基于复合字典降噪和优化傅里叶分解的齿轮箱故障特征提取方法（英文）

针对傅里叶分解对噪声敏感且存在模态混叠导致无法准确提取齿轮箱故障特征的问题,提出了一种复合字典降噪与优化傅里叶分解相结合的齿轮箱故障特征提取方法.首先,根据齿轮箱信号特点构造复合字典,结合正交匹配追踪算法降低振动信号中的噪声;其次,针对傅里叶分解过程中的模态混叠现象,提出了利用频谱的极值点划分频带的方法对其进行优化,提高分解质量;再次,使用优化的傅里叶分解将信号分解为若干个傅里叶本征模态分量;最后,选择与降噪后信号相关系数最大的傅里叶本征模态分量进行包络谱分析.该方法可以准确提取振动信号的故障特征频率.通过对齿轮箱故障仿真信号和实验齿轮箱振动信号进行分析,验证了该方法的有效性.     

基于小波包分析的齿轮箱故障诊断研究

通过对齿轮箱正常和故障运行状态的振动信号进行分析,利用小波包理论将3种工况振动信号进行分解,根据不同频带内能量分布的不同以及能量比值指标,有效地进行了3种工况的识别与分类,结果表明,利用小波包分解是齿轮箱故障的一种有效的诊断方法。     

基于傅里叶分解和共振解调的齿轮箱故障诊断（英文）

目的：齿轮箱的振动信号频谱结构比较复杂,难以提取其故障特征频率。傅里叶分解方法可以将振动信号分解为多个单分量信号,利用共振频率筛选出最优分量并进行包络解调,识别特征频率以实现故障诊断。创新点：1.为了求解共振频率,提出一种基于短时向量的最大奇异值比方法;2.将傅里叶分解方法引入到齿轮箱故障诊断中,并利用共振频率选择最优分量进行包络解调以提取故障特征频率。方法：1.分析奇异值比与冲击信号的关系,提出求解共振频率的最大奇异值比方法;2.对比最大奇异值比方法与谱峭度方法在求解共振频率方面的表现,从而验证最大奇异值比方法的有效性;3.对比分析所提方法与传统的总体经验模态分解（EEMD）和变分模态分解（VMD）方法在信号分解与故障特征提取方面的效果,并通过仿真和实验进行验证。结论：1.最大奇异值比方法能够准确计算出共振频率,比谱峭度方法求解的频率值更加精确;2.基于傅里叶分解方法和最大奇异值比的共振解调方法能够有效提取故障特征频率,其在故障诊断方面的表现优于EEMD和VMD方法。     

常规双边带调幅与解调电路分析

常规双边带调幅（AM）信号的特点是载波的振幅受调制信号的控制作周期性的变化,变化的周期与调制信号的周期相同,振幅变化与调制信号的振幅成正比。常规双边带调幅波（AM）信号的解调是把接收到的已调信号还原为调制信号。它的解调方法有两种：相干解调与包络解波。本文对常规双边带调幅波（AM）信号的原理、具体实现电路、解调的的原理、解调的具体实现电路进行了研究和分析。     

基于倒谱预白化和辛几何模态分解数量规律的轴承故障特征提取方法（英文）

为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和背景噪声的干扰,提出了一种基于倒谱编辑信号预白化和辛几何模态分解数量规律的轴承故障特征提取方法.首先,对原始信号进行倒谱预白化来增强轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生只包含背景噪声和损伤引起的非平稳冲击成分的白化信号.其次,发现了辛几何模态分解中哈密顿矩阵的有效特征值数目与信号中的频率个数成2倍的数量规律,并通过仿真和理论推导验证了该数量规律.最后,构造预白化信号的轨迹矩阵,进行辛几何模态分解,根据发现的数量规律,选择相应的特征向量重构信号,进行希尔伯特包络谱分析,并提取故障特征.通过仿真分析和应用实例证明,所提方法可以清晰地提取轴承的故障特征.     

