基于BFD和MSCNN的风电滚动轴承智能故障诊断

针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(B MF);然后,通过希尔伯特阶次变换(HOT)计算各BMF的包络阶次谱,并根据特征阶次比筛选出分解结果中包含故障信息最多的有效分量.最后,通过MSCNN学习有效分量的包络阶次谱与故障类别之间的映射关系以实现滚动轴承健康状态的自动识别.实验结果表明,所提方法采用BFD分解结果的包络阶次谱作为故障识别的特征量,能有效提高模型在不同工况下的泛化能力,其测试准确率达到97％以上,可应用于变工况条件下风电滚动轴承的智能故障诊断.     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

变工况滚动轴承故障诊断方法研究

旋转机械设备在升降速、电源电压波动、载荷变化等情况下其转速将是非恒速的,将导致旋转设备中的滚动轴承在变速条件下运行,现有滚动轴承故障诊断方法中的共振解调方法在变工况条件下谱图将变得模糊,影响诊断的准确性,甚至无法获取故障特征频率。提出了对共振解调获得的包络信号采用阶比分析的方法,在无需鉴相硬件设备的前提下,提取滚动轴承的故障特征频率,实验结果证明包络信号的阶比谱可以很好地反映鼓掌特征;对精确诊断滚动轴承的故障有实际意义。     

某型涡扇发动机中介轴承微弱故障特征信号提取技术

研究航空发动机在降转速过程中中介轴承微弱故障特征信号的提取技术,提出了一种基于计算阶次分析、三次样条插值分析与包络谱分析相结合的新方法。基于滚动轴承模拟故障实验和航空发动机中介轴承微弱故障实验测得的降速工况下的转速信号和振动信号,首先对转速信号在时域内积分获得角位移-时间信号;再对该信号进行线性插值获得等角度间隔的角位移-时间信号;然后利用该时间序列对振动信号进行三次样条差值获得等角度间隔分布的重采样振动信号;最后对重采样振动信号进行包络分析及快速傅里叶变换获得阶次包络谱。通过两种实验分析表明该方法能有效提取出复杂路径下航空发动机中介轴承微弱故障特征信息。该方法为航空发动机中介轴承微弱故障特征信号提取提供了一种重要手段,具有广泛的应用前景。     

基于包络解调滤波的滚动轴承复合故障诊断

针对在变转速工况下进行滚动轴承复合故障诊断时,由于故障间的相互作用使得多种故障特征混叠在一起,彼此干扰,造成误判﹑漏判等问题,以及时域滤波过程中共振频带参数难以获得这一问题,提出基于包络解调滤波的滚动轴承复合故障诊断方法。首先,使用多项式函数拟合轴承转速,并根据轴承各部分的故障特征频率系数和转速信息计算瞬时故障特征频率(IFCF)趋势线;其次,根据各部分IFCF趋势线的拟合函数,构造解调算法的相位函数,对原始信号经过Hilbert变换得到的包络信号解调;最后,以各部分IFCF拟合函数的初始值为中心频率构造窄带巴特沃斯带通滤波器,对解调信号进行滤波处理,并对滤波后的信号进行快速傅里叶变换(FFT)得到包络解调滤波信号的频谱。研究结果表明:该算法使轴承IFCF的能量集中在初始值的位置,使用巴特沃斯带通滤波器便可以在包络信号中提取解调后的故障信息。该方法既克服了转速变化引起的"频率模糊"现象,又避免了时域滤波中共振频带难以确定的问题。仿真算例和应用实例证明了该算法的有效性。     

基于小波包和EMD的异步电动机轴承的故障诊断方法

异步电动机轴承的故障信号为低频带周期冲击性特征故障数据,呈现非线性特征,倘若对此类特征信息直接做傅里叶变换,会被高频信号调制,使得故障信号严重失真。为此,提出一种新的集有小波包变换、经验模式分解和Hilbert包络谱分析相融合的滚动轴承故障诊断方法,旨在消除高频噪声信号,提升故障诊断效果。利用小波包变换对滚动轴承的振动信号进行降噪,使用经验模式分解把降噪后的故障信号分解成多个有效本征模态分量,并对筛选后的故障信号进行重构处理,最后对重构信号做Hilbert包络谱分析,计算得到滚动轴承故障频率。通过实验及分析,结果表明新方法应用效果良好。     

