基于广义非线性变换的特征谱线增强方法

为提高强背景噪声下频谱分析的特征提取能力,突出所关心的特征谱线,在非线性变换方法的基础上,提出了广义非线性变换方法。对比分析结果表明:广义非线性变换方法将固定的放大阈值改为可变值,提高了该方法实际应用的灵活性和适用性,易于获得最佳的特征谱线增强效果。     

基于小波包变换的滚动轴承故障诊断研究

根据小波包变换理论的原理,提出了基于小波包变换的信号提取算法——一种提取强噪声背景下多通带窄带信号的新方法,应用MATLAB软件进行仿真实验,表明该算法是有效的,并在滚动轴承的故障诊断中取得了较好的效果,说明该方法可以用于机械故障诊断和预知维修。     

基于MOMEDA和IITD的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。     

小波方法在滚动轴承振动信号分析中的应用

通过分析滚动轴承表面损伤类故障信号的特点,提出了基于小波包分解和信号重构技术的滚动轴承故障精密诊断方法.试验表明,该方法是有效的,适用于滚动轴承早期故障的振动监测和诊断.     

基于MED的滚动轴承故障特征提取方法及其应用

为提取微弱的轴承故障信号,研究了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)的滚动轴承故障特征提取方法:在利用AR模型去除齿轮啮合产生的确定性信号的基础上,对保留信号进行最小熵反褶积,增强冲击信号.该方法避免了传统轴承故障诊断方法中带通滤波器设计的难题,实车测试表明:与共振解调技术相比,该方法提取的滚动轴承故障特征更加明显,更适合于工程应用.     

基于 EEMD 的滚动轴承故障诊断方法

针对经验模态分解（empirical mode decomposition,EMD）方法处理轴承振动信号时存在的缺点,指出极值点的选择是产生模态混叠现象的原因。分析了集成经验模态分解（ensemble empirical mode decomposi-tion,EEMD）方法抑制模态混叠现象的原理,讨论了加入高斯白噪声的次数和大小对 EEMD 方法分解结果的影响,并通过仿真和实测信号对 EMD 和 EEMD 方法的性能进行了比较测试。结果表明：EEMD 方法不仅能够有效地抑制模态混叠现象,而且能更好地反映出轴承振动信号中的故障信息。同时,对通过 EEMD 方法得到的重构信号进行平方包络分析,结果证明：该方法能够有效地提取出滚动轴承的故障特征。     

基于IMCKD与谱负熵的滚动轴承故障诊断方法

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击信号常被强大噪声淹没,导致轴承故障诊断难度较大的问题,提出一种基于改进的最大相关峭度解卷积(IMCKD)与谱负熵的故障特征提取方法。首先,采用改进的最大相关峭度解卷积以最大相关峭度为目标对原始振动信号进行降噪处理,检测信号中的周期性冲击成分;然后,以最大谱负熵值为准则寻找信号的最佳分析频段;最后,通过平方包络解调提取出轴承的故障特征。仿真和实测信号验证了该方法的有效性。     

基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法

鉴于滚动轴承振动信号具有非线性、非平稳的特点以及难以获得大量典型故障样本的现实情况,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)与极限学习机(extreme learning machines, ELM)相结合的滚动轴承故障诊断方法。采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解,得到若干个平稳的本征模函数(intrinsic mode function, IMF)分量,计算不同状态下滚动轴承振动信号经CEEMD分解后各IMF分量的能量熵,从蕴含着主要故障信息的IMF分量中提取出能量特征,对其进行T分布随机近邻嵌入(T-stochastic neighbor embedding, Tsne)聚类可视化分析,观察特征对滚动轴承状态的反映情况,将特征作为输入建立极限学习机,判断滚动轴承的工作状态和故障类型。使用美国凯斯西储大学公开的人工损伤轴承数据进行仿真实验,对轴承得不同运行状态的识别准确率可以达到95%,明显高于多分类支持向量机、K近邻等方法,该结果表明,所提方法在...     

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。     

基于Chirp变换的快速离散时间尺度变换

提出了一种新的快速离散时间尺度变换算法。给出了离散时间信号尺度变换的构造表达式及其Chirp变换快速实现流程。讨论了Chirp变换实现中的参数选取准则,分析了Chirp变换的信号带宽问题。讨论了算法的运算效率并与其它算法进行了比较。仿真试验证明了本文算法的有效性。     

基于光纤传感的装甲车滚动轴承故障诊断技术

针对装甲车滚动轴承的故障诊断中,传统电类传感器难以适应装甲车内部充满电磁干扰与油渍的恶劣环境的问题,使用体积小、抗电磁干扰的光纤光栅振动传感器采集滚动轴承故障信号,结合共振解调技术,从振动信号中分离出了故障振动频率,对照轴承故障频率表,实现对滚动轴承故障类型判别。通过在滚动轴承内圈与外圈预设缺陷,利用轴承试验台模拟不同转速下装甲车的运行实况,验证其可行性。实验结果表明,此方法能够实现对滚动轴承内外圈故障频率的分离,完成滚动轴承故障类型的判别,满足装甲车滚动轴承的故障诊断需求。     

基于小波变换的直升机声目标识别

综述了小波变换的原理和性质以及它在直升机声目标识别当中的应用。主要论述了利用小波变换进行信号分解与滤波、目标特征提取等方面的应用,最后给出了计算机模拟仿真结果。结果表明,利用信噪分离方法和目标特征提取方法可以在低信噪比情况下准确识别目标。     

基于Radon变换的LFM信号检测与参数估计

提出了一种基于RAT法和RWT法的快速算法,研究噪声环境中线性调频信号的检测以及参数估计问题.该方法对信号的检测通过一维搜索完成,同时对调频率识别比较准确,在此基础上,通过窄带通滤波器对LFM信号去除大部分的噪声能量.和其他基于二维时频分析工具的算法相比,降低了计算的复杂度,其实现更为简便.最后通过计算机仿真验证了该方法的有效性.     

基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。     

基于ITD与SSA的传动箱信号降噪及微弱特征提取

试验采集的传动箱振动信号特征能量通常很小且易淹没在背景噪声之中,针对这一问题,提出了一种将固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与奇异谱分析(Singular Spectrum Analysis,SSA)相结合的时频分析方法,并用于信号微弱特征的提取。通过仿真信号及试验采集的振动信号进行验证,结果表明:该方法能够有效地从混杂着能量较大的背景信号和噪声干扰中提取出微弱信号的特征频率成分,并达到了很好的降噪效果,提取出的信号更接近于原始无噪声信号。研究为设备运行状态信息的提取与状态识别提供了一种新方法。     

基于Hough变换撤票策略的目标微多普勒提取

微动特征的提取对于目标识别具有重要意义,但现有算法提取多分量旋转目标微多普勒参数的计算量太大.针对这一问题,提出了一种Hough变换撤票策略,对时频空间进行Hough变换得到参数空间,对已包含所有信息的参数空间进行多次撤票,便可分步得到微多普勒信号参数.仿真实验验证了该方法的有效性.     

基于小波变换和支持向量机的水下目标分类方法

水下目标识别技术是世界各国十分重视的研究课题之一,具有重要的理论和应用价值。简要介绍了小波变换、多分辨率分析及支持向量机的基本原理,针对舰船辐射噪声信号,利用小波变换来完成信号的预处理和滤波,在小波变换后信号的多尺度子空间上提取信号的能量特征参数,归一化处理后构建特征向量,最后用支持向量机算法进行分类。仿真结果表明,利用小波变换的多分辨率分析和支持向量机能对舰船辐射噪声信号进行有效分类识别。