小波包分析在内燃机车静液压齿轮箱故障诊断中的应用

本文简述了小波变换的基本原理及利用小波包对振动信号进行分解的方法。小波分析良好的时频局部化性质，适于检测正常信号中夹带的瞬态反常现象并展示其成分，这在旋转机械状态监侧及早期故障诊断中具有重要意义。本文给出利用小波包分析在内燃机车静液压齿轮箱故障诊断中提取微弱轴承冲击故障特征的实例。     

基于加强谱峭度的航空发动机齿轮毂故障诊断

针对航空发动机减速器一级齿轮毂故障诊断问题,提出了一种基于小波包和CHI-LMD(三次Hermite插值-局部均值分解)的加强谱峭度的故障诊断方法。在用AR(自回归)参数模型对原始信号进行降噪后,首先采用小波包对信号进行分解,并结合谱峭度找出特征频带,继而用CHI-LMD对特征频带进行再分解获得若干PF分量,最后对获得的PF分量计算谱峭度作为故障识别参数。利用此方法对10组待识别信号的诊断结果表明,该方法能有效识别减速器一级齿轮毂故障,在不拆卸发动机的情况下实现了对目标的诊断。     

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

基于小波相邻系数降噪的滚动轴承早期微弱故障时频特征提取

将小波相邻系数降噪与时频小波切片变换（FSWT）相结合用于滚动轴承的早期微弱故障时频特征提取，通过对滚动轴承加速疲劳试验早期微弱故障振动数据进行分析，结果表明:小波相邻系数可以有效降低淹没滚动轴承早期微弱故障特征的背景噪声；时频小波切片变换方法能有效提取出经小波相邻系数降噪后振动信号的时频特征，即滚动轴承发生故障时的特征频率及其谐频成分，验证了所述方法的有效性.此外，通过与谱峭度时频分析结果的对比，证明所述方法更能准确扑捉到滚动轴承发生早期微弱故障时的时频特性，突出了所述方法的优越性.      

基于SSD-HT时频阶比跟踪的变转速转子故障诊断

为解决变转速工况下转子故障特征难以提取的问题,提出一种基于SSD-HT时频阶比跟踪的转子故障诊断方法。应用一种新的信号分解方法—奇异谱分解对转子故障振动信号进行分解,得到包含故障特征信息的奇异谱分量。运用希尔伯特变换计算各个有效奇异谱分量的瞬时频率,获取故障信号的时频分布。根据时频分布中的转频信息对原始振动信号进行阶比跟踪分析,提取直观的阶次特征。仿真分析与实验分析结果表明,在无转速测量装置条件下,所述方法可准确判别变转速工况的转子故障模式,相对于传统分析方法表现出一定的先进性。     

含噪振动信号中早期碰摩的故障检测研究

 研究了在有噪环境下发动机转子系统早期碰摩故障的检测问题。利用最优参数搜索法改进了独立分量分析( ICA) 算法, 用于求解转子系统振动信号与噪声的盲分离问题。在此基础上, 对分离后的振动信号利用小波包分解进行早期碰摩信号的检测。结果显示最优搜索的ICA 算法运行效率高, 信号分离纯度好, 对振动信号有高效的降噪作用, 并利用小波包分解准确地检测出振动信号中的碰摩信息, 其效果优于小波分解法。信噪分离与小波包分解相结合有望用于工程实践中的早期碰摩故障检测和诊断。     

一种基于连续小波变换的滚动轴承早期故障诊断新方法

滚动轴承早期失效阶段,特征信号微弱,并且受传递路径衰减及环境噪声影响,故障识别相对困难。针对这一问题,提出一种基于连续小波变换的轴承早期故障诊断方法。对原始信号进行连续小波变换,利用不同尺度小波系数进行信号重构,从而得到相应尺度下的信号分量,为了获取包含尽可能多的故障信息的信号分量,以峭度为指导标准对重构信号分量做合并处理,并利用相关系数准则剔除冗余信号分量,从保留信号分量中筛选出峭度值最大的分量,将其作为最佳分量用于进一步包络解调运算,通过分析包络谱判断轴承的故障类型。利用所述方法处理轴承早期故障仿真及实测信号,均成功提取出微弱特征信息,由此表明该方法可实现滚动轴承早期故障的精确诊断。     

