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.     

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.     

基于ITD与改进MCKD的滚动轴承故障诊断方法

为研究滚动轴承早期微弱故障特征提取以及最大相关峭度解卷积(MCKD)的参数对诊断效果的影响,提出了一种基于固有时间尺度分解(ITD)与改进最大相关峭度解卷积(IMCKD)相结合的轴承早期微弱故障诊断方法(ITD-IMCKD).首先,运用ITD算法对故障信号进行分解,按峭度相关系数准则重构信号;其次,利用灰狼优化(GWO...     

基于MHSI-MCKD的滚动轴承故障特征提取方法

为了解决滚动轴承的故障信号因受噪声干扰而导致故障特征提取困难,以及最大相关峭度解卷积(MCKD)的解卷积周期T、移位数M和滤波器长度L需要依赖人为主观经验选取的问题,提出了一种基于改进的谐波显著性指标(MHSI)与MCKD相结合的滚动轴承故障特征提取方法(MHSI-MCKD)。首先,提出了一种改进的谐波显著性指标(MHSI)作为评价MCKD降噪效果的依据;其次,以MHSI为适应度函数,采用步长搜索法得到MCKD的最优参数组合;最后,利用参数优化的MCKD对滚动轴承的故障信号进行降噪处理,并通过Hilbert包络谱获取滚动轴承的故障特征。在仿真和实验分析中,利用MHSI-MCKD方法实现了对MCKD关键参数的自适应寻优,增强了信号中故障特征的显著程度,提取出了滚动轴承内外圈的故障特征。仿真及实验结果表明,所提MHSI-MCKD方法可用于提取滚动轴承的故障特征。     

基于语音抑制的飞机识别研究

为研究短波语音通信下的飞机识别,提出利用2种方式对目标声信号进行分析处理.为实现对语音进行抑制,分别利用全局经验模态分解(EEMD)和经验模态分解(EMD)将信号进行重构,然后根据重构后的目标信号进行Bark域频率感知的小波包分解(BWPD)和高阶累积量(HOC)分解,对目标声信号分别提取了听觉感知的特征和展现信号的物理特性的特征;分别利用EEMD和EMD分解对信号进行重构,然后选择Mel 频率倒谱系数和高阶累积量对重构后的信号进行特征提取.对比实验表明:EEMD-BWPD-HOC方法能够抽取出有效的飞机舱内背景声音信号特征,实现语音抑制,并且以较高的识别率识别出4种飞机.     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

基于LCD分解的微震信号分析与识别

 针对矿山微震监测信号识别难,识别速度慢的问题,引入新的非平稳信号的分析方法--局部特征尺度分解法（LCD）,该方法可以自适应地将一个复杂的信号分解为若干个瞬时频率具有物理意义的内禀尺度分量（ISC）之和。与传统的经验模态分解（EMD）相比,LCD 计算的效率更高,并能更好地抑制端点效应。分别对矿山典型的岩石破裂微震信号和爆破振动信号进行LCD,结果表明,2种信号均得到了有效的分解。对各ISC作频谱分析表明,2种信号在频率分布上存在较大差异。对各ISC作Hilbert变换,得到的能量分析结果表明,2种信号在能量分布上也存在较大差异。该方法为快速、准确地识别微震信号提供了新的途径。     

强噪源干扰下的滚动轴承复合故障分离方法研究

针对强背景噪声干扰下的轴承复合故障难以准确分离提取,噪声与复合故障各成分间相互影响容易造成误诊或漏诊的问题,提出基于变分模态分解(VMD)及最大相关峭度解卷积(MCKD)的复合故障分离方法。首先对复合故障信号进行变分模态分解并根据峭度及相关系数准则重构信号作为前置滤噪处理,然后选取合理的滤波器长度及解卷积周期对重构信号进行最大相关峭度解卷积运算以实现故障特征分离,并结合1.5维能量谱强化信号瞬时冲击特征的优点,准确实现复合故障诊断,最后通过噪源干扰下的外圈、内圈复合故障实测信号分析验证该方法的有效性。研究结果表明:VMD方法能够有效滤除噪声干扰,且其滤噪效果比集合经验模态分解(EEMD)方法的滤噪效果好;MCKD方法能够将外圈、内圈故障分离,避免复合故障各成分间的相互干扰;1.5维能量谱能够强化谱图中的瞬时冲击特征。     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。