机械噪声故障特征提取的波叠加法

建立了机械故障特征提取的声学理论模型,使用了波叠加法重建源表面为任意形状的空间声压场分布,计算出未知声源的数目与位置。提出的算法计算速度快、重建精度高,能够消除临近机器或部件辐射噪声的干扰,从较小的信噪比的观测信号中分离待监测源信号功率谱,有效提取了机械噪声故障特征。     

声学故障诊断中的宽带相关噪声信号分离方法

为了提取混合噪声中待诊设备的噪声信号，利用传声器组构造线性测量阵列流型，建立多声源机器系统的宽带相关噪声混合模型。使用聚集变换技术消除频率对参数估计的影响，并同时消除相关信号功率谱矩阵的奇异性，采用宽带相关MUSIC法估计噪声方差与声源方位，从混合信号频谱中分离噪声源信号频谱。该方法可减小其他噪声源信号的干扰，提高待检设备噪声信号的信噪比。实验结果验证了模型与算法的可行性。     

混合信号振声源分离与多机组故障诊断

针对机房设备混合信号难以提取有用信息,提出了多参数的振声诊断方法。应用最小互信息梯度下降的盲分离算法,通过展开边缘熵和修正四阶累积量估计值的方法改善算法性能,在故障源数量未知且可能大于传感器数量的情况下,根据信息源之间的独立性测度关系依次提取最显著的特征值。仿真结果证明,改进算法估计误差减小且算法可靠。在诊断实例中,首先,分离机房内的混合噪声信号以确定主要故障来源;然后,采集故障源的振动信号进行非线性盲分离,提取热泵机组压缩机不对中、齿轮啮合不良和碰磨的故障特征;最后,根据分离的振源信号特征识别故障类型,建立基于盲源分离算法的大空间设备群的振声诊断方法。     

基于鲁棒预白化的机械噪声信号盲分离

机械噪声故障诊断的难度在于实际检测的噪声是多个设备或零部件噪声信号的混合,信噪比低,基于二阶统计量盲源分离算法的故障噪声诊断技术,利用二阶协方差矩阵的联合对角化,从测量噪声中分离出感兴趣故障噪声进而提取特征,但该算法抗干扰噪声性能差。本文利用多个协方差矩阵平滑滤波后的矩阵进行白化,进一步提高了抗干扰噪声能力,在样本数据较少时仍能实现较好的盲源分离效果,仿真实验证实了该算法的有效性。     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。     

基于EEMD-JADE的滚动轴承故障诊断分析

滚动轴承故障信号特征往往受背景噪声影响而难以准确提取,集合经验模式分解能将源信号有效分解出具有真实物理意义的本征模态分量,提高故障特征的诊断精度,盲源分离技术能够分离故障信号进而提取故障特征。将集合经验模态分解与盲源分离技术相结合,通过相关系数的计算和敏感因子的数值判断合理选用源信号的分量,构建出噪声信号,再通过盲源分离技术,分离噪声信号。仿真分析和实验表明,此方法可以成功的分离出典型的轴承故障特征,可有效提高轴承故障诊断效果。     

基于LMS-自适应滤波算法的经验模态分解故障诊断方法研究

对于多相电机定子绕组或逆变桥开关管开路造成的故障,其故障信号常被电机噪声和环境噪声所淹没。现提出一种将LMS-自适应滤波算法和经验模态分解(EMD)结合的特征信号提取方法,通过自适应滤波算法滤除含有噪声污染的故障信号中电机产生的电磁噪声,再对滤波后的信号进行经验模态分解,并提取出故障特征信号。仿真实验表明,该方法能够有效消除电机电磁噪声的干扰,计算快且简单易行,具有良好的可操作性。     

基于循环维纳滤波器的声学成像优化方法

针对混响环境中背景噪声干扰导致循环平稳源重建精度不高的问题,基于循环维纳滤波器,结合贝叶斯近场声全息技术,提出了一种声学成像优化方法。通过麦克风阵列在声源的近场测量由声源辐射信号的声压,利用循环维纳滤波器对测量值进行去噪,从而实现对循环平稳信号的盲提取,再应用贝叶斯近场声全息技术在空间上重建循环平稳源。首先,通过仿真分析,系统地评估了盲信号提取算法的有效性。然后,通过开展声源重建实验,进一步验证了该声学成像优化方法的可行性。     

