谱峭度

摘要： 在利用声学信号分析法对滚动轴承进行故障诊断时,环境噪声或其他设备噪声会严重影响目标声信号的提取并降低诊断精度。针对这一问题,提出一种用于故障特征增强的谱峭度-波束形成方法。该方法首先利用快速谱峭度算法确定最优滤波频带,然后根据确定的频带,利用2阶锥规划方法设计恒定束宽波束形成器并提取目标频带信号,最后对提取的带限信号进行包络解调得到轴承故障特征频率。实验结果表明,该方法能够在强干扰环境下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的效果。

摘要： 文中针对列车走行部中轴承的故障设计了一种故障监测系统,实时监测轴承的状态,提高轴承故障诊断的精度。该系统将数据采集与处理分离,对轴承的温度和振动数据进行采集,传给处理板进行诊断,使用谱峭度提取振动信号中的共振频率,以此确定复Morlet小波的中心频率和尺度,使用小波变换对信号进行处理。该算法能自适应提取信号的共振频率,有效过滤外界噪声的干扰,提高轴承故障诊断的精度。通过模拟轴承故障对该系统进行验证,该系统能有效检测走行部轴承的故障。

摘要： 针对复杂生产背景下产生的强噪声淹没齿轮有效故障特征信息的问题,利用Autogram方法对其进行特征提取.该方法利用最大重叠离散小波包变换,对齿轮断齿故障振动信号进行不同层数分解处理,每层得到若干个信号,被称为"node".为了更加全面地描述故障特征信息,对每个node进行包络谱的3种无偏自相关谱峭度求取,以便选取合适node作为信号源进行下一步分析.最后,对该信号源引入阈值处理,以便加强频谱分析的全面性,实现对齿轮断齿故障特征信息的有效提取.通过对比分析仿真和实测齿轮故障振动信号,验证了该方法的有效性.

摘要： 针对滚动轴承故障诊断问题,基于包络解调方法,并结合谱峭度的带通滤波优化算法,对轴承故障进行诊断分析,并将其应用于自动扶梯电机轴承故障诊断中.其中,采用包络解调方法进行轴承故障特征频率的识别,采用谱峭度方法对预白化后的原始数据进行处理确定带通滤波频带范围.实际案例表明:基于谱峭度的包络解调方法,可有效提取出轴承故障冲击信号,采用线性预测模型的预白化方法可进一步提高轴承微弱故障冲击信号信噪比.因此,该方法对旋转机械滚动轴承故障诊断提供了良好的分析思路.

摘要： 旋转机械长期在重载、高温、高速等恶劣复杂条件下工作,故障事故频发,因此旋转机械故障诊断在机械工程中有着重要的应用.笔者结合实践应用情况,通过大量文献分析,对旋转机械故障诊断技术进行了总结和归纳,分析展示了旋转机械故障诊断的研究现状,从谱峭度、排列熵、深度学习和稀疏表示法四个方面详细阐述了研究热点,最后对该技术的发展前景进行了展望.

摘要： 在对采煤机截割部的减速器进行故障诊断过程中,存在故障特征提取困难及诊断模型泛化能力弱的问题,针对这一问题,提出了一种基于卷积神经网络的减速器故障诊断方法.首先,通过快速Kurtogram算法提取了变工况下减速器齿轮的健康、疲劳点蚀、轻度磨损、重度磨损、齿面裂痕、断齿几种振动谱峭度;然后,对谱峭度作像素归一化后进行了灰度处理,将结果输入到构建好的结构层数为2层卷积池化层的卷积神经网络,采用自适应学习对模型进行了训练,并将最后全连接层的输出结果作为故障特征;最后,结合某减速器的结构原理搭建了故障诊断实验台,采用Tensor Flow平台对所提模型进行了编程,对模型的识别率和特征可视化结果进行了评估.研究结果表明:该方法对减速器的故障识别率在99％以上,解决了传统方法中特征提取繁琐和不同故障特征间的耦合问题,为采煤机截割部减速箱的故障智能诊断提供了新的思路.

摘要： 针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度(spectral kurtosis,简称SK)与多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的风电机组滚动轴承复合故障特征分离提取方法.首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程.仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取.

