基于峭度的组分分析方法解析重叠峰

基于峭度的组分分析方法用来解析重叠峰．其优点是半盲源分离，即只要确定出重叠峰所含组分的数目，就能从混合波谱中分离出纯组分谱．采用CABK来解析模拟两组分重叠峰体系和酒样的GC-MS混合谱，得到了令人满意的结果．     

基于FSK-CNN的轴承故障诊断研究

在旋转机械设备的运维保障过程中，采用基于专家经验的传统故障检测方法难以对轴承的健康状态做出实时的状态检测。针对这一问题，本文提出一种基于快速谱峭度与卷积神经网络（FSK-CNN）的故障诊断方法。首先采用快速谱峭度（FSK）法对振动信号进行特征提取，将一维时域信号转化为二维的谱峭度图；之后，采用一种结合卷积注意力模块（CBAM）的卷积神经网络模型完成故障分类。试验结果表明，快速谱峭度法可以有效提取轴承振动信号故障特征，引入卷积注意力模块对传统卷积神经网络模型具有明显的优化作用，FSK-CNN的故障诊断方法对于10种不同的轴承故障类型的诊断准确率可以达到99%。     

轴承疲劳剥落的早期诊断方法

通过大量的试验，对振动信号进行分析，总结了轴承振动信号中各参数 的变化规律，给出了峰值、有效值、峭度等参数的变化趋势，给出了判断轴承剥落的早期诊断方法。     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

无监督学习驱动的高端轴承故障智能诊断算法

谱峭度是用于滚动轴承故障诊断的有效方法,然而它对工程中常见的偶发性冲击特征具有高度的敏感性,常导致特征提取结果失效.为解决该问题,针对多重偶发性冲击(sporadic impulses,SIs)干扰下的时间序列峭度计算提出了一种基于无监督学习的智能评估方法.首先,根据偶发性冲击在时域上能量高度集中的特性,在时域将原始信...     

用于信号盲提取的最大三阶相关峭度反卷积算法

传统的低阶自适应滤波器难以抑制或消除激光位移信号的高阶统计噪声,且在微位移测量条件下,基于最大熵或自然梯度的盲源分离方法的收敛速度和信噪比会急剧降低.为此,文中利用混合信号的峭度变化特性,提出了最大三阶相关峭度反卷积算法,设计了反卷积逆滤波器,分析了最大三阶相关峭度反卷积算法的收敛性和稳定条件,并构建了实验平台进行盲提取实验.结果表明,最大三阶相关峭度反卷积算法可有效地盲提取激光位移信号和多重反射信号,较FastICA算法具有更快的收敛速度和更高的信噪比.     

基于改进的EEMD数据融合方法在轴承故障诊断中的应用

提出一种基于改进的EEMD谱峭度的多传感器联合轴承故障诊断方法,通过多个加速度传感器联合采集振动信号,利用EEMD自适应地将信号分解成多个分量,通过计算每个IMF分量的互相关系数法进行自适应重构以突出故障特征信号;对合成后的信号画快速峭度图,获得峭度最大时的中心频率和带宽;根据快速峭度图自适应确定电子谐振器的参数,并对此合成信号进行谐振增益;对谐振增益后的信号进行Hilbert解调,并与理论计算的轴承故障特征频率比较,从而确定故障部位.通过仿真的故障轴承信号和滚动轴承实验进行了验证,结果表明:该方法对滚动轴承故障的检测精度更高,提取精度和抗噪声能力方面有了明显的改进,对工程实践具有重要的指导意义.     

基于改进PSO-VMD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号微弱导致分类识别率低的问题,提出利用复合多尺度模糊熵作为适应度函数的粒子群算法优化变分模态分解,得到多个本征模态分量;利用快速谱峭度图选择最优的本征模态分量,并组成特征向量;将特征向量输入SSA-SVM中进行故障分类。实验结果表明基于复合多尺度模糊熵的PSO-VMD和SSA-SVM的滚动轴承故障诊断更能有效地识别出滚动轴承的早期故障。     

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。