基于故障敏感分量和改进K近邻分类器的故障状态识别

针对故障状态下的滚动轴承振动信号非线性非平稳性强、噪声干扰大导致的故障敏感特征提取难的问题,在对轴承振动信号进行局域均值分解（local mean decomposition,LMD）的基础上,提出了一种基于故障敏感分量的特征提取与改进K近邻分类器（K-nearest neighbor classifier,KNNC）的故障状态辨识方法。该方法采用相关系数法对LMD分解出的振动分量进行故障敏感性的量化表征,然后对筛选出的信号分量进行时域/频域的特征提取,构建不同故障状态下的特征样本集。为加快故障状态识别速度,排除不良样本的影响,提出一种基于二分K均值聚类的改进KNNC算法,精简了大容量的训练样本,有效去除不良特征样本和干扰点。实验结果表明,以敏感分量特征作为输入的改进KNNC算法能够快速准确地识别轴承不同故障状态。     

基于全相位谱线插值的电力谐波检测方法研究

传统基于FFT的谐波检测方法在非同步采样或非整周期截断情况下会产生严重的频谱泄漏,为抑制频谱泄漏对谐波检测精度的影响,提出基于全相位谱线插值的电力谐波检测新方法.该方法使用全相位谱实际频点附近的三根离散谱线获得频率和幅值校正量,并利用离散全相位谱峰值谱线相位即为对应的实际频率相位的特点,无需另加校正即可实现较高的相位精度.利用全相位谱旁谱线相对于主谱线按平方衰减的特性,并结合旁瓣衰减速度快的Nuttall四项五阶余弦窗,可有效抑制基于FFT谱线插值算法相邻谐波成分的相互干扰,提高谐波检测精度.通过与三谱线插值法和全相位时移相位差法的仿真对比实验,结果表明文中提出的算法具有更好的谐波检测精度.