基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。     

基于Labview的二维全息谱绘制

对二维全息谱的构成及其算法进行了描述,并采用Labview对其进行编程.该编程能更方便地提取转子的二维全息谱,从而提高故障诊断能力.     

小波尺度谱同步平均在弱信息识别中的应用

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别.而旋转机械发生故障时其振动信号往往是非平稳信号,不同的非平稳性对应不同的故障状态.连续小波变换可以通过伸缩平移变换对信号进行多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于故障信号的检测.时域同步平均可以削弱观测信号中的随机成分,降低噪声干扰,提取与平均周期相关的确定性信号,提高信噪比.结合小波变换和同步平均的优点,提出小波尺度谱同步平均的方法.对多周期的振动信号进行小波连续变换,并进行尺度谱重排,获得重排小波尺度谱;根据信号的周期性,对尺度谱进行同步平均,同步平均后的尺度谱可以有效地抑制干扰噪声,识别弱故障信息.通过仿真分析和实例分析验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法.     

非线性刚度转子-轴承支承松动故障的特征分析

研究了非线性刚度转子系统发生松动故障时的振动问题.考虑了转轴材料的非线性因素,建立了在非稳态油膜力作用下的非线性刚度转子-滑动轴承系统松动模型,并用Runge-Kutta数值积分方法,得到了系统在不同的参数下的波形图、频谱图和轴心轨迹图的特征并通过实验数据验证了该方法的可行性数值分析结果为该类转子-轴承系统的设计和支承...