峭度

摘要： 研究了脉冲噪声下FIR模型的参数估计问题.对于脉冲噪声扰动的模型,基于误差平方准则的辨识算法的性能会变差,为了克服这个问题,提出了一种信息准则梯度算法.该算法基于香农误差熵梯度和Parzen窗估计推导而得出,与平方准则算法相比,该算法可以捕获更多的误差统计信息,并能给出更精确的估计.为了提高算法的速度,将基于峭度的可变步长算法集成到算法中.这种可变步长使用了误差的四阶统计量,可以加快算法的速度.同时,给出了一种确定最大步长的简单方法,数值实验验证了算法的有效性.估计结果表明,该算法能够较好地抑制脉冲噪声,并以较快的收敛速度获得准确的估计.

摘要： 针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function, IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis, KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine, SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.

摘要： 针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积(MCKD)和变分模态分解(VMD)进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。

摘要： 当轴承出现局部故障,能够表征滚动轴承早期故障的微弱冲击特征在传感器采集的过程中往往被强背景噪声所淹没,且易受信号传输路径的影响,从而导致轴承故障难以诊断。针对上述问题,本文提出一种改进VMD与MOMEDA(Multi-point optimal minimum entropy deconvolution,多点最优最小熵解卷积)的自适应滚动轴承联合降噪方法。首先为了避免VMD方法重要参数严重依赖人工先验知识等问题,采用PSO寻优算法对VMD重要参数进行优化处理,并以峭度作为优化指标选择最优IMF分量,进一步采用MOMEDA消除信号中传输路径的影响,最后结合1.5维能谱诊断滚动轴承故障。与MED-VMD及常规包络谱方法相比较,证明了本文所提方法在轴承故障特征提取领域的优势所在。

摘要： 针对滚动轴承振动信号具有非平稳性以及工作情况下难以获得故障频率的情况,文章提出了一种基于小波分解改进算法和峭度最大原则对滚动轴承进行诊断的方法。首先,对小波分解改进算法进行验证,发现小波分解改进算法能够很好地克服小波分解传统算法过程中出现的频率混淆问题;然后,在小波分解改进算法的基础上,利用峭度最大原则选取故障频段,对其进行Hilbert包络解调和傅里叶变换来查看故障频率,最后通过美国凯斯西储大学实验室提供的数据对上述方法进行验证,并与小波分解传统算法进行了对比。结果表明,基于小波分解改进算法和峭度最大原则的故障诊断方法能够更加精准地识别故障频率,克服主频偏移的问题,有效地解决频率折叠现象和真实频率的映像问题,具有较好的可行性和优越性。

摘要： 柔性薄壁轴承的内外圈是椭圆,这使得它和普通滚动轴承的振动特性完全不同。这种轴承旋转过程中椭圆长短轴会对轴承造成周期性冲击,这种正常的周期性冲击和轴承元件损伤引起的故障周期性冲击混合在一起,掩盖了故障周期性冲击。分析了这种正常周期性冲击的频率分布特点,根据奇异值和频率的内在关系,提出利用奇异值分解(Singular Value Decomposition,SVD)来消除这种正常周期性冲击,选择正常周期性冲击的频率成分对应的奇异值进行SVD重构,可以准确地分离出这种正常冲击,从而消除其对故障周期性冲击的干扰。进而采用连续Morlet小波变换对消除了正常周期性冲击的柔性薄壁轴承振动信号进行故障冲击特征提取,选择峭度最大的尺度为故障特征尺度,清晰地提取到了柔性薄壁轴承的故障冲击特征,故障特征提取效果优于没有消除正常冲击时的故障特征提取效果。

摘要： 现有的炮击振动信号模拟方法基于平稳、高斯分布的振动,模拟了自功率谱密度等低阶统计特征。但炮击振动信号具有非平稳、非高斯特点,对于这类具有瞬态重复特性炮击振动信号的高阶特征模拟问题,基于目标峭度值与指数函数迭代计算指数参数值并生成调制信号,对平稳高斯信号进行幅值调制后生成炮击振动模拟信号。在实例验证中,通过对比炮击振动模拟信号与实测炮击信号的功率谱密度(PSD)、峭度值、疲劳损伤谱、冲击响应谱验证了方法的有效性。

摘要： 目前轴承健康监测指标主要通过统计模型和机器学习等方法建立,其过程比较繁琐且需要人工干预。动态模式分解(DMD)在振动信号分析中已得到有效应用,但DMD在高采样频率下计算耗时严重且占用的计算空间较大。本文结合压缩感知算法和DMD,提出了基于压缩动态模式分解(CDMD)的滚动轴承健康指标构建方法。首先利用一个低维随机观测矩阵生成压缩的Hankel矩阵,以提高轴承振动信号的奇异值分解速度;然后以模式分解得到的特征值为基础,计算出特征值实部的峭度和模式幅值的均方根值(RMS),从而构成更加简单而有效的轴承健康指标。通过仿真信号和实验信号对本文方法进行验证,结果表明,CDMD可以代替DMD实现信号的加速分解并获得精确的特征值,所构建的指标能有效区分轴承生命周期中的不同运行阶段。

