齿轮箱升降速过程阶次倒谱故障诊断方法研究

齿轮箱升降速过程中的振动信号包含有重要的参考信息,研究该过程中的振动信号,有助于识别齿轮箱的故障.将常规的倒谱分析技术与阶次分析相结合,提出了阶次倒谱的齿轮箱故障诊断方法.首先利用重采样技术,将时域非平稳信号转化为角域平稳信号,最后对角域重采样信号进行倒阶次谱分析,就可提取齿轮的故障特征.实验分析结果表明该方法能有效地识别齿轮的故障类型.图8,表1,参8.     

一种新的谱分析方法——转谱分析

由于转速的随机波动,旋转机械振动信号是一类非平稳的信号,所以以平稳信号为分析对象的传统的谱分析技术在此类信号面前显得无能为力.在分析国内外有关阶比分析的文献资料的基础上,简单总结了阶比分析方法的基本理论,列举了常见的阶比采样方法,并指出了阶比分析方法的不足之处,提出了一种新的针对旋转机械转速波动下的周期平稳角域信号的分析方法--转谱分析.     

基于阶次双谱分析的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点，将双谱分析技术与阶次谱分析相结合，提出了阶次双谱的齿轮箱故障诊断方法．首先对齿轮箱升降速瞬态振动信号进行时域等时间间隔采样，再对时域信号实行等角度间隔重采样，转化为角域平稳信号，最后对角域重采样信号进行双谱分析，就可提取齿轮的故障特征．通过对齿轮齿根裂纹故障实验信号的分析，表明阶次双谱分析能有效地诊断齿轮的裂纹故障．     

齿轮箱起动过程阶次倒双谱故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的齿轮箱故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障实验信号的分析,表明阶次倒双谱分析能有效地诊断齿轮的裂纹故障.     

基于阶次跟踪和经验模式分解的齿轮故障诊断

提出了一种研究旋转机械瞬态信号的分析方法.对齿轮箱加速时测得的原始振动信号进行角域重采样,并对角域里的信号进行经验模式分解(EMD)得到多个固有模式函数(IMF),最后对包含齿轮故障信息的IMF分量进行阶次谱分析.结果表明,阶次跟踪技术能够有效地避免传统频谱方法所无法解决的频率模糊现象,EMD方法能够提取包含故障信息的IMF分量,将两种方法相结合是对传统的频谱分析法的有力补充,具有很广阔的应用前景.     

非平稳信号实时谱分析算法及其FPGA实现

针对传统谱分析仪不具有实时谱检测功能且非平稳瞬态信号分析能力不足的问题,提出一种实时谱分析方法并利用FPGA(field-programmable gate array)平台硬件实现。该方法采用长度逼近平稳信号的观察窗、多相滤波器组、线性调频Z变换(chirp Z transform,CZT)频谱细化算法和谱分析算法实现信号实时谱分析。根据系统时延分析和用户输入参数对FPGA各模块时钟频率与运算参数进行配置。仿真结果表明,该方法克服了传统基于快速傅里叶变换(fast fourier transform, FFT)算法全景谱分析和短时傅里叶变换时频相互制约的缺陷;对于平稳信号频率测量误差小于0.6%和功率误差小于4.5%,系统最大时延小于37 μs;对于长度为32.768 μs的非平稳信号最大时间测量误差和频率测量误差分别为0.836 μs和94 kHz。该设计除有22.558 μs的初始计算延时外,对连续数据处理具有实时性能。     

三种时频分析方法在心音信号分析中的应用

文章介绍了一种新的时频分析方法—— Hilbert谱分析 ,并将其应用到心音信号的时频分析中 ,分析对比了短时 Fourier变换 ,小波分析和 Hilbert谱分析这三种方法在处理心音信号时的性能差异 .传统的基于 Fourier的方法不能有效的分析非平稳信号 .文章分析证明了这种新方法在分析像心音信号这种非平稳信号的有效性 ,它能对信号的时频分布做出比短时 Fourier变换和小波分析更为精确的描述 .用这种方法 ,我们能提取心音信号中频率变化的信息 .     

基于SVD差分谱和IMF能量谱的改进HHT方法

针对随机噪声和虚假IMF会导致改进HHT中EEMD分解质量下降和Hilbert谱混乱,提出了一种基于SVD差分谱降噪预处理和IMF能量谱剔除虚假分量的改进HHT.该方法首先对原始信号进行SVD降噪,通过基本不等式原理来确定相空间重组的最佳Hankel矩阵结构,利用奇异值差分谱来确定有效奇异值的阶次;然后对消噪的信号进行EEMD分解,通过IMF能量谱来去除虚假分量;最后对主IMF进行Hilbert谱分析.仿真和实验结果表明,SVD能提高信噪比,抑制噪声对EEMD分解精度的干扰;能量谱能有效地消除虚假IMF对Hilbert谱分析的影响;Hilbert谱中各频率成分清晰,解决了随机噪声和虚假分量对传统改进HHT的不良影响.     