摘要： 为了解决实际运营中高速铁路接触线不平顺定位困难的问题,提出了一种基于Choi-Williams谱峭度(Choi-Williams spectral kurtosis,简称CW-SK)与二次时频分析相结合的方法.利用CW-SK对突变信号高度敏感的特性,在识别弓网接触压力不平顺成分的基础上,对不平顺时域重构信号进行二次时频分析,确定接触线上不同波长对应的空间位置.测试结果表明,该方法可准确识别并定位接触线中的不平顺病害,且时频图中无其他干扰成分,抗噪性能优异,满足高速铁路实际运营需求,可为现场接触线不平顺的状态评估及接触网的后期维护提供参考.

摘要： 针对高噪声条件下,联合平方包络谱(combined squared envelope spectrum,简称CSES)方法容易受频带内噪声和其他频带特征的干扰,导致对滚动轴承微弱故障特征提取困难的问题,提出了一种结合CSES和最小熵解卷积(minimum entropy deconvolution,简称MED)的滚动轴承微弱故障特征提取方法.首先,使用谱峭度选择不同频带-滤波后的信号;其次,对所选信号进行MED滤波,增强频带内的故障特征;最后,依据CSES原理,计算上一步滤波后信号的平方包络频谱并进行归一化,将其合并得到故障特征明显的强化包络谱.仿真与试验结果表明,该方法能够有效提取滚动轴承的微弱故障特征.

摘要： 针对配电网暂态电能质量扰动类型众多和噪声环境复杂等因素造成的暂态电能质量扰动精准辨识难度大等问题,论文深入研究了一种基于多变换和谱峭度的智能配电网暂态电能质量精准检测与辨识方法.该方法先通过小波变换消除信号中的噪声,然后对消噪后的信号进行小波变换检测出暂态电能质量扰动的幅值和时刻,并利用谱峭度对信号的冲击成分敏感及抗噪能力强等特性,通过对消噪后的信号短时傅里叶变换的谱峭度计算辨识出暂态脉冲、暂态振荡和短时电压变动,通过对短时电压变动扰动进行希尔伯特-黄变换检测出短时电压变动中的电压暂降、电压中断和电压暂升的瞬时频率和瞬时幅值,进而辨识出电压暂降、电压中断和电压暂升.该方法避免了HHT对暂态脉冲、暂态振荡的无用检测,具有计算过程简单、检测精确度高、辨识精确性高、通用性强等诸多优势.

摘要： 含有局部故障的齿轮振动信号通常包含周期性冲击成分,冲击重复频率是诊断齿轮故障的重要依据之一.风电增速齿轮箱行星轮局部故障振动信号,由于振动源复杂且相互耦合,且易受时变振动传递路径干扰和强背景噪声污染,表现出频率成分复杂、信噪比低和故障特征微弱的特点.针对该问题,提出基于谱峭度和时间小波能量谱的行星轮局部故障特征提取方法.首先,利用谱峭度确定故障振动信号的最佳滤波参数进行带通滤波,突显周期性瞬态冲击成分,然后选取Morlet小波基函数进行时间小波能量谱分析.通过对风电增速齿轮箱试验台采集的行星轮局部故障振动信号分析表明,该方法相比传统的包络解调分析,能更有效地提取行星轮局部故障特征.

摘要： 齿轮箱的早期故障信号往往故障特征微弱并且包含强烈的背景噪声,很难在低频段直接提取故障特征频率,往往需要通过对高频成分的解调来实现故障特征信息的提取.由于解调的效果受频带选取范围的影响,而传统小波变换的频率二分法在频率划分时不具有自适应性,因此难以取得较好的特征提取效果.针对该问题,提出了基于谱峭度与奇异值分解(SVD)的齿轮箱故障特征提取方法.首先,应用SVD方法对获得的原始信号进行降噪,以突显信号中的周期性冲击成分;然后,利用谱峭度获得降噪信号的谱峭度图,通过峭度图选择最佳的滤波器带宽与中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行包络解调分析,便可以准确地获得信号的故障特征频率.工程应用表明,该方法能够有效地提取出齿轮箱轴承振动信号中的早期故障特征信息,具有一定的工程应用价值.

摘要： 使用谱峭度对铁路货车滚动轴承的故障信号做分析时,发现含有稀疏大脉冲的低信噪比故障信号的谱峭度估计严重偏离正常值,从而导致不能正确确定共振频带.本文提出了一种滤除稀疏大脉冲信号的方法,保证了估计的谱峭度能够正确找出共振频带.在谱峭度的基础上,本文提出了一种新的时谱峭度的概念,能够定位出共振发生时的时间和频率位置.最后,使用时谱峭度对信号做滤波和包络解调,效果优于基于谱峭度滤波的结果.