一种自适应Morlet小波滤波方法及其在滚动轴承早期故障特征提取中的应用

针对滚动轴承早期故障信号微弱,故障特征难以提取的问题,提出了一种基于混洗蛙跳算法(shuffled frog leaping algorithm,SFLA)的自适应Morlet小波滤波方法.首先利用自相关分析去除宽频随机噪声,然后通过SFLA优化Morlet小波的滤波参数,获得在最小信息熵下的中心频率和滤波带宽.由自适应Morlet小波滤波器获得的滤波信号,其中的冲击成分可以很好地被表征.最后对滤波后的信号做包络谱分析即可提取滚动轴承的故障频率.实验表明,自适应Morlet小波滤波方法可以成功地从低信噪比信号中提取出周期冲击特征,对于滚动轴承早期故障振动信号,能够有效地提取冲击特征频率实现滚动轴承早期故障诊断.     

基于阶次分析的无人机挂飞振动正弦分量幅值准确提取技术

传统的快速傅里叶变换分析装备在变转速工况下的振动信号出现"频率模糊"现象,针对此问题提出一种无键相阶次分析方法。首先通过控制系统或其它途径预估转速变化范围,确定窄带滤波频带;然后对信号进行窄带滤波;之后利用Hilbert变换计算滤波后信号的瞬时频率;最后根据瞬时频率对信号进行重采样得到角度域平稳信号,对角度域信号傅里叶变换得到阶次谱。通过信号仿真验证了该阶次分析方法有效、准确,并应用到装备在无人机的挂飞振动信号分析中,用于准确提取变转速工况下振动信号中正弦分量的幅值,为准确制定装备的振动环境试验条件奠定基础。该方法是对阶次分析方法的有效补充,对于相似装备的动力学环境试验条件制定也具有参考和借鉴价值。     

滚动轴承故障振动信号特征与诊断方法

简述了恒转速条件下滚动轴承故障信号共振解调的优点和基本原理,通过实验和理论分析研究了变转速轴承故障振动信号的特点.指出了轴承损伤点冲击信号的非周期性、轴承共振频率随转速变化的变频特性,以及故障信号的双变频调制特性.建立了由变频转速信号为调制信号、变频共振衰减信号为载波的滚动轴承故障模型.给出了阶比循环平稳自相关函数的计算方法.利用循环平稳分析对旋转机械振动信号的解调功能,结合连续隐马尔可夫模型(CHMM)对动态信号的识别能力,提出了一种适用于变转速运转条件下的滚动轴承故障诊断方法,通过实验验证了方法的可行性.     

齿轮噪声干扰及变转速下的滚动轴承故障诊断

齿轮噪声以及变转速运行是干扰滚动轴承故障诊断的常见因素,针对上述两种因素同时对滚动轴承故障诊断的干扰,引入了集合经验模态分解(EEMD)方法以去除轴承信号中的齿轮噪声,将齿轮峰值啮合倍频(IDMM)等效为滚动轴承的瞬时转频,阶比跟踪以去除转速变化对滚动轴承故障诊断的影响,并将此方法命名为基于EEMD和IDMM的滚动轴承故障诊断方法.仿真和实测信号分析证明该方法能有效去除齿轮噪声和转速变化对滚动轴承故障诊断的影响,同时提高故障特征阶比的幅值,节省转速测量装置.     

基于FPGA的车辆振动信号提取方法

为了从车辆复杂噪声背景中实时提取陀螺仪的有效振动信号,在分析弱信号特征提取方法的基础上,针对自适应滤波算法处理相关信号时收敛速度降低的缺点,提出一种适用于FPGA(Field Programmable Gata Array)的自适应步长LMS(Least Mean Square)算法.该算法通过建立步长和误差信号相关值...     

