冲击故障特征提取的非线性流形学习方法

为了提取机械设备故障引发的冲击成分,提出了一种基于非线性流形学习的冲击故障特征自适应提取方法.该方法将反映故障的振动信号重构到高维相空间中,利用局部切空间排列的流形学习方法提取出隐藏其中的低维流形,并基于峭度和偏斜度指标的特点,提出了冲击波形量化的取值策略,实现了高维相空间中局部邻域参数的自适应选取,从而提取出最优的冲击故障特征.通过仿真数据的对比分析和工程应用,表明该方法能够较好地提取出冲击成分信号,与小波软阈值方法相比,提取出的冲击特征成分更完整,周期性更好.     

基于特征波形稀疏匹配的滚动轴承故障模式识别

提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法.该方法通过自行设计的搜索算法从信号中提取多段特征波形,并对其进行学习优化,以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式匹配库上进行一阶匹配分析,实现轴承故障的模式识别.对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验,验证了方法的有效性和鲁棒性.     

高分辨率影像道路提取的整体矩形匹配方法

提出了一种整体矩形匹配方法,对高分辨率遥感影像中的城市直线道路进行提取.方法基于影像特征、道路知识和数学形态学的击中击不中思想,通过改变影像分割阈值、矩形宽度和矩形方向,从矩形的内部和外部进行整体匹配,使得矩形满足最佳匹配原则,从而提取出道路.利用提出的方法对高分辨率卫星影像进行了实验.结果表明:该方法能较好地消除树木、汽车等对道路提取的影响,有效地提取出直线道路的边缘.     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

一种自适应Morlet小波滤波方法及其在滚动轴承早期故障特征提取中的应用

针对滚动轴承早期故障信号微弱,故障特征难以提取的问题,提出了一种基于混洗蛙跳算法(shuffled frog leaping algorithm,SFLA)的自适应Morlet小波滤波方法.首先利用自相关分析去除宽频随机噪声,然后通过SFLA优化Morlet小波的滤波参数,获得在最小信息熵下的中心频率和滤波带宽.由自适应Morlet小波滤波器获得的滤波信号,其中的冲击成分可以很好地被表征.最后对滤波后的信号做包络谱分析即可提取滚动轴承的故障频率.实验表明,自适应Morlet小波滤波方法可以成功地从低信噪比信号中提取出周期冲击特征,对于滚动轴承早期故障振动信号,能够有效地提取冲击特征频率实现滚动轴承早期故障诊断.     

匹配追踪信号分解与往复机械故障特征提取技术研究

提出了一种自适应提取往复机械振动信号冲击特征的信号处理方法,方法的核心是基于特别选定的基元函数将信号展开,在采用匹配追踪算法分解信号时,应用指数衰减正弦波函数作为信号分解的基元函数,能够十分理想地匹配信号中的冲击响应波形,与往复机械振动信号有最好的相似性,往复机械的故障诊断实例证明,利用该方法提取信号中的瞬态冲击响应特征是可行的,研究结果为机械冲击故障的特征提取与诊断提供了一条新途径。     

周期和冲击混合特征信号的自适应波形分解

导出了一种适合于分解机械动态信号的基元函数，它与提出的自适应信号分解方法相结合，能够将机械动态信号分解为正弦波和冲击响应的线性展开，因此不仅可以从信号中提取平稳的周期波形，而且还可以提取非平稳的冲击响应波形，特别是当信号中同时含有2种特征波形时，可以将其分别提取出来。转子冲击实验结果也证明了所推导的基元函数的有效性，并与Gabor基元函数进行了比较，表明应用提出的基元函数能够更有效地提取信号中的冲击响应波形。     

基于交叉验证法优化参数的Morlet小波消噪方法

针对机械监测故障信号的非平稳性特点,提出一种基于交叉验证法优化参数的Morlet小波消噪方法。选择与机械冲击振动波形相似的Morlet小波,对Morlet母小波进行改进,增加了波形调整参数。通过交叉验证方法设计了改进Morlet小波的波形参数和变换尺度。对信号进行连续小波变换(CWT),实现对含噪信号的滤波消噪。将该方法应用于齿轮故障检测中,对比2种传统的小波消噪方法,验证该方法能够提取出强噪声背景下的有效信号特征成分,具有较好的滤波消噪效果。     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.     

经验模式分解在发动机故障特征提取中的应用

针对中高速工况发动机瞬时转速信号波形杂乱、故障特征提取困难的问题,基于经验模式分解(EMD)分析瞬时转速信号、提取故障特征的方法,采用一种"筛"算法,逐次分离具有不同特征时间尺度的信号成分,从揭示信号中内嵌的不同频率的振荡模式;测试了汽油机中速和低速、正常和失火故障时的瞬时转速信号,并进行了EMD分析。结果表明:经验模式分解能够有效地分离发动机中高速工况时瞬时转速信号中存在的高频转速波动,得到经提纯的反映各缸燃爆工况的瞬时转速,从而有效地提取发动机失火故障特征。该方法可以作为发动机故障人工智能诊断的前处理步骤,具有一定的工程应用价值。     

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析（Principal Component Analysis,PCA）和改进的Levenberg—Marguard（LM）神经网络的诊断方法．首先采用Lu分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA—BP算法进行仿真对比研究．研究结果表明：基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法．     

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．     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

基于时频消噪TFPF和时频分布MBD的轴承早期故障诊断

噪声是影响轴承、齿轮等机械设备早期微弱故障特征正确提取的主要因素,利用新颖的时频峰值滤波技术TFPT有力的噪声消减特性,将PTFT与改进的时频分布MBD相结合,提出了时频峰值滤波TFPT-时频分布MBD的故障识别新方法,即应用TFPF消减振动信号的随机噪声作为时频分析的前置处理,对消噪的故障信号作MBD时频分析来识别故障特征,给出了时频峰值滤波时频分布的故障诊断模型。诊断实例的分析结果表明了与传统的MBD的故障特征提取相比,提出的改进方法更易提取出强噪声背景下的轴承早期的微弱故障,具有明显的可诊断性和实用性。     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

微电机噪声信号的小波包分析与故障检测

电机运转噪声中包含了电机状态的信息,分析了微电机的噪声源及噪声信号特征,基于最优小波包基和Donoho软阈值消噪方法对一组微电机标准信号和故障信号进行了消噪处理,比较低频信号成分的功率谱得出故障特征频率,从而确定电机故障,结果表明该方法能有效实现对电机的故障检测.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.