摘要： 现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域,从频域提取特征进行故障诊断,而常用的信号小波分解和经验模态分解方法存在小波基选择困难、易出现频谱混叠和端点效应的问题,导致故障诊断准确率较低。针对上述问题,提出了一种基于变分模态分解(VMD)-BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号,并对音频信号进行预处理,以抑制音频信息中的噪声信号;然后采用VMD将音频信号按照中心频率分解成不同的IMF(本征模态函数)分量,提取各个IMF分量的峭度、重心频率、频率标准差等特征值;最后将特征值输入到已经训练好的BP神经网络,根据IMF分量特征值的差异,可以实现通过音频对矿用带式输送机托辊故障进行诊断,并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD-BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证,结果表明:该方法在分解、提取音频信号特征时,可以避免分解过程中的频谱混叠与端点效应,总体故障诊断准确率达到96.15%,与采用BP神经网络的故障诊断方法和基于小波分解与BP神经网络的故障诊断方法相比分别提高了26.92%,15.38%,同时误检率也明显降低。

摘要： 研究含气率变化对混输泵关键部位振动特性的影响规律对混输泵运行稳定性提升有重要意义。在不同含气率工况下对叶轮型式不同的两种多级气液混输泵PR泵和PH泵开展了关键部位的振动测量。统计了振动信号的时频特性。构建了(均方根,峭度)二维特征量作为指标开展振动信号的特征分析。结果表明:相对含气率由0%增加到100%时,两种混输泵的轴承箱体及泵进口处振动均出现了增强,其中,振动烈度最大的部位为轴承箱体,且PH泵的轴承箱体最大振动烈度高于PR泵;含气率的增加使PR泵轴承箱体的振动能量更加明显的向泵进口处位置传播;在轴承箱振动信号的(均方根,峭度)二维特征值图上,通过零峭度线可以清晰区分PR泵和PH泵。此外,PR泵所有测点处振动信号的峭度值均高于PH泵,表明在当前试验条件下,PR泵存在故障的可能性高于PH泵。

摘要： 本文提出了一种适合于多径DS/CDMA系统下行链路的盲检测方法,这种方法利用使接收信号的峭度最小达到消除多址干扰(MAI)及码间干扰的目的,并在信号预处理的过程中结合了子空间分解的方法降低信号维数,接收机所需要的已知条件仅为所求用户的扩频码,是一种全盲检测方法.

摘要： 本文主要将改进的ICA优秀算法优化并运用于多通道混合图像分离与处理中,通过同基于特征分析的线性变换技术的对比,以及实验并探讨噪声对混合图像的ICA分离的影响,取得了一些有价值的仿真结果.

摘要： 本文主要将改进的ICA优秀算法优化并运用于多通道混合图像分离与处理中,通过同基于特征分析的线性变换技术的对比,以及实验并探讨噪声对混合图像的ICA分离的影响,取得了一些有价值的仿真结果.

摘要： 本文主要将改进的ICA优秀算法优化并运用于多通道混合图像分离与处理中,通过同基于特征分析的线性变换技术的对比,以及实验并探讨噪声对混合图像的ICA分离的影响,取得了一些有价值的仿真结果.

摘要： 本文主要将改进的ICA优秀算法优化并运用于多通道混合图像分离与处理中,通过同基于特征分析的线性变换技术的对比,以及实验并探讨噪声对混合图像的ICA分离的影响,取得了一些有价值的仿真结果.

摘要： 盲信源分离试图从一组混合观察数据中恢复未知的独立源信号.自然梯度算法是盲源分离的重要算法,因为它的性能独立于混合矩阵.本文利用自然梯度算法研究常见通信信号的盲信源分离问题,对于8个不同信号随机混合进行了计算机模拟实验,结果显示算法能够有效地恢复原始信号.

摘要： 盲信源分离试图从一组混合观察数据中恢复未知的独立源信号.自然梯度算法是盲源分离的重要算法,因为它的性能独立于混合矩阵.本文利用自然梯度算法研究常见通信信号的盲信源分离问题,对于8个不同信号随机混合进行了计算机模拟实验,结果显示算法能够有效地恢复原始信号.

摘要： 盲信源分离试图从一组混合观察数据中恢复未知的独立源信号.自然梯度算法是盲源分离的重要算法,因为它的性能独立于混合矩阵.本文利用自然梯度算法研究常见通信信号的盲信源分离问题,对于8个不同信号随机混合进行了计算机模拟实验,结果显示算法能够有效地恢复原始信号.

