基于EMD和LMS自适应形态滤波的滚动轴承故障诊断

针对铁道车辆走行部的滚动轴承故障特征,其故障信号通常被调制到高频,且还有大量噪声,提出了一种EMD(EmpiricalMode Decomposition)分解和基于LMS(least mean square)算法的自适应广义形态学滤波相结合的方法。先采用EMD分解得到高频信号,将低频干扰和噪声相分离;再使用LMS算法的形态学滤波和闭运算的方法进行形态解调。最后对其进行频谱分析,提取出故障特征。通过仿真实验和实例表明该方法能够有效的消除大量噪声和低频干扰,提取出滚动轴承故障特征。该方法计算速度快,易于实现,具有较好的实用价值。     

基于分数傅里叶变换的信号检测方法

作为Fourier变换的一种广义形式,分数阶傅里叶变换(FRFT)同时融合了信号在时域和频域的信息,是一种新的时频分析方法。研究了FRFT计算分解方法,由于线性调频(LFM)信号在FRFT域呈现的冲激特性,以此实现LFM信号的检测。实验结果表明,该方法对LFM信号的检测是有效的。     

基于扫频滤波器线性调频信号的滤波算法

研究了白噪声环境下线性调频信号的自适应滤波问题.提出一种线性调频信号(LFM)自适应滤波算法.该算法利用分数阶傅里叶变换将LFM信号转化为正弦信号,在分数阶傅里叶域进行自适应滤波,利用分数阶傅里叶反变换得到滤波后的时域信号.分数阶的滤波器可以使用扫频滤波器替代.性能分析表明,该算法的滤波效果取决于自适应滤波器的效果,在使用最下均方(LMS)算法时,步长的选取决定了滤波器的性能,在实际应用中必须按需选取.仿真表明该算法效果明显,计算方便.     

基于FrFT的最优平滑伪Wigner—Ville分布

分数阶傅里叶变换具有旋转性、时移特性、频移特性等重要数学性质,将其结合广义时频带宽积准则,可设计出平滑伪Wigner — Ville分布(SPWVD)的最优时域窗函数,该窗函数能根据实际处理信号自适应地变化,从而提高SPWVD的精度.为了验证所设计窗函数的有效性,本文使用调频信号进行测试,仿真结果显示,该窗函数能有效提高传统SPWVD的精度.     

分数阶傅里叶变换在Chirp调制信号中的应用

利用分数阶傅里叶变换离散算法的定义和量纲归一化原理,分析了一种将连续FRFT直接离散化的算法,并对该算法在处理Chirp信号中存在的不足进行了改进,简化了该算法的计算量.研究了基于FRFT的Chirp信号的解调过程,确定了能量聚集的最优分数阶阶次.     

基于Radon-Ambiguity变换和分数阶傅里叶变换的chirp信号检测及多参数估计

研究噪声环境中chirp信号的检测以及多参数估计问题．分析和比较了Radon-Wigner变换(RWT)法、Radon-Ambiguity变换(RAT)法和分数阶傅里叶变换(FRFT)扫描法的优缺点．提出了一种基于RAT和FRFT的新算法，并提出了幅度估计的一种适合于计算的表达式．最后通过计算机仿真验证了该方法的有效性．这种方法与RWT法和FRFT扫描法相比，将chirp信号的检测问题变为一维搜索问题，简化了计算，与单纯的RAT法相比，有效地解决了chitp信号的初始频率和幅度的估计问题．因此，适合于对chirp信号多参数联合估计．     

一种空间域和分数阶傅里叶变换域相结合的数字水印算法

数字水印技术与信息安全、信息隐藏、数据加密等均有密切的关系,本文分析了数字水印的特点,讨论了利用不对称分数阶傅立叶变换来实现图像加密,提出一种空间域和分数阶傅里叶变换域相结合的水印算法,对于实际应用中的水印有重要的指导意义。     

基于分数阶傅里叶变换的时延和频率偏移联合估计方法

针对传统相关运算对时延和频移进行联合估计计算复杂度高的缺陷,提出一种基于分数阶傅里叶变换的时延和频移联合估计方法.该方法利用信号的时延和频偏变换到分数域表现为分数域谱位置的平移特性,通过在不同的分数域利用最小均方误差准则来获得分数域谱位置的偏移量来进行联合估计.该方法不局限于仅适用于Chirp信号,对其它类型的信号同样适用.且与传统相关估计法相比,具有简洁、高效的特点.计算机仿真结果表明,该方法是有效的.     