MRSVD-EMD方法在滚动轴承故障诊断中的应用

经验模态分解(EMD)广泛应用在故障分析过程中,特征提取时从状态信息中提取与机械设备故障有关的信息［1］。针对经验模态分解受噪声影响较大的问题,提出多分辨奇异值分解的方法,可以先利用多分辨奇异值分解将信号分成具有不同分辨率的近似信号和细节信号实现信号降噪,再进行经验模态分解,并计算其Hilbert边际谱得到准确的特征频率。实验通过仿真信号和滚动轴承故障特征提取,证明了多分辨奇异值分解（MRSVD-EMD）方法在滚动轴承故障诊断中能有效去除信号中的噪声成分,提取故障特征频率。     

基于小波特征的油浸式变压器电弧光故障诊断

基于小波分解频带能量特征和BP神经网络的方法识别油浸式变压器短路故障。利用电弧光信号进行油浸式变压器短路故障诊断,对不同工况下的光信号进行多分辨率分析的四层小波分解,选择合适的重构小波系数,提取特征频带。对提取出的特征频带的小波系数作平方和归一化处理,求出每个特征频带的能量,作为特征参数输入到BP神经网络模型中进行训练和故障识别。     

基于SystemView的QPSK仿真与分析

QPSK作为一种恒定包络的数字调制方式,占用射频带宽少,频带利用率高,抗干扰能力强,广泛应用于数字微波通信等系统,基于SystemView软件环境对QPSK的调制与解调进行建模、仿真,并通过眼图、信号星座图进行分析.     

小波包在旋转机械故障诊断中的应用

根据旋转机械故障振动信号的特点，提出了应用小波包分解、重构技术进行消噪处理及频带能量故障特征提取的方法，实验分析结果表明该方法可以有效地提高故障诊断的抗干扰能力和故障诊断的准确性。     

基于改进EMD的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号微弱、背景噪声强、故障特征难以提取的特点,提出一种基于包络谱灰色关联度改进的经验模态分解（Empirical Mode Decomposition,EMD）特征提取方法。首先,用EMD将原始振动信号分解成若干本征模函数（intrinsic mode function,IMF）分量,计算原始信号及分解后各阶IMF分量的包络谱;然后,用灰色关联度分析计算原始信号包络谱与IMF分量包络谱之间的关联度,以包络谱关联度大小筛选IMF分量进行加权;最后,对加权的IMF分量计算能量、峭度、偏度形成特征集,通过主元分析(Principal Component Analysis,PCA)降维后输入概率神经网络（Probabilistic Neural Network,PNN）进行故障状态识别。该方法利用包络谱灰色关联度有针对性地筛选出对故障特征敏感的IMF分量,相比于单纯利用线性关系大小筛选IMF分量的相关性分析更具针对性。对滚动轴承4种故障状态早期故障信号进行识别,准确率为97.5%,表明该方法是有效的。     

基于EMD的多特征参数和关联向量机的滚动轴承故障诊断研究

轴承作为工业中旋转机械中的重要部件,其故障将严重影响机械设备的安全运行.为了实现对轴承运行故障状态的有效诊断,提出了一种基于经验模态分解(empirical mode decomposition,EMD)提取的多特征参数的关联向量机的(Relevance vector machine,RVM)的滚动轴承的多故障诊断模型.首先运用经验模态分解的方法将轴承振动信号分解为多个固有的模态分量,之后将提取的表征轴承故障特征的IMF分量的能量、峭度、偏度构造特征向量,最后采用关联向量机多分类故障诊断模型进行故障模式识别.轴承实测振动信号分析表明:该方法能够有效、准确地诊断出轴承的故障状态,具有较高故障诊断准确率.     

基于随机共振理论的低速重载齿轮故障诊断研究

基于随机共振理论,结合包络解调分析研究微弱低频幅值调制信号的增强与提取,并应用于低速重载齿轮的故障诊断.先将低频幅值调制信号输入到双稳非线性系统,运用信号自含噪声或外加噪声,实现随机共振现象,然后再进行包络解调分析.对模拟调幅信号和实测低速重载齿轮箱振动信号的分析结果,证实所提出方法的有效性和优越性.     

发动机声信号特征提取及方法改进

根据声信号非平稳这一特点,对传统特征提取的方法进行改进,提出一种基于区间小波包分解和频带局部能量法相结合特征提取法,经实践证明,基于频带局部能量区间小波包特征提取法与传统小波包特征提取法相比,能够更有效地提取发动机的故障信息.     

