障诊断研究

为了研究旋转机械非平稳信号的非线性动力学特征,探索旋转机械故障诊断方法,以滚动轴承为研究对象,采用嵌入式传感器获取滚动轴承振动信号,通过计算滚动轴承振动时间序列的关联维数、Kolmogorov熵等混沌特征量,提取设备运动状态特征,并对其进行了详细分析。结果表明：该方法可以实现对滚动轴承的故障诊断,从而为旋转机械的故障诊断提供了一种新的方法。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

基于改进小波包阈值降噪的滚动轴承故障分析

具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节。因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析。首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析。最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。     

基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。