基于短时分数阶傅里叶变换的异步电机转子断条故障诊断

分析了异步电机在启动、稳态、失电三种运行状态下的转子断条故障情况,根据电机启动过程中故障特征频率的特点,提出一种基于短时分数阶傅里叶变换(STFrFT)的转子故障诊断方法。采用STFrFT对定子启动电流信号进行时频分析,解决了故障信号和工频信号难以分离、不易提取的问题。实验结果表明,该方法不仅能有效检测出故障信号,而且能反映出故障特征频率的变化趋势。     

基于反双曲正切函数的变步长LMS算法

针对定步长的LMS算法无法同时满足低稳态误差和快收敛速度这个需求,本文提出了一种基于反双曲正切函数的变步长LMS算法. 该算法基于反双曲正切函数构建步长与误差信号之间的非线性函数关系式,以此来替代LMS算法中的定步长,实现了对步长因子的动态调整. 文中详细讨论了新的变步长函数中参数α,β和γ对于算法性能的影响,并和其他几种较新的变步长算法进行了性能比较. 仿真结果表明,所提算法很好地兼顾了收敛速度、稳态误差和跟踪性能,在系统辨识、正弦信号去噪和自适应线性预测方面表现出了优异的性能.      

基于迁移成分分析和词包模型的变工况轴承诊断方法

针对不同工况下的数据无法直接训练并用于检测的问题,提出一种基于迁移成分分析和词包模型的诊断算法,对于用作训练的有标签源域数据和用作检验诊断的无标签目标域数据。首先使用短时傅里叶变换将两者转换为频域数据,其次通过迁移成分分析将两者的频谱能量映射到同一分布以建立相应的词包模型作为数据的特征,最后在源域数据的词包模型上训练出合适的分类器从而进行诊断。在西门子SQI-MFS平台实验数据集、凯斯西储大学公开数据集及机械故障预防技术协会MFPT(machinery failure prevention technology)数据集下的实验结果表明该算法是有效的。     

基于移频技术的短时傅里叶变换阶比分析

提出了一种基于移频技术的短时傅里叶变换阶比分析算法.该算法利用傅里叶变换在频域的卷积性质,对原始信号在时域乘以e-j2πfit使fi的频谱能量搬迁到零频处,按一定的频率间隔改变fi就可以在零频处得到其他频率的频谱能量,以此来提高短时傅里叶变换在时频分析中的频率分辨率.然后在时频面上进行局部阈值降噪,同时跟踪转速的变化,最终应用到变速机械的阶比分析中.与短时傅里叶变换分析结果对比表明,本文方法可以更加准确地跟踪到实际的转速.实际降速过程中轴承信号利用本文方法进行阶比分析,成功提取到轴承的故障特征频率.     

基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。     

基于噪声小波包络谱的主轴承磨损故障诊断

传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率很繁琐,为此,提出了基于噪声和正交小波监测往复式活塞发动机滑动主轴承磨损故障的一种新方法.利用Symlets小波分析将测得的机体噪声信号变换到时频域,得到含有内燃机主轴承间隙磨损状态的时频信息.主轴承磨损故障会使机体噪声信号的高频成分增加,而且高频滤波成分特征与内燃机的冲击过程相对应,所以,需选择合适的高频带加以提取并进行包络谱分析.通过声级计测取了代表主轴承4类间隙磨损程度的噪声信号,发现2个特征频率处的能量对间隙磨损状态比较敏感,均随着磨损量的增加而增加.通过该方法,可利用机体噪声信号监测主轴承的磨损状态.     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。     

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.