基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

VMD与Cohen核结合的时频分布交叉项抑制方法

在非平稳信号时频分析中,使用Cohen核所得时频分布的交叉项抑制与时、频分辨率难以兼顾。针对此,提出一种将变分模态分解（VMD）与Cohen核相结合的时频分析方法。首先对信号进行VMD分解,得到一组具有不同频率成分,相互独立的固有模态函数（IMF）分量,然后对每个IMF分量进行Cohen核时-频变换,再线性叠加重构出原始信号的时频分布。通过仿真分析,结果表明：该方法可以在保持时频分布中较高时、频分辨率的基础上,有效消除交叉项的干扰。     

液压挖掘机反铲切削过程振动信号去噪处理

针对小波包频带能量分解和Hilbert-Huang变化在信号的去噪研究中的优势,对比2种方法在液压挖掘机反铲切削过程中振动信号去噪的准确度.以液压挖掘机工作装置的振动信号为例,利用小波包频带能量分解算法与Hilbert-Huang变化算法分别对振动信号进行重构.其中,Hilbert-Huang变换首先是对振动信号通过经验模态分解(empirical mode decomposition,EMD)得到IMF分量;然后,对IMF分量进行Hilbert谱分析,得到IMF分量的能量特征,选择有用的IMF分量进行信号重构,从而消除噪音信号的干扰.研究结果表明:与小波包频带能量分解方法相比, Hilbert-Huang变换的液压挖掘机反铲切削过程振动的重构信号更加接近真实信号.     

变分模态分解与Cohen核结合的时频分布交叉项抑制方法

在非平稳信号时频分析中,使用Cohen核所得时频分布的交叉项抑制与时、频分辨率难以兼顾。针对此,提出一种将变分模态分解(VMD)与Cohen核相结合的时频分析方法。首先对信号进行VMD分解,得到一组具有不同频率成分,相互独立的变分模态函数(IMF)分量;然后对每个IMF分量进行Cohen核时-频变换;再线性叠加重构出原始信号的时频分布。通过仿真分析,结果表明:该方法可以在保持时频分布中较高时、频分辨率的基础上,有效消除交叉项的干扰。     

基于改进VMD和CNN的滚动轴承故障诊断方法

针对现场采集的滚动轴承信号易受噪声影响而使微弱故障特征难以提取的问题，基于灰狼优化算法(GWO)、变分模态分解(VMD)和卷积神经网络(CNN),提出了一种滚动轴承故障诊断的新方法.首先，利用GWO优化VMD实现其分解层数及二次惩罚因子2个重要参数的自适应选择；其次，提出有效加权相关稀疏度指标(EWCS),并以此筛选VMD分解的有效本征模态函数(IMF);最后，使用GWO优化CNN参数，并采用2层卷积模块的CNN进行识别分类.基于所提方法，对滚动轴承4种不同运行状态的样本进行了分类识别，并与其他几种诊断方法进行比较.结果表明，该方法用于滚动轴承故障诊断是可行的，且具有更高的分类准确率.     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于VMD-PWVD的内燃机振动信号时频分析方法

针对Wigner-Ville分布(WVD)在分析多分量信号时交叉干扰项与时频聚集性相互矛盾的问题,提出一种基于变分模态分解的伪魏格纳分布法(VMD-PWVD),以抑制WVD分布中的交叉项。该方法首先对信号进行VMD分解,将信号在频域上进行剖分,得到一组相互独立的具有不同频率的固有模态函数(IMF)分量,然后对每个IMF分量进行PWVD分析,最后把各个IMF分量的PWVD分析结果线性叠加,重构原始信号的时频分布。仿真结果表明,该方法在有效地从频域和时域双向抑制WVD交叉项的同时,又保留了WVD分布法原有的优良特性。将VMD-PWVD应用于内燃机缸盖振动信号的时频分析中,能很好地刻画出不同工况信号的特征信息,各时频分量物理意义明确,是一种有效的时频分析方法。     

基于EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.      

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术。建立了一套较完善的小波包时频分析技术框架体系。给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法。对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究。应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小波包时频分析仪,能实现任意信号的小波包分解和显示。最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质。     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术.建立了一套较完善的小波包时频分析技术框架体系.给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法.对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究.应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小渡包时频分析仪.能实现任意信号的小波包分解和显示.最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质.     

