旋转机械故障诊断的时频分析方法比较

旋转机械故障振动信号具有非平稳的特性,传统的傅里叶变换方法难以满足分析非平稳信号的要求,时频分析是非平稳信号分析的有力工具。以滚动轴承外圈故障信号为研究对象,对比分析研究了几种时频分析方法如STFT、Wigner-Ville分布、小波变换和Hilbert-Huang变换。结果表明:Hilbert-Huang变换能够更加清晰、准确给出故障信号时频分布,分析效果优于STFT、Wigner-Ville分布、小波分析(WT)。     

基于S变换的自适应降噪方法

简要介绍S变换后的时频特征,提出一种新的基于S变换的自适应信号降噪方法.利用于S变换高质量的时频分布,在时频平面中设计自适应时频滤波器,用于非平稳信号中信号分量的提取,展示该方法在信号噪声抑噪和提高信噪比方面取得了满意的效果.在信号模型的仿真试验与齿轮箱的齿轮故障诊断中,显示该方法在信号提取和压制噪声的效果,且滤波后信噪比有较大提高.结果表明,该方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高齿轮故障诊断的准确性.     

基于EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

时频表达在心音研究中的应用

心音是一种非平稳信号，用时频分析方法可以获得这种信号的一些重要的特征,为此提出了不同时频表达在心音研究中的几个性能指标：频谱的聚集度，时间包络的覆盖率、均方误差和规则性.基于这些指标比较了心音信号的短时傅立叶变换、连续小波变换、S变换、Wigner-Ville分布等时频表达的性能，并给出了具体应用的例子．     

基于广义S变换的信号提取与抑噪

S变换结合了短时傅里叶变换和小波变换的优点,是非平稳信号时频分析的有力工具.为了提高S变换在应用中的实用性和灵活性,该文将S变换改造成时频分辨率可调的广义S变换.广义S变换具有多分辨率特性,利用其高质量的时频分布,在时频域中设计了两种时频滤波器.前者用来实现非平稳信号中特定信号分量的提取,也可滤除处于特定时频平面中的噪声;后者直接应用广义S变换的时频谱实现,用于含高斯白噪声信号的滤波,达到了突出有效信号和压制噪声的效果.几种信号模型的仿真试验显示了它们在信号提取和抑制噪声中应用的有效性.     

小波分析与应用综述

小波分析是在傅立叶变换的基础上发展起来的一种时频分析方法。作为一种新的变换域信号处理方法．小波变换尤其擅长处理在非平稳信号的分析。目前,这种分析方法已经广泛应用于信号处理、图像处理、量子场论、分形理论等领域。     

时频相关匹配法在信号提纯中的应用

非平稳信号与噪声之间存在较强的时频耦合,这使得经典的消噪方法难以实现信噪的有效分离。在分析短时傅里叶变换(STFT)、Wigner〖XC半字线.tif,JZ〗Ville时频分布(WVD)、Chirplet时频变换三大时频变换方法的理论基础上,提出了一种采用时频相关匹配进行非平稳信号噪声抑制的算法。该算法将信号的WVD作为模版与STFT能量谱分布互相关处理,得到无交叉项干扰且具有较高时频分辨率的信号时频二维谱(简称为自谱窗WVD)。采用二维最小二乘拟合方法将被分析信号中的有用成分匹配成Chirplet基函数     

小波-傅立叶变换综合法的车桥耦合振动分析

将小波变换与傅立叶变换相结合,提出一种处理非平稳信号的新方法小波-傅立叶变换综合法。并用于分析不同车速下桥梁跨中挠度的动力响应曲线,得到完整的时频信息。分析结果表明了该小波-傅立叶变换综合法在非平稳信号时频分析领域有良好的应用效果。     

基于S变换的内燃机噪声信号时频特性

简述了S变换的基本原理,设计了仿真试验,对比分析短时Fourier变换与S变换的时频分析和信号检测能力.结果表明,S变换是一种更加有效的非稳态信号时频分析方法.以某六缸发动机为研究对象,采集机体前端和顶部噪声信号.采用S变换对噪声信号进行时频分析,分析信号能量在时频域内的分布规律及其频率成分随时间的变化情况,结合发动机的结构特点,分析噪声信号中比较突出的频率成分产生原因.S变换比较适合于发动机噪声信号时频特性研究,研究结果对发动机低噪声改进设计具有一定的参考价值.     

基于广义S变换的沉积旋回分析方法研究

传统时频分析方法(如傅立叶变换、短时傅立叶变换、小波变换、S变换等)的时频分辨性均不佳,在实际应用中受到一些限制,难以满足高精度时频分析要求.广义S变换,引入λ和p两个参数对S变换进行了扩展,其时频分析效果得到较大提高.对广义S变换方法原理进行了深入研究,编写了广义S变换时频分析程序.通过非平稳线性调频信号和4种典型沉积旋回模型分析,证实了广义S变换的可靠性及优越性.最后,将该方法推广到实际地震资料沉积旋回分析中,取得了良好的效果.     