基于TD-LTE技术的城轨机电设备故障信号分离方法

对故障信号进行分离可以提升城轨机电设备稳定性,为提高城轨机电设备故障信号分离效率,提出了基于TD-LTE技术的城轨机电设备故障信号分离方法.根据非线性函数将设备低维故障信号特征映射到高维空间,引入惩罚函数,对机电设备故障信号进行分类,结合拉格朗日因子算法,提取城轨机电设备故障特征.根据城轨机电设备结构,分析了机电设备受力情况,分析列车受力的传递过程,构建城轨机电设备动力学模型.利用TD-LTE技术采集网络无线接口有关的数据,通过线性瞬时混合,输出机电设备故障观测信号,结合经验模式分解,实现城轨机电设备故障信号的分离.实验结果表明,本方法能够分离出城轨机电设备故障信号,并将误码率和精度分别控制在10%以内和85%以上,大大提高了故障信号的分离效果.     

风机齿轮箱故障诊断系统的设计与实现

针对风力发电机关键部件齿轮箱故障频率高、诊断难的问题,开发了包含传统时频域分析和现代分析模块的故障诊断系统。该系统对所采集的振动信号进行了小波去噪、小波包分解并重构后得到各频段能量占比的特征向量,将该特征向量输入到Back Propagation（BP）神经网络模型进行振动信号与正常或各故障状态之间映射,从而智能识别运行状态。应用Matlab和Labview开发系统,输入齿轮箱的4种典型运行状态进行验证,结果表明,所设计的系统可较好地对风机齿轮箱的故障进行诊断。     

风力发电机齿轮箱故障诊断系统的设计与实现

针对风力发电机关键部件齿轮箱故障频率高、诊断难的问题,开发了包含传统时频域分析和现代分析模块的故障诊断系统。该系统对所采集的振动信号进行了小波去噪、小波包分解并重构后得到各频段能量占比的特征向量,将该特征向量输入到Back Propagation(BP)神经网络模型进行振动信号与正常或各故障状态之间映射,从而智能识别运行状态。应用Matlab和Labview开发系统,输入齿轮箱的4种典型运行状态进行验证,结果表明,所设计的系统可较好地对风机齿轮箱的故障进行诊断。     

小波分析在信噪分离中的应用原理

小波多分辨率分解能够将信号在不同的尺度上展开,因而具有对信号按频带进行处理的能力,这对于分析特定频段上信号的细节,建立表征识别故障信号的特征以及清除信号的干扰与噪声等方面具有十分重要的意义。     

自适应信号分解实验装置

用开关电容滤波器和锁相环构成的二阶自适应带通滤波器,运用锁相环原理为开关电容滤波器提供时钟信号,使其带通滤波中心频率将跟随输入信号频率变化,克服了传统滤波器带通中心频率不易改变的缺点。实验结果表明,该滤波器较好地实现了自适应带通滤波的功能,可用于教学和科研中周期信号的分解。     

含稀疏度约束的非负张量分解算法及其在故障诊断中的应用(英文)

针对双谱分析在应用于机械设备故障诊断过程中面临的问题,提出了含有稀疏度约束的非负张量分解算法及基于此的二次故障特征提取方法.首先,改进已有的非负张量分解算法,加入稀疏度控制策略;其次,将机械振动信号的双谱图像堆叠为一个三阶张量;然后利用改进后的分解算法对该张量进行二次故障特征提取,得到代表局部特征的"基图像";最后,通过计算得出基图像在构成原双谱图像中所占的权重,并将得到的权重向量用于故障分类.将该方法应用于齿轮箱故障诊断的结果表明,从齿轮箱振动信号的双谱中提取出来的二次特征不仅能够反映出系统中存在的一些非线性特征,而且二次特征与故障特征频率之间有直观的对应关系,从而为解释齿轮箱故障与对应双谱之间的关系提供了很大的方便.     

基于小波分析的机械故障诊断

噪声是影响设备早期故障诊断正确性的主要因素。利用小波变换对机械设备的噪声信号进行多层次分解,并根据奇异性进行滤波,该法可以对信号进行良好的降噪,同时也不会弱化信号中的弱故障信号。通过对机械设备早期故障信号分析,结果表明奇异信号特征法对水泵早期故障诊断是有效的。