研究了基于自适应最稀疏时频分析方法的非线性系统识别方法。通过自适应最稀疏时频分析方法识别了Duffing非线性系统和Van der Pol非线性系统的自由振动响应以及这两种系统在简谐激励下的响应,得到了响应的瞬时振幅和瞬时频率,并用最小...研究了基于自适应最稀疏时频分析方法的非线性系统识别方法。通过自适应最稀疏时频分析方法识别了Duffing非线性系统和Van der Pol非线性系统的自由振动响应以及这两种系统在简谐激励下的响应,得到了响应的瞬时振幅和瞬时频率,并用最小二乘曲线拟合了非线性系统识别参数及简谐激励的大小和频率。分析了识别精度的影响因素,与基于小波分析方法和希尔伯特-黄变换方法的非线性系统识别方法进行了比较,研究表明自适应最稀疏时频分析方法可以有效地识别典型非线性系统参数。展开更多
针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅...针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。展开更多
自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法是一种新的信号分解方法,该方法将信号分解问题转化为优化问题,以得到信号的最稀疏解。优化过程采用高斯-牛顿迭代算法,但高斯-牛顿迭代算法对初值依赖...自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法是一种新的信号分解方法,该方法将信号分解问题转化为优化问题,以得到信号的最稀疏解。优化过程采用高斯-牛顿迭代算法,但高斯-牛顿迭代算法对初值依赖性高,采用黄金分割法(Golden Section,GS)对ASTFA方法进行初值搜索,提出了基于黄金分割搜索初值的ASTFA方法(GS-ASTFA),仿真信号的分析结果验证了改进方法的有效性。继而采用该方法提取了滚动轴承故障特征值,并成功地进行了故障特征值趋势分析和寿命预测。展开更多
文摘研究了基于自适应最稀疏时频分析方法的非线性系统识别方法。通过自适应最稀疏时频分析方法识别了Duffing非线性系统和Van der Pol非线性系统的自由振动响应以及这两种系统在简谐激励下的响应,得到了响应的瞬时振幅和瞬时频率,并用最小二乘曲线拟合了非线性系统识别参数及简谐激励的大小和频率。分析了识别精度的影响因素,与基于小波分析方法和希尔伯特-黄变换方法的非线性系统识别方法进行了比较,研究表明自适应最稀疏时频分析方法可以有效地识别典型非线性系统参数。
文摘针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。