基于快速离散正交S变换的电能质量扰动检测方法

提出了一种快速实现离散正交S变换的方法;并将此方法应用于检测电能质量扰动信号的起止时刻。离散正交S变换(DOST)是一种冗余度小的变换,然而利用基函数方法计算DOST的算法复杂度相对较高。为了降低算法复杂度、提高计算效率,根据DOST系数矩阵的特点,先对其进行分块处理,再利用FFT的优势,得到快速离散正交S变换(FDOST);并给出其计算复杂度的证明。将得到的FDOST系数按时频规律排列成矩阵,通过对矩阵的分析,检测扰动信号起止时刻。通过对实验数据和真实故障录波数据的分析,验证了算法的有效性和实用性。     

基于小波分析的轴承故障诊断研究

提出了基于正交变换的滚动轴承故障诊断新方法。利用正交小波基将滚动轴承故障信号变换到时间 -频率域 ,通过小波重构信号的希尔波特变换解调和包络谱分析 ,对轴承的故障进行了有效的诊断。文中实例证明 ,小波变换对处理非平稳信号具有很好的应用效果     

基于GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

基于S-变换的水文时间序列演变特征研究

水文时序的多时间尺度分析对深入认识流域水文系统的演变特征及中长期水文预报有重要意义,但目前常用的短时Fourier分析,小波变换以及H ilbert-Huang变换等方法均有各自的不足之处.文中尝试运用现代时频分析工具S变换对于桥水库1956—2000年的年入库流量时序进行了时频分析,得到了该水文序列频谱在时-频平面上的三维分布图,它清晰地显示了该时间序列在不同时段内的多时间尺度演变特征.然后通过分析频谱图的拓扑结构,总结了于桥水库年径流量演变过程的关键特征.结果表明,S变换克服了小波变换或Huang变换(EMD)会因分解层数确定的主观性而可能产生的混频现象,这使它在水文时间序列多时间尺度分析及其特征提取方面有着广泛的应用前景.     

基于局域均值分解的轧制力响应频率提取

在轧制生产过程中,轧制力信号是用于轧件厚度控制的基本信号,该信号包含有大量其他信息,这些信息主要通过频率和幅值表示,其中频率信息也反映了轧机在轧制力传感器安装点处的综合响应。采用局域均值分解(LMD)时频分析的方法,先将频率信息的实测信号进行LMD分解,再利用希尔伯特变换求取各个乘积函数(PF)分量的瞬时频率,最后通过对多组轧制力传感器实测数据的求解得到该综合响应中各频率的大小。利用这一方法,对某厂1700mm五机架冷连轧四辊轧机第一机架的多卷轧制力传感器数据的频率信息进行提取,得到其响应的基频为8.5Hz,三倍频为25.5Hz。     

基于稀疏自适应S变换的储层流体流度计算

反射地震数据中的低频信息包含了丰富的与流体流度相关的信息,据此可以从中提取相关储层的流体流度属性,从而可以利用地震数据的低频信息识别流体。因此,为了提高分辨率以及工作效率,将稀疏自适应S变换引入储层流体流度的计算,该方法开发了基于稀疏性的窗参数优化,以用于自适应地调控对不同频率分量的窗函数,应用该方法计算时频谱信息并求取流度可得到较高的分辨率和能量聚集性,此外也省去了参数调节的步骤。相较于常规的时频分析方法,该方法在具有较高分辨率的同时,克服了测不准原理对信号可分辨的限制。因其对不同的频率分量都自适应地获取最优窗参数,通过仿真信号,合成楔形记录试算,稀疏自适应S变换有更高的分辨率和能量聚集性。实际地震数据的试验表明,稀疏自适应S变换可有效地求取流体流度,并较常规时频方法所求流度有更高的分辨率。     

基于反褶积广义S变换的地震频谱成像方法研究

当薄互层较发育时,利用地震资料对储层的含油气性进行预测存在较大的困难。因此,发展高精度的时频分析方法并将其应用于储层内的烃类检测具有重要意义。提出了基于反褶积广义S变换的新时频分析方法;该方法将信号的广义S变换谱与窗函数Wigner-Ville分布进行二维反褶积,可得到信号Wigner-Ville分布。通过数值模拟结果可知,该方法与传统的时频分析方法相比,不仅克服了传统时频方法采用固定时窗分析信号的局限,并且具有更高的时频分辨率。三维实际资料处理结果表明,相对于传统时频方法,该方法适用于非平稳的地震信号分析;在薄储层预测方面更具优势,进行烃类检测的可靠性也较高。     

基于TVAR-HMM的滚动轴承故障诊断

针对工况条件下轴承故障振动信号的非平稳特性,分析时变自回归与隐马尔科夫模型的特点,提出了一种基于时变自回归和隐马尔科夫模型的滚动轴承故障诊断方法.振动信号经时变自回归建模后,得到时频分辨率较高、无交叉干扰项的时频谱,基于能量法对时频谱进行特征提取,然后利用隐马尔科夫模型对故障特征统计分类,实现对轴承故障的诊断.轴承信号分析表明,TVAR建模可以有效地提取信号中的故障特征,结合隐马尔科夫模型的动态统计特性可智能识别轴承故障类型,得到良好的诊断效果.     

S变换的火车车轮扁疤信号检测

为准确、快速检测车轮扁疤以保障列车行车安全,针对振动加速度传感器采集的车轮扁疤信号持续时间短、突变快的特点,采用短时能量判决和S变换时频分析方法相结合的算法对含有扁疤的振动信号进行检测定位。对典型扁疤信号进行频谱分析发现扁疤信号主要集中在2500Hz以下的频带范围内。通过对低通滤波后的振动信号进行短时能量判决筛选出扁疤可能存在的数据段,经S变换后,信号的突变特性表现明显,可以确定扁疤的起振时间。MATLAB仿真证明：该算法能够准确地对扁疤信号进行检测定位,并较其他方法步骤更简洁、定位更准确。