摘要： 本发明公开了一种基于峭度和偏度的变压器励磁涌流识别方法，步骤包括：初始化设置第一整定值、第二整定值和第三整定值；以指定采样频率对变压器差动电流进行均匀不间断采样得到采样值序列；如果差动电流的当前有效值小于第一整定值，则退出；否则，针对当前的采样值序列，计算最近一个工频周波的差动电流的峭度值和偏度值；如果峭度值大于第二整定值且偏度值大于第三整定值，则判定变压器为励磁涌流运行状态，闭锁变压器差动保护；否则，判定变压器为其它非励磁涌流运行状态；返回继续针对差动电流的当前有效值进行处理。本发明具有判据区分度明显、识别结果正确率高、硬件实现要求低、判断时间短、实时性好、实施装置的硬件要求低的优点。

摘要： 本发明公开了一种基于峭度和偏度的变压器励磁涌流识别方法，步骤包括：初始化设置第一整定值、第二整定值和第三整定值；以指定采样频率对变压器差动电流进行均匀不间断采样得到采样值序列；如果差动电流的当前有效值小于第一整定值，则退出；否则，针对当前的采样值序列，计算最近一个工频周波的差动电流的峭度值和偏度值；如果峭度值大于第二整定值且偏度值大于第三整定值，则判定变压器为励磁涌流运行状态，闭锁变压器差动保护；否则，判定变压器为其它非励磁涌流运行状态；返回继续针对差动电流的当前有效值进行处理。本发明具有判据区分度明显、识别结果正确率高、硬件实现要求低、判断时间短、实时性好、实施装置的硬件要求低的优点。

摘要： 本发明提供了基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法，公开了一种故障诊断过程中基于峭度比系数筛选辛几何模态分解的辨识方法。该发明整体包括采样数据预处理、故障信号分量的分解筛选、辨识分类三个部分。其中，采样数据预处理由小波降噪和数据划分组成；故障信号分量的分解筛选包括辛几何模态分解以及运用峭度比系数筛选两个步骤；辨识分类则由特征提取与SVM模型训练和测试组成。本发明的基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法，将辛几何模态分解与峭度比系数筛选相结合，旨在提供一种有效的齿轮故障辨识方法，从而提高故障诊断的准确率。

摘要： 本发明公开了一种高速转子峭度检测故障诊断装置和方法，该故障诊断装置包括隔振台；支架，其设置在隔振台上；密封机构，其与支架连接，构成一容纳待检测的高速转子的容置空间；振动传感器，其设置在密封机构上，与待检测的高速转子连接；该振动传感器用于采集待检测的高速转子处于工作状态时的运行参数，以根据运行参数判断待检测的高速转子是否存在故障。该故障诊断装置可提高高速转子机械故障检测的准确性，有效丰富高速转子故障检测手段，并提高产品长期运转可靠性。

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： 本发明涉及基于最大重加权峭度盲解卷积的机械故障诊断方法，属于风电机组故障诊断技术领域，提出一种新的盲解卷积方法，即最大重加权峭度盲解卷积。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。基于此，最大重加权峭度盲解卷积方法能有效解决经典基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。并且在风电涡轮机故障诊断中的应用案例证实所提方法对于齿轮故障诊断的有效性。

摘要： 本发明涉及一种基于EEMD‑HT‑峭度分析的工业机器人关节电流信号异常检测方法，首先获取工业机器人每个关节的U、V、W三相中的任意两相；然后使用自相关分析方法获取电流信号的周期后对信号分割；通过互相关的方法消除不同时刻信号间的相位差；分别对周期内的工业机器人关节电流信号进行EEMD‑HT进行处理得到IMF真分量包络信号；最后比较被监测工业机器人电流信号IMF真分量的包络信号峭度与工业机器人正常状态基准电流信号的IMF真分量的包络信号峭度波动范围完成异常检测。本发明所述的基于EEMD‑HT‑峭度分析的工业机器人关节电流信号异常检测方法，为解决工业机器人关节异常检测问题提供了新的有效方法。

摘要： 本发明公开了一种基于电流峭度的电机启动堵转检测方法，本发明通过检测电机软启动特定时间窗口内电流峭度，并与正常软启动电流峭度进行分析，实现对电机是否存在堵转故障进行精准检测。本发明提出的电机启动堵转检测方法将电机运行工况发生改变时的正常软启动电流峭度作为基准值，能有效提高该算法适应不同工况环境以及抑制电机老化导致参数漂移及快速检测堵转的能力。

摘要： 本发明公开了一种基于卷积神经网络和峭度图的滚动轴承故障诊断方法，包括：采集不同工况下的滚动轴承振动信号数据；利用快速峭度图算法将滚动轴承一维振动信号转换为二维峭度图，划分训练集和测试集；将训练集输入到构建的ResNet50卷积神经网络模型中进行迭代学习训练，直到其收敛；将测试集输入训练后的ResNet50卷积神经网络模型，确定故障分类，评估诊断正确率，优化结构和参数，直到最佳并保存；采集新的滚动轴承轴承振动信号，并生成二维峭度图，将其输入到最佳ResNet50卷积神经网络模型，进行故障分类和识别。本发明利用频谱峰度分析从滚动轴承振动信号数据中提取特征，结合多层卷积神经网络对复杂的多维振动信号数据进行处理，提高了故障诊断分类正确率。