测试技术3x新时频分析

无损检测技术中常用的信号处理与数据分析方法无损检测技术是一种在不破坏被测物体的情况下，通过对其内部信息的获取和分析来判断其质量或缺陷的技术。

在无损检测中，信号处理和数据分析是不可或缺的步骤，它们能够帮助我们从复杂的信号中提取有用的信息，并对数据进行有效的分析和解释。

以下将介绍几种在无损检测中常用的信号处理与数据分析方法。

1. 傅里叶变换傅里叶变换是一种将信号从时域转换到频域的方法。

在无损检测中，我们常常需要分析频域信息来判断被测物体的状态。

傅里叶变换可以将时域信号转换成频域信号，提供了信号的频率成分和幅值信息。

通过对频域信号进行分析，我们可以检测到一些特定频率的异常，例如材料中的缺陷或损伤。

2. 小波变换小波变换是一种时频域分析方法，它能够提供更详细、更准确的频域信息。

在无损检测中，小波变换可以将非平稳信号分解成不同频率的小波系数，从而提供更多的细节和局部特征。

通过对小波系数的分析，我们可以检测到更小尺度的缺陷，例如微裂纹或局部损伤。

3. 自适应滤波自适应滤波在无损检测中被广泛应用于提取有效信号与噪声的分离。

自适应滤波通过自动调整滤波器参数，使得滤波器能够适应信号的变化和噪声的变化。

通过对信号进行自适应滤波，我们可以提高信噪比，并更好地分离出被测物体中的有效信号。

4. 统计分析统计分析是对无损检测数据进行整体分析和解释的方法。

通过统计分析，我们可以获取数据的一些特征参数，例如均值、方差、相关性等。

统计分析可以帮助我们了解数据的分布情况和趋势，从而判断被测物体的状态。

常用的统计分析方法包括假设检验、方差分析、回归分析等。

5. 接口波形分析接口波形分析是一种用于检测材料界面上的缺陷的方法。

在无损检测中，材料界面上的缺陷（例如焊接接头、胶合界面等）是常见的问题。

接口波形分析可以通过分析信号在材料界面处的反射和散射，来判断这些界面上的缺陷情况。

通过对接口波形的变化进行分析，我们可以检测到界面处的缺陷或变形。

龙源期刊网
一种新的时频分析方法
作者：杨宇曾鸣程军圣
来源：《湖南大学学报·自然科学版》2012年第06期
摘要：在定义瞬时频率具有物理意义的内禀尺度分量的基础上，提出了一种新的自适应时频分析方法——局部特征尺度分解，该方法可以自适应地将一个复杂信号分解为若干个ISC 分量之和.分别采用LCD方法和经验模态分解方法对仿真信号进行了分析，分析结果表明：2
种方法都可以有效地对信号进行分解，但LCD方法在计算效率和抑制端点效应等方面要优于EMD 方法.此外，还将LCD方法应用于滚动轴承故障诊断，实验信号的分析结果进一步表明
了该方法的有效性.。

探讨如何优化三维芯片测试时间
何朋;李哲
【期刊名称】《通讯世界》
【年(卷),期】2022(29)10
【摘要】为解决三维芯片测试时间长、成本高等问题,简要分析了三维集成制造工艺及其优势,并从绑定前测试、绑定中测试以及绑定后测试等方面,对三维芯片测试技术进行研究。

在此基础上,重点探讨三维芯片测试时间优化措施,以期为相关人员提供参考。

【总页数】3页(P127-129)
【作者】何朋;李哲
【作者单位】中国电子科技集团公司第十三研究所
【正文语种】中文
【中图分类】TN407
【相关文献】
1.三维IP核绑定前后总测试时间的优化方法
2.一种优化芯片测试时间的方法
3.一种部分流水的多塔三维SoC测试时间优化算法
4.一种三维SoCs绑定前的测试时间优化方法
5.降低系统芯片测试时间的芯核联合测试方案
因版权原因，仅展示原文概要，查看原文内容请购买。