基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用

提出一种利用盲源分离技术对齿轮箱混合故障进行诊断的方法。该方法以最小互信息量为准则,采用自然梯度的自适应算法求解统计独立源信号的估计值,并根据分离信号的频谱成功地提取了混合故障的特征信息,有效地诊断出齿轮箱所处的故障状态。     

风力机叶片蒙皮初始裂纹的盲信号提取

针对风力机叶片初始裂纹特征难以提取的问题,提出了一种逐步提取并消减噪声源信号从而获得微弱裂纹故障特征的盲提取方法.首先基于卷积混合模型极小化改进代价函数推导自适应学习迭代算式,在仿真实验中确定非线性激励函数和滤波器的传输函数,根据输出信号的性能参数证明了改进算法对尖峰噪声的异常点更加敏感稳健.在风力机叶片疲劳实验台上模拟叶片蒙皮的初始横向裂纹,通过声发射信号采集系统获得观测信号,分析噪声源的特性并提取了初始裂纹的声发射信号特征,为风力机叶片状态监测和预警提供了依据.     

Separation of fault features from a single-channel mechanical signal mixture using wavelet decomposition

This study reports a joint wavelet decomposition and Fourier transform approach to the separation of periodic mechanical source signals from single-channel signal mixture. With this method, the signal mixture is first decomposed to certain wavelet scales. The resulting wavelet coefficients are then Fourier transformed to extract the information pertinent to each signal source from these scales. Next, the number of signal sources is determined and the wavelet coefficients for each signal are constructed in all scale levels. Finally the source signals can be reconstructed using these wavelet coefficients. Since this method does not require the number of sources to be known a priori, it is particularly suitable for mechanical fault signal separation as the number of source signals varies with time and is unpredictable. It is also important to point out that the number of sources is determined without the commonly adopted sequential extraction/learning process and hence the proposed method can be used for on-line fault detection due to the reduced computing burden. The application of this method has been demonstrated using mixed bearing data containing both inner and outer race fault signals.     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

基于盲源分离技术的故障特征信号分离方法

信号采集过程中，传感器测量到的信号是实际振动信号在此测量方向的投影值，由于其他不相干振源的影响，测量信号由多个振动信号成分组成。在分析多振源信号混合模型的基础上，采用盲源分离技术分离不同的振源信号，讨论分离结果的广义初等相等性质的影响，研究估计振源数目的方法和选取测量信号的方法，利用二阶特征矩阵联合近似对角化算法，从测量信号中分离故障特征源信号。该算法可减小信号采集不当造成的影响，有效提高特征信号的提取。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视.针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法.该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系...     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基追踪降噪及在齿轮故障诊断中的应用

从信号分析的角度，引入基追踪降噪(Basis Pursuit De-N0ising)的基本原理。通过对含有白噪声的典型脉冲信号进行降噪处理．展示基追踪降噪在脉冲信号特征提取中的优点。最后对变速箱齿轮故障信号进行降噪处理。结果表明，该方法可以有效去除强噪声干扰，提取脉冲故障特征信号。通过实例证明了该方法的有效性和工程实用性。     

机械噪声源识别的混合波叠加法

提出了一种稳健声场的全息变换算法——混合波叠加法，它结合了波叠加法和Helmholtz方程最小二乘（HELS）方法的优点，用相对少量的测点数据就可重建任意形状源表面的声场。在半消声室里，运用29个传声器组成的“＋”字形平面传声器阵列，对一运转的电机进行噪声源识别，得到声源的空间声压场分布及声源位置，显示出混合波叠加法在工程实践中广泛的应用前景。     

Acoustic fault signal extraction via the line-defect phononic crystals

Rotating machine fault signal extraction becomes increasingly important in practical engineering applications. However, fault signals with low signal-to-noise ratios (SNRs) are difficult to extract, especially at the early stage of fault diagnosis. In this paper, 2D line-defect phononic crystals (PCs) consisting of periodic acrylic tubes with slit are proposed for weak signal detection. The defect band, namely, the formed resonance band of line-defect PCs enables the incident acoustic wave at the resonance frequency to be trapped and enhanced at the resonance cavity. The noise can be filtered by the band gap. As a result, fault signals with high SNRs can be obtained for fault feature extraction. The effectiveness of weak harmonic and periodic impulse signal detection via line-defect PCs are investigated in numerical and experimental studies. All the numerical and experimental results indicate that line-defect PCs can be well used for extracting weak harmonic and periodic impulse signals. This work will provide potential for extracting weak signals in many practical engineering applications.