摘要： 在强噪声背景下,由于滚动轴承的早期故障信息极为微弱,因此实现早期的故障信息提取仍然面临着严峻的挑战.为此,本文提出一种基于集合经验模式分解(EEMD),最小熵解卷积(MED)和基于回溯策略的谱峭度(Protrugram)的方法用于估计滚动轴承的初始故障发生时间.该方法首先利用EEMD降低获取的初始振动信号中的噪声,随后采用峭度值反应整个轴承寿命过程中的退化过程,并以此为基础,选取峭度值跳变位置为故障初始阈值,紧接着选取时间早于该初始阈值的数据组用于进一步分析,采用MED对选取的数据组信号进行冲击增强,并基于谱峭度选取最优的带宽参数以用于后续的包络分析验证.最后,本文通过对一组轴承运行到失效测试的实验数据集的分析验证了方法的可行性和准确性,实验结果表明方法能够有效的估计轴承的初始故障时间.

摘要： 针对传统隐Markov模型在机械故障诊断中存在的不足,提出了基于无限隐马尔可夫模型(iHMM)的机械故障诊断方法.在提出的方法中,以谱峭度为特征提取,iHMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型.实验结果表明,提出的方法明显优于传统的HMM故障识别方法,具有非常满意的识别效果.提出的方法能通过数据整合的方式有效避免了HMM在建模初期遗留下的不足.

摘要： 本发明公开了一种基于能量峭度谱的流体机械调制频率提取方法，包括：(1)采集流体机械的监测信号，并进行信号降噪；(2)进行频带分解，得到各频段滤波信号；(3)计算各频段滤波信号的形状因子和能量因子；(4)计算各频段滤波信号的能量峭度谱；(5)根据最大值准则确定目标频层，根据平均值准则确定目标频层的若干个滤波信号作为目标信号；(6)计算各目标信号的平方包络谱，并进一步得到平均平方包络谱；(7)确定观察频率范围，从观察频率范围中的平均平方包络谱中选取基准值；(8)从平均平方包络谱中捕捉流体机械的特征频率，获取对应的信号表征比。利用本发明，能够在低信噪比和强噪声干扰下有效实现调制频率的提取和表征。

摘要： 本发明涉及一种基于峭度指标与包络谱的空间轴承早期故障诊断方法，通过峭度指标与包络谱分析，评估空间轴承状态，实现在不拆解轴承情况下的轴承早期故障诊断，特别是通过对包络谱中轴承故障特征频率进行识别，可实现轴承故障定位。一方面，可及时识别并定位故障轴承，采取有效补救措施，避免不必要的轴系报废，另一方面，有效避免了存在轴承早期故障的产品交付整星发射，阻止了后续在轨运行后产品性能恶化、甚至航天器失效等严重事故的发生，具有重要的经济价值和社会价值。

摘要： 本发明公开了一种基于谐波峭度谱的滚动轴承故障诊断方法，首先根据轴承的结构特征计算出其故障频率，同时利用采集到的振动信号频谱估计其频谱趋势。其次，以趋势中的极小值点作为分界点实现信号频谱的自适应划分，得到若干个信号分量。而后，结合轴承的故障特征频率信息，求出信号各分量包络谱的谐波峭度值，并由此画出信号的谐波峭度谱。最终，对谐波峭度谱中幅值最大的分量进行分析，实现滚动轴承的故障诊断。

摘要： 本发明公开了一种基于奇异谱分解和谱峭度的包络分析方法，该方法首先利用奇异谱分解方法对原始信号进行分解，然后利用数据的重排和替代操作排除分解结果中的噪声分量和趋势项，接着再采用谱峭度方法对第一次滤波后的信号进行分析，得到最优滤波器的中心频率和带宽，然后利用该滤波器对第一次滤波后的信号再进行第二次滤波，然后采用三次样条迭代平滑包络分析方法对第二次滤波后的信号进行包络分析，最后根据包络谱确定旋转机械的故障类型。本发明适合于处理复杂的旋转机械故障信号，能够准确地判定出旋转机械的故障类型，具有良好的抗噪性和鲁棒性，便于工程应用。