粒子群优化算法在齿轮箱振动信号去噪中的应用

 以振动频谱分析和粒子群优化算法为主要理论依据,以风力涡轮机齿轮箱为例,提出一种基于一维加速搜索算法和粒子群优化的齿轮箱振动信号去噪方法。利用一维加速搜索算法缩减搜索范围,应用粒子群优化算法提升优化效果,对切比雪夫带通滤波器和Morlet小波滤波器的设计参数进行优化,并对齿轮箱故障振动信号进行滤波处理。仿真实验结果表明,此方法能够实现快速有效滤波去噪,适用于齿轮箱实时故障诊断的研究,具有一定的理论研究价值和实践应用价值。     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

过程检测控制系统中的快速自适应滤波

本文分析了LMS噪声抵消法的局限性,在讨论过程检测控制系统中信号和噪声一般模型的基础上,针对强噪声情况提出了一种基于建立相关模型的快速自适应滤波(FAF)。它是利用快速横向滤波(FTF)自适应算法对相关模型进行仿模而实现的。仿真与试验表明,本文所提出的方法较LMS法优越,适于过程检测控制系统采用。     

变步长自适应滤波算法的谐波检测

为提高自适应滤波算法的收敛速度,并降低其稳态误差,建立了LMS算法理论最优步长值与误差信号和输入信号之间的关系,提出了一种新的变步长LMS自适应谐波检测算法。该算法的优点是:根据误差信号的平方时间均值估计来调节步长因子,克服了以往算法在自适应稳态阶段步长调整过程中的不足。即使待检测信号的信噪比较低,检测过程也具有较快的动态响应速度和保持较小的稳态失调噪声。计算机仿真表明,该算法具有更好的收敛精度。     

一种基于自适应模糊滤波的语音增强方法

在语音识别和语者识别中，通常需要先将输入的语音信号进行去噪处理，这样可使识别的正确率大大提高，通常采用基于LMS算法和RLS算法的自适应线性滤波器来进行去噪。提出了一种基于自适应模糊滤波器的语音增强方法，该模糊滤波器是一种非线性滤波器，它在语音信号的特征域空间采用参数映射的方式来滤除噪声，并能够进行自适应结构调整和参数更新。实验结果表明，采用自适应模糊滤波器来滤除噪声比线性滤波器具有更好的效果。     

基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。     

基于分数傅立叶变换的认知无线电抗干扰系统

认知无线电(Cognitive Radio, CR)由于机会式利用空闲频谱,因此当授权用户突然出现或者和其他认知用户发生碰撞时,产生的干扰将会极大的降低认知无线电系统的性能。本文提出了基于分数傅里叶变换(Fractional Fourier Transform, FrFT)的认知无线电抗干扰系统,通过将在分数傅立叶变换域具有能量集中性的Chirp信号作为认知无线电的基带信号,能够在接收端通过特定阶数的分数傅立叶变换域的滤波处理提取有用信号的能量,抑制其他用户的干扰。仿真表明：当干扰为正余弦波时,本文系统要比未采用分数傅里叶变换的系统具有更低的误码率,而且本文系统能够有效地抑制多径干扰和其他多认知用户的干扰。     

基于一种新的S型函数快速凸组合最小均方算法

为解决传统凸组合自适应滤波算法在联合参数迭代计算量大、算法收敛速度慢、跟踪性能差等问题,提出了一种基于一种新的S型函数快速凸组合最小均方(SCLMS)算法;该算法用一种新的S型函数,代替Sigmoid函数,在保证和CLMS算法相同稳态误差情况下,避免了指数运算,减少了计算量;同时也提高了收敛速度和信号的跟踪性能。通过独立高斯白噪声作为输入信号算法仿真、相关噪声作为输入信号算法仿真;以及非平稳环境下算法仿真;并对三种仿真结果进行了分析,验证了该算法性能可靠有效。