实验动物兔子心电图奇异性检测:进化谱方法

基于小波变换的进化谱分析能够揭示非平稳信号特定时刻的时一频域特性.实验动物兔子左冠状动脉前降支结扎实验,可以模拟早期心肌缺血症状的不同生理变化过程.左冠状动脉病变引发心肌缺血是急性心肌梗死等冠心病的早期主要征兆.文中提出了基于连续复小波变换的进化谱估计算法,在满足时一频域不确定性原理条件下,为获得非平稳信号的瞬时频谱提供了一种有效的新方法,它能够识别生命系统数据中的局部奇异性.应用这种算法对实验动物兔子的多种心电图数据的进化谱分析结果表明,QRS波群进化谱特性的变化与早期心肌缺血有内在关联.QRs波群进化谱品质因数Q是心电图在时一频域的一个特征参数,Q数值变异可能为识别早期心肌缺血提供一种新的医学诊断参考特征.     

基于等时间采样的阶比切片图研究与应用

对于旋转机械系统中的非平稳故障特征,传统频谱分析会出现"频谱模糊"现象.为了弥补传统频谱分析的不足,并建立故障特征与转速的关系,应用波形重构技术,提出了基于等时间采样的阶比切片图分析方法.通过转子实验台设计典型不对中故障,应用阶比切片图分析方法对采集的不对中故障信号进行分析,结果表明,阶比切片图表征了系统不对中故障的2X,3X倍频及其谐波分量随转速的变化趋势.从而证明此分析方法对非平稳故障特征有一定的识别能力.     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

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。     

非平稳随机激励下线性系统模态识别的小波方法

通过对非平稳随机激励下的线性时不变系统的响应x(t)进行小波变换.利用各级小波系数的正交性,对其中的某些平稳小波系数进行合成,得到满足结构动力学方程的新平稳信号y(b),用其代替原始的结构响应x(t),结合其他各种平稳随机激励下的模态识别的方法,进行非平稳随机激励下系统参数的识别.仿真结果表明,该方法可以在一定程度上消除非平稳随机激励所引起的响应信号的非平稳性.     

Wigner分布在非平稳声场分析中的应用

与基于信号平稳性假设的传统傅里叶分析方法相比，Ｗｉｇｎｅｒ分布是一种可用于非平稳信号分析的联合时－频谱。然而，在多分量信号分析的情况下，交互干扰污染了ＷＤ，使其难以作出物理解释，本文讨论了如何用局部平滑ＷＤ和Ｃｈｏｉ－Ｗｉｌｌｉａｍｓ分布去除交互干扰项，在对多种型式信号仿真的基础上，使用ＷＤ分析来自机器的瞬态声信号以抽取非平稳性特征，分析结果表明，ＷＤ谱是十分有效的。     

基于改进循环谱的直扩信号检测方法研究

基于循环谱理论,根据直扩信号与平稳噪声具有不同的谱相关特性,可对直扩信号进行检测,分析循环谱包络在循环频域——谱频域上的分布,能实现载频及伪码速率的参数估计。在有限时间条件下,为实现更低信噪比情况下的信号检测,提出了集平均的频域平滑循环周期图的改进算法,避免了多维搜索,并对算法进行抗噪声性能及统计特性分析,理论表明具有进一步的抑制噪声水平。通过计算机仿真,说明了此法能在低信噪比情况下实现参数估计,并分别证明了数据长度及平滑点数对实验数据的影响,验证了理论分析的正确性。     

中子测井问题的有限元模拟

在测井条件下,系统研究了输运方程的Galerkin变分问题的有限元求解过程。提出了对二维、三维测井区域都适用的有限元剖分方法,在中子测井问题的有限元模拟程序中实现了稳态与非稳态问题的统一处理。计算实例验证了该方法的有效性。     

改进的小波阈值去噪法及其在语音信号去噪中的应用

语音信号是一种非平稳的时变信号,利用小波对非平稳信号处理具有明显的优势。小波阈值去噪算法因其算法简单,计算量小而广泛应用于信号去噪。但是硬阈值函数易造成信号振荡,软阈值函数引入固定偏移从而造成高频信息丢失。基于上述两种方法的不足,提出了一种改进的阈值函数并且对该函数引入的可变参数进行了自适应确定。仿真结果表明该方法在可以有效去除噪声的同时,减少了信号振荡,保留了信号高频成分即保留了信号尖峰点信息,改善了语音质量。