一种新的时频分析方法——局部特征尺度分解

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出了一种新的自适应时频分析方法——局部特征尺度分解(Local charac-teristic-scale decomposition,LCD),该方法可以自适应地将一个复杂信号分解为若干个ISC分量之和.分别采用LCD方法和经验模态分解(Empirical mode decomposition,EMD)方法对仿真信号进行了分析,分析结果表明:2种方法都可以有效地对信号进行分解,但LCD方法在计算效率和抑制端点效应等方面要优于EMD方法.此外,还将LCD方法应用于滚动轴承故障诊断,实验信号的分析结果进一步表明了该方法的有效性.     

WVPMCD及其在滚动轴承故障诊断中的应用

多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)分类方法是建立在回归模型为同方差性基础上的,而当模型出现异方差性时,会导致预测精度降低.基于此,本文提出了WVPMCD(WLS-Variable predictive model based class discriminate,简称WVPMCD)方法,即用加权最小二乘法(WLS)代替原方法中的最小二乘法(OLS)进行参数估计,消除异方差性,从而提高了模式识别的精度.采用局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法对滚动轴承振动信号进行分解,提取分量矩阵的奇异值组成故障特征向量作为WVPMCD的输入,并对正常状态、滚动体故障、内圈故障和外圈故障4种不同工作状态和故障类型下的滚动轴承振动信号进行分析,结果表明,在模型存在异方差性时,WVPMCD比原VPMCD具有更好的分类效果和识别率.     

基于局部特征尺度分解的旋转机械故障欠定盲源分离方法研究

针对传统盲源分离方法局限于源信号平稳、非高斯且相互独立,要求观测信号数不少于源信号数的问题,提出了一种基于局部特征尺度分解的旋转机械故障欠定盲源分离方法。采用局部特征尺度分解方法将观测信号分解为若干个内禀尺度分量,相当于对观测信号数进行升维,重组所有内禀尺度分量作为新的观测信号进行盲源分离,该方法不仅能分离非线性、非平稳的旋转机械故障信号,而且也可以解决观测信号数少于源信号数的欠定问题。通过模拟仿真和建立不平衡-碰摩-松动耦合故障的转子试验台进行试验分析,且与传统盲源分离方法进行对比,结果表明了该方法的有效性。     

基于内禀尺度分量的自适应时频分析方法

在定义一种瞬时频率具有物理意义的单分量信号一内禀尺度分量(简称ISC)的基础上,提出一种新的信号自适应时频分析方法-局部特征尺度分解方法(简称LCD).LCD方法可以自适应地将任意一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和.对LCD方法的基本理论进行研究,分别采用LCD方法和经验模态分解(简称EMD)方法对仿真信号进行分析,对比结果表明:LCD方法的有效性及在端点效应、计算时间等方面都优于EMD方法,并且把LCD方法应用于齿轮的实验振动信号分析,LCD方法可以有效地应用于齿轮故障诊断.     

基于LCD-MCKD的滚动轴承故障特征提取方法

鉴于在复杂工况和强背景噪声环境下,滚动轴承的非线性非平稳信号的特征提取非常困难,导致早期故障难以诊断,提出了一种基于局部特征尺度分解(LCD)和最大相关峭度解卷积(MCKD)的故障特征提取方法.首先,利用LCD对信号进行分解,获得一系列瞬时频率具有物理意义的内禀尺度分量(ISC),选取相关系数较大的ISC分量进行重构;然后,利用MCKD方法对重构信号进行处理,增强冲击信号频率,实现降噪;最后,对经LCD-MCKD处理过的信号进行希尔伯特包络谱分析,验证所提方法的有效性.仿真和实验表明该方法能够有效提取故障特征频率,实现故障诊断.     

自适应最稀疏时频分析方法的分解能力研究

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解.为了研究ASTFA的分解能力,在定义分解能力评价指标(Evaluation Index of Decomposition Capacity,EIDC)的基础上,以双谐波分量合成信号模型来研究幅值比、频率比、初始相位差对ASTFA的影响.同时,将ASTFA方法与经验模态分解(Empirical Mode Decomposition,EMD)、局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)进行对比分析.研究结果表明,ASTFA方法的分解能力基本不受幅值比的影响,可分解的极限频率比较大,不受初始相位差的影响,该方法的分解能力具有明显的优越性.     

水下沉底目标回波的小波谱重排时频分析及其匹配检测

在浅海沉底目标主动声探测中,强混响背景下回波有效特征表征是目标分类的基础。根据工程需要讨论了Wigner-Ville,短时傅立叶变换(STFT)和小波重排谱下回波时频特征的提取过程,分析了混响与目标回波的耦合特性。提出构造基于小波尺度谱重排的时频检测器,在时频面实现目标信号和混响分离,以小波重排谱来表征回波,可取得较好的效果,在此基础上设计时频匹配检测器,以达到较好的目标检测性能。湖试数据分析表明小波尺度谱重排联合二维匹配检测器能压抑混响,提高信混比约2dB.     