现代信号处理时频分析的基本概念时频分析的基本概念涵盖了以下几个方面：1.时频表示：时频表示是将信号在时频域上进行表示和展示的方法。

常见的时频表示方法有短时傅里叶变换（STFT）、连续小波变换（CWT）、时频分布、迭代型时频分析等。

这些方法可以将信号在时间和频率上的变化过程进行可视化分析，帮助我们直观地了解信号的时频特性。

2.时间-频率分辨率：时频分辨率是指通过时频分析方法获取的结果对信号时间和频率的分辨能力。

在时域上，分辨率高意味着可以更精细地观察信号的瞬时特性；在频域上，分辨率高意味着可以更准确地观察信号的频带特性。

然而，时间与频率的分辨率在其中一种程度上存在一种不可调和的矛盾，这被称为希尔伯特不确定性原理。

3.信号的局部特性：时频分析可用于观察信号局部特性的变化。

通过时频分析，我们可以识别信号中的瞬态、周期性、谱线（频率的连续分布）和突变点。

这些局部特性可以帮助我们更好地理解信号的属性和结构。

4.图像处理方法：在进行时频分析时，图像处理方法是一种常见的工具。

这些方法包括边缘检测、阈值处理、小波变换、频谱滤波等。

图像处理方法的应用可以提高时频分析的准确性和可视化效果，并帮助我们更好地理解信号的时变特性。

5.实时性：实时时频分析是指对实时数据进行连续的时频分析。

由于现代信号处理应用要求对实时信号进行快速分析和处理，因此实时时频分析是一项关键技术。

实时时频分析方法通常要求高效的计算和算法优化，以满足实时处理的需求。

总之，时频分析是现代信号处理中的重要概念，在信号处理、通信、雷达等领域有广泛的应用。

时频分析方法可以帮助我们更全面地理解信号的时频特性，从而提高信号的处理和分析效率。

Matlab中的时频分析与瞬态分析技术详解引言：Matlab作为一种功能强大且广泛应用的数学软件，被广泛用于信号处理、数据分析等领域。

在信号处理领域，时频分析与瞬态分析是重要的技术手段。

本文将详细介绍Matlab中的时频分析与瞬态分析技术，包括原理、方法和应用等方面内容，以帮助读者更好地理解和应用这些技术。

一、时频分析的原理与方法时频分析是指对信号在时域和频域上的特性进行综合研究的一种方法。

时频分析的基本思想是将信号分解为一系列窄带信号，并对每个窄带信号进行频域分析，从而得到信号在不同频率和时间上的特性。

常用的时频分析方法包括短时傅里叶变换（Short-time Fourier Transform，STFT）、连续小波变换（Continuous Wavelet Transform，CWT）等。

1. 短时傅里叶变换（STFT）短时傅里叶变换是一种经典的时频分析方法，其基本思想是将信号分段进行傅里叶变换。

Matlab中可以使用stft函数来进行短时傅里叶变换。

以下是一个简单的示例：```MatlabFs = 1000; % 采样率t = 0:1/Fs:1-1/Fs; % 时间序列f0 = 50; % 信号频率x = sin(2*pi*f0*t); % 生成信号windowLength = 128; % 窗口长度overlapLength = 100; % 重叠长度[S,F,T] = stft(x, windowLength, overlapLength, Fs);imagesc(T, F, abs(S));set(gca,'YDir','normal');colorbar;```上述代码通过生成一个正弦信号，并对其进行短时傅里叶变换，将结果使用图像表示出来。

通过调整窗口长度和重叠长度，可以获得不同精度和分辨率的时频谱图。

2. 连续小波变换（CWT）连续小波变换是一种基于小波分析的时频分析方法，其基本思想是将信号与一系列不同尺度的小波基函数进行内积运算。

时频分析方法提取对空近炸引信多普勒信号频率信息特征张飞鹏1,郭东敏1,崔　新2(1.西安机电信息研究所,陕西西安　710065;　2.西北工业大学,陕西西安　710072)摘　要:随着数字信号处理技术的发展和高性能数字信号处理器件的出现,使得利用时频分析方法实时提取信号的时变频率信息成为可能。

在表征信号频率的时变性能方面,对目前广泛使用的数字计数测频方法和新提出的时频分析估计频率方法作了具体的分析和比较。

最后通过仿真,验证了在弹目交会的短暂过程中连续波多普勒体制对空无线电近炸引信回波信号多普勒频率随时间的变化规律。

关键词:瞬时频率;Wig ner -Ville 分布;时频分析中图分类号:TN 911.72　文献标识码:A 文章编号:1008-1194(2003)02-0039-030　引言为实现弹目交会信号的识别与炸点控制,在引信信号处理中常需测量目标回波信号的频率,如测定多普勒频率或差频信号频率。