小波变换时频特性的信号识别

研究了小波变换时频特性的信号识别及其在复合材料损伤检测中的应用．根据小波变换的框架重构理论及时频相空间理论,提取信号的时频域特征,通过比较原信号的时频空间和小波变换相空间的相同部分,得到能反映同样时频特征的小波级数展开项和的个数,并用误差函数的最小化提取能反映时频性质的小波系数．以此作为小波神经网络的学习参数,经过学习后,使之能对信号进行识别．应用此方法对复合材料试验过程中的复杂曲线进行了实验识别,效果很好．从小波时频特性提取的信号特征,在时间和频率方面都能体现原信号所包括的本质信息,供助Ｂ样条小波神经网络的识别结果,达到了预期目的．     

基于时间多重同步挤压W变换的高精度轴承故障诊断

状态监测（condition monitoring, CM）信号中的脉冲特征通常意味着旋转机器中存在缺陷。为了准确捕获CM信号中的脉冲分量,提出了一种高精度的时间多重同步挤压W变换（TMSSWT）用于提高CM信号的时频聚焦性能。该算法首先利用W变换（WT）获取信号的时频表征结果,然后在时频域上构建估计信号真实群延迟（group delay, GD）的时频后处理表征算子——“挤压算子”,从而对原始W变换得到的时频谱能量进行“挤压”操作;其次,利用不动点的迭代算法将时频能量重新排列至信号真实的GD脊线上;最后利用信号重构的脉冲特征提取算法,计算时频包络,对TMSSWT获得的时频谱提取最强振幅对应频率的脉冲特性,通过对比脉冲特性的时间间隔识别轴承故障。模拟信号结果很好地证实了该方法可以有效地提高时频能量聚焦性,以期在实际故障诊断应用中可以准确地捕获脉冲特征,更好的识别与诊断轴承机械故障。     

独立分量分析联合小波变换的多分量信号调制识别研究

对复杂电磁环境下多分量信号进行调制识别,可通过准确估计接收信号的瞬时频率来分析其脉内细微特征。本文联合独立分量分析和小波变换技术,对多分量辐射源信号进行了盲源分离和调制识别的研究。在无先验信息条件下,采用Fast ICA对混叠信号分离,将时频混叠信号分解成一系列独立分量。对分离后的单分量信号分别做小波变换处理,由小波系数的局部模极大值提取其小波脊线。针对不同调制类型雷达信号,用最小二乘法对时频小波脊线进行直线拟合,获取特征参数,通过计算特征值判决出信号的调制类型。通过仿真实验表明,该方法可以分离混叠信号并有效提取信号小波脊和瞬时频率,进而识别出信号的调制类型,并在低信噪比情况下仍有较高的识别概率。     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

云相似度测量的变分模态分解去噪方法

为区分VMD( Variational Mode Decomposition) 分解后高低频段模态分量,提高VMD 算法的去噪效果, 提出一种基于云相似度测量的VMD 去噪方法。首先,对信号进行VMD 分解,通过计算各个模态分量与信号之 间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量 进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD 去噪法和基于互信息的VMD 去噪 法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28． 214 1 dB,均方误差相对较低,为 6． 12 × 104 ,验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性。     

一种基于小波的数字调制信号识别算法

小波包变换理论上可以实现信号频带的均匀划分，从而更好地提取信号的时频特征.作者首先介绍了卷积型小波包算法，然后分析了三种主要的数字调制信号的小波变换特征，提出了一种基于小波的数字调制信号识别算法，仿真结果表明该算法能够识别典型的数字调制信号，而且具有较好的抗噪声性能.     

基于应变信号时频分析与 CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.     

SG-VMD-SVD的信号去噪方法研究

油气管道信号泄漏检测易受噪声影响,因此去噪成了关键问题.为了提高对油气管道信号的去噪效果,提出了一种基于Savitzky-Golay平滑滤波、变分模态分解(VMD: Variational Mode Decomposition)和频域奇异值分解(SVD:Singular Value Decomposition)去噪相结合的油气管道信号的联合去噪方法.首先,针对泄漏信号在时域利用SG平滑滤波降噪,去除尖脉冲、高频成分等噪声,提高输入信号的信噪比;将滤波后的信号利用VMD分解,通过计算各个本征模态分量(IMF: Intrinsic Mode Function)与信号之间的曼哈顿距离,从而区分信号分量与噪声分量,对噪声分量进行频域奇异值(SVD)去噪,最后将滤波后的分量与信号分量进行重构,得到最终降噪后的信号.通过仿真和实际实验表明,该方法与单一VMD法、VMD-小波变换、SG-VMD-时域SVD去噪方法相比,去噪后所得信号信噪比相对较高,并验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性.     

基于多重匹配同步压缩变换的充电机电压扰动分析

为了提高电力系统的安全性和稳定性,解决传统时频变换方法在电能扰动分析中不能准确分离提取扰动信号的缺陷,提出一种基于多重匹配同步压缩变换（Multiple Matching Synchrosqueezing Transform,MMSST）的电能扰动分析方法. 首先,利用MMSST将含扰动的信号分解为一组本征模态函数分量（Intrinsic Mode Functions,IMF）;然后,对每个IMF分量进行希尔伯特变换（Hilbert Transform, HT）,从而获得各个分量的瞬时频率和瞬时幅值,实现扰动信号的检测与分类. 仿真和实测实验结果表明,与经验模态分解（Empirical Mode Decomposition, EMD）算法相比,MMSST可以准确地分离提取电压扰动信号中的各个扰动分量,可以实现各个扰动分量的瞬时频率和幅值的准确提取,并且具有较强的鲁棒性.