基于EEMD和小波包的机车轴箱轴承故障诊断方法

提出了一种基于聚合经验模态分解(ensemble empirieal mode decomposition,EEMD)和小波包的机车轴箱轴承故障诊断方法.首先对轴承振动信号进行小波包分解,分别对小波包分解得到的小波包系数进行阈值去噪处理,将降噪后剩余的小波包系数进行信号重构.然后再对重构后的信号进行EEMD,计算EEMD分解得到的IMF分量和原信号的互相关系数,最后对满足相关条件的IMF分量进行故障诊断分析.为了验证该方法的正确性,搭建了轴承试验平台,通过对轴承实测数据进行故障诊断分析,实验证明该组合诊断方法能克服单一信号处理方法的局限性并能初步诊断出轴承发生的故障.     

非平稳信号自适应最大信噪比盲源分离方法

为了提高时变非平稳信号的盲源分离效果,提出了自适应最大信噪比盲源分离新方法.该方法以信噪比函数作为代价函数,并基于改进的多项式系数自回归模型,进行最优滑窗长度的自适应估计.仿真计算表明,FastICA算法需要预设源信号的概率密度函数,以选择适宜的非线性函数近似估计源信号的非高斯性,当假设的概率密度函数与实际不符时无法正确分离源信号;累积量算法在信源的峰度相同时无法正确分离源信号.新方法与经典的FastICA算法和基于累积量的盲源分离算法比较结果表明,对于经典的FastICA算法、累积量算法无法正确分离的时变非平稳信号,新方法能够有效地进行盲源分离,分离结果不受源信号的概率分布、信源的峰度等统计因素影响.      

基于SVD的柴油机振动信号盲分离预处理

在利用独立分量分析对缸盖振动信号进行盲分离时,原始采样信号不满足独立分量分析的基本假设,而且缸盖振动信号信噪比较低,影响分离的速度和精度.采用小波阈值降噪的方法进行了降噪处理,提高了信噪比.采用奇异值分解的方法估计了缸盖振动的独立源数,并对缸盖振动信号进行了白化处理,为独立分量分析的应用建立了基础.     

基于盲源分离的共振解调技术在齿轮齿面接触故障诊断中的应用

提出一种运用基于盲源分离的共振解调技术对齿轮齿面接触故障进行诊断的方法.该方法利用盲源分离算法对传感器采集的混合信号进行分离,获取纯粹的故障源信号;采用共振解调技术对分离后的故障源信号进行频谱分析,成功地提取了齿轮齿面直接接触的故障特征.     

机械振动源的联合块对角化盲分离算法

基于QR分解建立一种新的非正交联合块对角化（joint block diagonalization,JBD）（QRJBD算法）的振动源盲分离方法.该方法具有对目标矩阵的限制少、复杂度低、易于收敛到全局最优解等优点.结合双层加肋圆柱壳体结构的振动信号分离试验,从算法的收敛性、目标矩阵的数目、随机噪声水平、子块矩阵的维数等方面对QRJBD方法的性能进行了研究.由此,选取合理的算法参数,实现振动源信号的盲源分离,且分离精度和时间均优于现存常用的方法,充分说明新算法在振源分离中既保持了效率又提高了分析的准确性.     

最小均方盲反卷积法在机械设备振动分析中的应用

将多通道盲反卷积应用于机械设备振动信号的分析,分析了机械振动信号的多通道盲反卷积模型,采用最小均方盲反卷积算法从测量信号中分离振源信号,并进行实验论证.实验内容包括:提取滚动轴承故障源信号,斜齿轮故障源信号以及柴油机活塞-缸套撞击信号.     

基于IEEMD和ARMA算法的斜拉桥模态参数识别

提出了一种基于IEEMD分解的ARMA改进识别算法。首先对实测加速度信号进行IEEMD分析,之后利用聚类分析检验所得的本征模态函数(IMFs)中是否存在模态混叠;然后采用模糊综合评价法计算每个IMF与实测信号之间的模糊相似系数,以便选出有效的IMF分量;再利用主成分分析和帕累托图法对保留下来的IMFs进行信号的重构,进而达到对实测信号的有效分解和降噪效果;最后将重构的动力信号作为ARMA算法的输入,进行模态参数识别。通过对比分析每阶频率与实际值的误差百分比,可知利用IEEMD处理之后的振动信号作为ARMA算法的输入能得到与真实值最为接近频率值,且误差的百分比都在3%以下,验证了该识别方法能有效的识别到斜拉桥的频率。     

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

基于二次特征函数高阶导数联合对角化的盲源分离算法

针对线性混叠信号,提出一种瞬时混叠盲源分离的批处理算法.利用观测信号的二次特征函数高阶导数联合对角化得到盲分离准则和实验公式.采用非正交对角化方法,不需要白化,实现盲源分离.仿真实验结果表明此算法不仅对非高斯信源具有良好的分离性能,而且对概率密度为非对称分布信源,具有很好的性能.     