基于SUWPT的正弦信号滤波算法

针对航天测控DOR(差分单向测距)信标信号等侧音信号的滤波问题,借鉴扩频系统窄带干扰抑制领域中的SUWPT(频移非抽取小波包变换),提出了一种逆向算法。该算法通过最佳频移将信号移至各子带中间,然后选择能量较大的子带进行分解,通过记录的位置信息选择不同的重构滤波器,从而达到最佳滤波效果;最后将该滤波算法应用于航天测控侧音信号的差分相位提取过程。仿真结果表明,该算法比小波变换滤波、小波包滤波具有更好的滤波性能;滤波后差分相位提取精度相对滤波前提高3~4倍,有利于提高系统的测量精度。     

航空发动机转子非稳态振动分量提取方法

对发动机转子振动状态进行监测是提高发动机可靠性的重要方法之一。然而在实际运行与振动监测过程中发现,发动机转速变化快且转子振动分量微弱,其转子谐频振动分量难以实时跟踪提取。为解决这一问题,提出了基于稀疏谐波乘积谱及自适应Vold-Kalman滤波的航空发动机转子振动分量提取方法。首先,分析了发动机机匣信号特性,通过机匣信号中叶片通过频率与转频的谐波关系,结合谐波乘积谱的思路,提出了一种快速计算发动机转频的方法,该方法无需准确的键相信息。其次,使用变步长迭代的方法最小化阶次谱残余误差,确定Vold-Kalman滤波器的最佳滤波参数,从而实现发动机转子谐频振动分量的准确提取。通过仿真数据验证了本方法在较大的噪声下仍能够很好地提取出机匣信号中微弱的转子振动分量,并与多种经典信号分解方法进行了对比。最后,对实际发动机信号进一步分析,针对发动机启停、加减速状态2种典型非稳态工况进行了计算并验证,证明了所提方法的优越性。     

航空发动机中介轴承振动故障分析方法

针对中介轴承振动故障信号微弱、较难提取的问题,提出一种基于小波变换的航空发动机中介轴承故障诊断方法:首先对中介轴承故障信号进行小波分解,得到各层细节信号,并对细节信号进行重构;然后对重构信号进行频谱变换,从频谱图上清晰观察出中介轴承的故障特征频率。对真实发动机中介轴承故障信号进行的实例分析表明,本文方法具有较好的降噪能力,较频谱分析更能突出中介轴承的故障特征。     

基于空域稀疏性的宽带DOA估计

利用宽带阵列接收信号的空域稀疏性,将宽带信号的波达方向(DOA)估计转化为一个稀疏信号重构的问题,提出了一种新的宽带信号DOA估计算法。该算法将宽带信号分解为多个子带信号,联合利用多个子带信号的空域稀疏性进行重构。它是对用于稀疏重构的标准的稀疏贝叶斯学习算法的推广,可适用于多冗余字典的信号模型。另外,通过对多快拍的阵列接收信号进行奇异值分解(SVD),提取信号子空间作为算法的输入数据,可以在有效减少运算复杂度的同时,提高对噪声的稳健性。与传统的宽带阵列DOA估计方法相比,该算法能够用于低信噪比、快拍有限和信源相关性较高的场合,同时算法的性能对信源个数的估计值不太敏感。仿真实验表明,该算法相对现有的基于子空间类的方法,具有更好的DOA估计性能。     

基于谱插值和奇异值差分谱的滚动轴承静电监测信号去噪方法

采用静电传感器进行滚动轴承故障监测实验研究.针对滚动轴承静电监测中各种强噪声、故障特征难以提取的问题,提出了基于谱插值和奇异值差分谱的联合去噪方法.首先采用谱插值抑制工频干扰,然后将所得信号构造Hankel矩阵,求取奇异值差分谱并自动确定有用分量个数,最后重构信号.仿真和实验结果表明:仅采用奇异值差分谱或者小波去噪方法,无法从含有强工频干扰的信号中提取有用成分;所提出的方法相比较谱插值和小波去噪方法能够凸显早期故障特征频率.     

基于小波变换的电力系统谐波测量方法

小波变换具有时-频局部化特性,在电力系统的分析中具有无比广阔的应用前景.本文将小波变换方法应用于电力系统谐波检测中,并提出了同步检测与小波变换相结合的电压闪变测量方法,仿真结果表明此方法适用于电压闪变信号的检测和分析.     