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。     

经验模态分解的时频分析方法及其应用

研究了经验模态分解与希尔伯特变换相结合提取信号特征参数的方法,并对其性能进行了分析。给出了经验模态分解时频特性分析方法及步骤,并用该方法对瞬态信号特征提取及信号趋势提取进行了研究,仿真实验验证了该方法的可行性和有效性。将经验模态分解时频分析方法应用于信号的趋势提取领域,验证了此时频分析方法的有效性以及反映信号局部时频特征的独特优点。     

基于EEMD-SVD与时域分析的马田系统轴承故障诊断

针对轴承初始故障发生的时间点以及退化趋势,提出了基于总体平均经验模式分解和奇异值分解方法(EEMD-SVD)与时域分析的马田系统故障诊断方法.该方法通过提取振动信号时域和时频特征,构建不同特征参数下的基准空间并利用正交表对特征参数进行降维和优化,最终融合成单一特征参数马氏距离.分别用马氏距离监测轴承运行状态,判断初始故障发生的时刻以及演化趋势,并依据马氏距离对轴承故障发展的过程进行了划分.该方法有效地提取了振动信号时频特征并优化了马田系统基准空间,更加准确地识别了轴承初始故障发生的时间点以及更加合理地划分了轴承的退化过程.通过两组滚动轴承加速寿命试验,验证了该方法的有效性和合理性.     

基于局域波时频分析的机械故障诊断

提出一种新的自适应时频分析方法——局域波法．结合仿真信号与故障检测信号进行分析研究,提出一种新的机械故障诊断方法并将其成功地应用到齿轮箱故障诊断中．振动信号能量在局域波时频分布中的变化,是局域波法诊断齿轮磨损故障的特征．诊断结果表明,局域波时频分析为齿轮磨损故障诊断提供了一种更为有效的手段,在故障诊断工程中具有广泛的应用前景．     

局域波法在船舶柴油机燃油系统故障诊断中应用

局域波时频分析能够从振动信号中提取清晰直观的故障特征。根据该方法的优点，以船舶主机－柴油机的燃油系统漏油故障为例，对柴油机缸盖表面的振动信号应用局域波时频谱进行分析，为柴油机的故障诊断提出一种新的分析方法。     

机车故障诊断的局域均值分解解调方法

为了有效地识别机车走行部的早期故障,提高我国重载机车的运输能力,提出了一种针对机车故障振动信号的局域均值分解(LMD)解调诊断方法.LMD能够将多分量的调制信号自适应地分解成一系列乘积函数分量,分解与解调过程可同步完成.与Hilbert-Huang变换相比,LMD方法不需要通过Hilbert变换求解瞬时频率,从而避免了Hilbert变换加窗效应所带来的解调误差.由于不受Bedrosian和Nuttall定理的限制,不会出现负频率现象,通过滑动平均方法得到信号的局域均值和包络,因此不存在过包络、欠包络和断点效应.通过对实际机车走行部轴承和齿轮振动信号的分析,成功地提取了故障特征,与经验模式分解进行比较的结果说明,采用LMD方法提取尽可能多的有意义的调制分量,不仅避免了Hilbert变换加窗效应所带来的解调误差,而且更适合于多分量调制信号的处理.     

基追踪在齿轮损伤识别中的应用

针对齿轮的振动特点,设计了复合过完备时频字典,利用基追踪方法在匹配信号特征结构、直接提取特征信息方面的优势分析了齿轮箱的现场测试振动信号.根据基追踪分解结果,在时频联合域内提取了齿轮局部损伤的周期性冲击特征,识别了齿轮点蚀缺陷.与短时Fourier变换和小波变换等时频分析方法进行了对比分析,验证了基追踪检测齿轮损伤的有效性.     

用连续小波灰度图诊断齿轮故障

为了识别齿轮振动信号中的冲击性故障,利用连续小波变换对正常和故障齿轮的振动信号进行分析,将不同尺度下连续小波分解系数的绝对值用灰度图的方式表示出来,并利用特征矢量法估计信号功率谱进行验证,准确识别出了齿轮轴的不对中故障。分析结果表明,小波分析对信号具有多尺度分析能力,对振动信号中的冲击成分有很强的识别能力;连续小波变换灰度图不仅能直观反应齿轮的正常与故障状况,而且不会丢失冲击信号的时间信息,有利于寻找故障源,实现对齿轮故障的准确诊断。     

二元样条空间S31(△CT)的局部Lagrange插值

采用B网方法,构造样条函数空间S31（△CT）的一个Lagrange插值点集P,并相应地给出一组具有局部支集的Lagrange基样条,其中△CT为Clough-Tocher加密.     

局部均值分解在刀具故障诊断中的应用

为有效监测刀具磨损状态,提出一种基于局部均值分解的刀具故障诊断方法.将声发射信号自适应地分解为一系列乘积函数,选取包含主要故障信息的前8个乘积函数分量,获得每个乘积函数分量的平均能量,并组成特征向量.分别提取正常切削、中期磨损和严重磨损三种状态下的特征向量,利用频带能量的变化识别刀具磨损特征.实验结果表明,随着刀具的磨损,各乘积函数分量平均能量增加,并且在高频部分增加显著,该方法可以有效应用在刀具故障诊断中.