基于二次特征函数高阶导数联合对角化的盲源分离算法

针对线性混叠信号，提出一种瞬时混叠盲源分离的批处理算法，利用观测信号的二次特征函数高阶导数联合对角化得到盲分离准则和实验公式，采用非正交对角化方法，不需要白化，实现盲源分离，仿真实验结果表明此算法不仅对非高斯信源具有良好的分离性能，而且对概率密度为非对称分布信源，具有很好的性能。     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

单矢量水听器多目标方位的盲估计研究

为实现单矢量水听器的多目标方位估计,研究了水声矢量信号的盲估计问题.根据单矢量水听器的阵列流型特点,结合盲源分离技术,提出了一种新的单矢量水听器多目标方位估计算法.在目标信号先验信息未知的情况下,该算法可分离出各目标信号及其阵列流型,然后利用单矢量水听器振速分量的正交性,估计出各目标信号的方位.实验验证了该算法的有效性.     

多分量相移键控信号码速率盲估计

为解决单通道接收机同时截获到同一频带范围内的多分量相移键控信号的参数估计问题,提出了一种不经信号分离直接提取各独立信号分量码速率的盲估计算法.从理论上推导了多分量相移键控信号的二阶共轭循环自相关具有线性特性,因此可以不受干扰地提取各信号分量的码速率;进而提出了简单而有效的谱峰增强方法,与基于二阶共轭循环自相关获得的谱峰相比,用此法获得的谱峰更为清晰.仿真实验表明:用提出的算法,当双分量信号功率比为1:1且信噪比为-5 dB时,码速率估计的正确率可达98％;尤其是在单分量环境下,该算法比现有算法的性能提高4 dB以上.     

宽带耦合机械振源的卷积盲分离研究

利用卷积盲分离算法,对宽带耦合机械振源信号进行了盲分离研究.在实际环境中,由于相邻设备和环境干扰的影响,传感器往往只能获得混合信号.且源信号在频谱上可能相互重叠,此时,传统的信号滤波、净化方法就无能为力.文中利用盲信号处理技术对源和传递路径先验知识要求较少的特点,仅从混合信号出发,利用信号的二阶统计特性,较好地恢复出了频谱上相互重叠的机械振源信号.电机和海水泵的仿真试验验证了该方法的有效性.     

基于联合近似对角化的盲源分离在齿轮箱故障诊断中的应用

提出一种采用盲源分离技术对齿轮箱混合故障进行诊断的方法．该方法利用白化信号自相关矩阵的联合近似对角化算法，从观测信号中分离故障特征源信号，并根据分离信号的频谱成功地提取了混合故障的特征信息，有效地诊断出齿轮箱所处的故障状态．     

基于最大信噪比算法在缸盖振动信号中的分离研究

对柴油机缸盖表面振动信号进行分析处理,可以判定内部零部件的状态以及柴油机的工作状态,但实际上由于各路信号时域和频域有混叠,很难准确分离．针对现有内燃机监测诊断信号分析方法的不足,研究了基于最大信噪比的盲源分离算法．该算法将求优过程转化为广义特征值问题求解,整个过程无须迭代．通过对仿真振动信号的分离表明其有效性,从试验对象某四缸柴油机上拾取实测缸盖振动信号处理,结果显示了该算法在柴油机故障监测诊断上有良好的应用前景．     

独立分量分析在柴油机缸盖振动信号分离中的应用

采用独立分量分析的方法进行了柴油机缸盖振动信号分离的研究.建立了基于Fixed-pointICA算法的4135船用柴油机缸盖振动信号分析模型,分析了这些振动信号的性质.针对实际应用,对采集到的2路混合信号进行分离,得到了各独立分量的时域和频域分布.分离结果表明独立分量分析是一种行之有效的信号处理的新方法.     

多分量LFM雷达辐射源信号的经验模式分解

基于改进的经验模式分解,提出了多分量LFM雷达辐射源信号的分析方法．该方法用RBF神经网络对端点延拓削弱边界效应,将自相关函数与相关系数结合估计分量的数量,通过模式分解滤波和平均滑动消除噪声影响,以提高算法的分解精度．理论分析和实验表明,在较宽的信噪比范围内,使用该方法能够正确提取各分量信号的瞬时频率和有效地估计多分量LFM辐射源信号的分量数量．     

基于CEEMDAN算法的半航空瞬变电磁信号运动噪声去除

半航空瞬变电磁法是用新型的物探方法, 采用地面发射空中接收的方式, 在地面布置接地长导线, 空中利用无人机搭载接收线圈进行数据采集。数据采集过程中, 由于线圈处于一个持续摆动的过程, 导致采集的半航空瞬变电磁数据中存在运动噪声, 进而影响数据质量。本文提出一种结合自适应完备集合经验模态分解算法(CEEMDAN)对半航空瞬变电磁数据的运动噪声进行去除, 将含噪信号分解为多个IMF 分量, 再将与运动噪声相近的IMF 分量去除合成后来实现数据处理的目的。通过模拟数据和实测数据进行去噪, 均能较好的识别出运动噪声并进行去除,具有较好效果。     

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。