基于功率复用的椭圆球面波函数非正交调制方法

围绕如何降低基于椭圆球面波函数的非正交调制（PSWF-NPSM）系统误码率，降低信号检测复杂度，引入调制信号功率复用思想，提出基于功率复用的椭圆球面波函数非正交调制（PD-PSWF-NPSM）方法。该方法对载波信号按子波带进行功率分配，增加了调制信号最小欧式距离，降低了系统误码率；在接收端，提出基于检测统计量的串行干扰相消信号检测方法，依据不同支路信号间功率差异，对信号进行分离、检测。理论与仿真分析表明，该方法在不降低系统频带利用率、调制信号功率谱、峰均功率比特性前提下，能够有效提高系统误码性能，降低调制信号检测复杂度；与原非正交调制方法相比，当误比特率（BER）为10^-5时，所提方法系统误码性能提升约1.7 dB。     

基于非线性多基站分布式混沌随机共振方法的无线通信系统定位技术研究

针对传统的无线定位方法容易受到接收信号信噪比低和无法接收直射信号的影响,将导致其性能下降乃至严重时方法失效。提出了一种基于非线性多基站分布式混沌随机共振信号增强技术的无线通信系统定位方法,通过利用基站端的接收阵列构造接收信号的分布式功率谱,并对多个接收基站的分布式功率谱进行融合,可以较为有效地解决上述问题。通过仿真,验证了所提出方法的可行性和有效性,与传统无线定位方法相比,该方法的定位精度得到了有效改善。     

Detection of random signals via spectrum matching

Using a priori knowledge of the signal power spectral density (PSD), a spectrum matching approach which effectively utilizes the available signal spectral shape is developed for random signal detection. Two spectrum matching detector (SMD) structures, which are implemented by correlogram and periodogram, respectively, are examined. Theoretical calculation of their false alarm rates is derived and confirmed by simulations. It is also demonstrated that the proposed detectors outperform the standard periodogram, Bartlett method, and energy detector under constant false alarm rate (CFAR) condition for two different random signals.     

分布式接收宽带多目标信号盲检测迭代处理方法

随着软硬件技术的飞速发展和宽带接收机的广泛使用,频谱检测向着高瞬时带宽的方向发展,传统基于信道化处理的频谱检测方法存在搜索速度慢、处理效率低下的问题。文章提出了 1种新的分布式接收宽带多目标信号盲检测迭代处理方法,在无须预先知道信号数目及信号频谱位置的情况下,能够实现特定虚警概率多信号盲检测,具备较高的灵活性和稳健性。首先,在对信号特征进行分析的基础上,通过构造线性模型,将分布式接收多目标信号检测转化为线性模型求解问题进行处理;然后,基于贝叶斯多参数联合求解模型,在对未知参数先验分布进行合理假设的基础上,推导了各未知参数变分分布及信号检测门限的解析表达式,采用变分分布软信息迭代的方式实现多传感器信号、多参数联合估计,并利用每次迭代参数估计结果,对信号检测门限进行更新,通过置零操作实现预设虚警概率下的多信号盲检测;最后,通过仿真实验对所提方法性能进行了分析,并与相关方法进行了对比。仿真结果表明,所提方法能够有效利用多路接收信号信息,实现宽带未知多目标信号的盲检测,有效提升短数据下的算法处理效能,与现有方法相比,在接收单元数目较多以及信噪比较低时具有明显优势。     

基于SVM和广义粗糙度特征的航空发动机振动故障诊断方法

通过对航空发动机振动信号进行小波分解,依据多尺度空间局部能量分布和粗糙性提取基于子带信号能量加权广义粗糙度特征实现对振动情况的描述.然后将上述特征送入支持向量机(support vector machine,简称SVM)分类器进行训练,根据分类器的输出结果判断航空发动机的工作状态和故障类型.通过对实测航空发动机试车时得到的振动信号的实验分析结果表明,该算法可以有效地识别发动机的振动故障.      

A pre-generated matrix-based method for real-time robotic drilling chatter monitoring

Currently, due to the detrimental effects on surface finish and machining system, chatter has been one crucial factor restricting robotic drilling operations, which improve both quality and efficiency of aviation manufacturing. Based on the matrix notch filter and fast wavelet packet decomposition, this paper presents a novel pre-generated matrix-based real-time chatter monitoring method for robotic drilling. Taking vibration characteristics of robotic drilling into account, the matrix notch filter is designed to eliminate the interference of spindle-related components on the measured vibration signal. Then, the fast wavelet packet decomposition is presented to decompose the filtered signal into several equidistant frequency bands, and the energy of each sub-band is obtained. Finally, the energy entropy which characterizes inhomogeneity of energy distribution is utilized as the feature to recognize chatter on-line, and the effectiveness of the presented algorithm is validated by extensive experimental data. The results show that the proposed algorithm can effectively detect chatter before it is fully developed. Moreover, since both filtering and decomposition of signal are implemented by the pre-generated matrices, calculation for an energy entropy of vibration signal with 512 samples takes only about 0.690 ms. Consequently, the proposed method achieves real-time chatter monitoring for robotic drilling, which is essential for subsequent chatter suppression.