摘要： 本发明涉及一种基于快速包络谱峭度的水轮机空化状态在线评价方法，包括以下步骤：步骤S1：采集水轮机原始的空化信号；步骤S2:根据快速包络谱峭度计算最优带通滤波器;步骤S3:采用最优带通滤波器进行带通滤波，获得冲击脉冲信号波形；步骤S4:采用数字包络解调求解冲击脉冲包络波形；步骤S5:通过对包络信号的识别可以获得冲击脉冲的数量、每个冲击脉冲的时间宽度以及脉冲的幅值大小；步骤S6:积分计算单位时间累计脉冲冲击能量和统计单位时间冲击脉冲密度；步骤S7:根据单位时间累计脉冲冲击能量和统计单位时间冲击脉冲密度，得到水轮机空化状态的评价。本发明利用冲击脉冲的密度、冲击能量强度在线实现对转轮空化发展程度的评价。

摘要： 本发明公开了基于子带重排与集合双树复小波包变换的重加权谱峭度方法，涉及信号处理和机械故障诊断技术领域，包括以下步骤：S1，使用指定分解层数的DTCWPT分解输入信号，将输入信号分解为指定分解层数的多层信号，每层信号包括多个小波分支；S2，重构最后一层的每个小波分支，得到与小波分支数量相等并与原始信号长度相同的重构子带；S3，对重构子带进行重新排序，得到重排后的重构子带对重排后的重构子带进行集合来得到更多节点ERSs；S4，将节点和的重加权峭度表示在(f,Δf)平面上得到重加权谱峭度图；S5，从重加权谱峭度图中选择最大重加权峭度对应的节点，然后对所选节点进行包络分析，最后根据包络分析结果对轴承故障进行准确诊断。

摘要： 本发明公开了一种基于奇异谱分解和谱峭度的包络分析方法，该方法首先利用奇异谱分解方法对原始信号进行分解，然后利用数据的重排和替代操作排除分解结果中的噪声分量和趋势项，接着再采用谱峭度方法对第一次滤波后的信号进行分析，得到最优滤波器的中心频率和带宽，然后利用该滤波器对第一次滤波后的信号再进行第二次滤波，然后采用三次样条迭代平滑包络分析方法对第二次滤波后的信号进行包络分析，最后根据包络谱确定旋转机械的故障类型。本发明适合于处理复杂的旋转机械故障信号，能够准确地判定出旋转机械的故障类型，具有良好的抗噪性和鲁棒性，便于工程应用。

摘要： 本发明提出的一种基于快速谱峭度的谐波识别方法，属于设备状态监测和故障诊断领域。首先对采集的振动信号进行快速谱峭度计算，得到对应谱峭度较大的p个滤波器，并对振动信号进行滤波和降噪处理，得到对应包络谱序列；再对每个包络谱序列进行区间划分，确定各子区间的基础频率；然后根据谐波搜索区间计算各子区间的有效谐波个数和谐波强度；最后计算各子区间的谐波强度指数，输出谐波强度指数最大的前n个子区间所对应的频率。该方法通过自动识别设备振动信号中的谐波成分，可以准确识别出调制信号的有效频率成分，为智能诊断轴承或齿轮等设备提供重要的故障征兆参数，相比人工识别调制信号的有效频率成分，明显简化工作复杂度且能提高诊断效率。

摘要： 本发明公开了一种基于谱峭度特征最大值确定滚动轴承退化点的方法，包括对被测试的滚动轴承的全寿命周期振动信号进行T次采样进而组成一个时间序列W＝[S1,S2,…,ST]，每个时间单位的采样信号为S；基于每个时间单位的采样信号S进行谱峭度计算，并依据每个时间单位的谱峭度提取M个时域特征值，形成特征矩阵XT×M，其中M是所提取特征个数，M的个数至少为5个；对特征矩阵的每列特征时序进行平滑处理；对每列特征时序始末阶段各5％的特征数据进行赋0处理；选取出现频次最高的对应时刻t′作为轴承退化点。本发明从确定滚动轴承退化开始时刻的角度考虑，评估轴承的退化程度并划分退化阶段，提升性能退化指标的可用性。

摘要： 本发明涉及一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，采集不同类型风机故障对应的故障信号；去均值化和降噪；获取处理的故障信号谱峭度图，转化为灰度图；灰度图随机划分成训练集、测试集；初始化卷积神经网络的网络参数，设定批量训练数据集大小，及总训练代数Z；训练卷积神经网络模型，且在反向传播过程中，采用批量梯度下降法调整所述卷积神经网络的网络参数；将测试集输入到步骤S5训练完成的卷积神经网络模型，获得诊断结果。本发明使用谱峭度图作为卷积神经网络的输入识别特征，对于风机的复合故障识别更为精准。