对于远场区多普勒频率,由于距离较远时多普勒频率变化缓慢,在处理期间可认为是不随时间变化的。

近场区,随着弹目交会距离的接近,多普勒频率明显降低,这时待估频率成为时变量。

时变量的估计已有多种方法,如采用数字计数的方法测量多普勒频率等,随着现代信号处理理论的发展和高性能数字信号处理器件(如DSP 和CPLD 芯片)的出现,应用新理论(如时频分析)和相应的算法,可使引信弹目交会信号瞬时频率估计性能提高一个层次。

1　数字计数测频方法图1　数字计数测频率的原理框图采用数字计数方法测频时,可按图1所示的原理方框图设计电路。

通过过零检测将模拟信号转化为同频脉冲,再对输入脉冲进行计数,在给定的时间内,计数脉冲达到给定值时,系统输出控制信号。

数字计数测频的实质是求取了给定时间内的平均频率,尽管可以调整给定时间宽度,但其最小值不能小于同频脉冲时间宽度的最大值,即其测时变频率的性能受到同频脉冲时间宽度最大值的限制,这种限制是信号自身固有的。

时-频信号分析与雷达的多目标分辨
孙晓兵
【期刊名称】《系统工程与电子技术》
【年(卷),期】1997(000)011
【摘要】无
【总页数】1页(P12)
【作者】孙晓兵
【作者单位】无
【正文语种】中文
【相关文献】
1.基于Costas编码跳频雷达信号分析及成像研究 [J], 罗贤全;尚朝轩;何强
2.基于时频特征的低分辨雷达微动多目标分辨方法 [J], 黄小红;贺夏;辛玉林;陈曾平
3.雷达非刚性多目标的时—频分辨方法 [J], 戴征坚
4.一种基于时–空–频联合选择与相关向量机的运动想象脑电信号分析算法 [J], 王洪涛;李霆;黄辉;贺跃帮;刘旭程
5.脉内调频、脉间步进跳频雷达信号分析 [J], 吕贵洲; 何强; 魏震生
因版权原因，仅展示原文概要，查看原文内容请购买。

在Matlab中进行时频分析和信号时频分析时频分析是在时域和频域两个维度上分析信号特性的方法，能够揭示信号在时间和频率上的变化规律。

Matlab是一款功能强大的数学计算软件，提供了丰富的工具和函数用于进行时频分析和信号处理。

本文将介绍如何在Matlab中进行时频分析和信号时频分析的基本方法和应用场景。

首先，我们需要了解时频分析的基本概念和常用方法。

时频分析是一种将信号分解成时域和频域信息的技术，可以用于分析信号的瞬时频率、频谱演化等特征。

常用的时频分析方法包括短时傅里叶变换（STFT）、连续小波变换（CWT）、希尔伯特-黄变换（HHT）等。

这些方法基于不同的数学原理和算法，适用于不同类型的信号分析任务。

在Matlab中，时频分析的基本工具是信号处理工具箱（Signal Processing Toolbox）。

该工具箱提供了一系列函数，用于实现信号的时域和频域分析、滤波、频谱估计等。

以STFT为例，可以使用函数`spectrogram`实现信号的时频谱计算和绘制。

该函数接受信号和窗函数作为输入参数，并计算出信号在不同时间和频率上的能量大小。

通过调整窗函数的长度和参数，可以获得不同精度和分辨率的时频谱图。

除了基本的时频分析方法，Matlab还提供了信号处理工具箱中的其他函数和工具，用于处理和分析特定类型的信号。

例如，在音频信号处理方面，可以使用`stft`函数进行短时傅里叶变换，并通过调整参数获得不同时间和频率分辨率的频谱图。

对于语音信号的时频分析，可以使用`pmtm`函数计算信号的功率谱密度，并利用谱峰提取算法获得信号的主频率。

此外，Matlab还提供了丰富的可视化工具和函数，用于将时频分析结果呈现出来。

通过调用绘图函数，可以绘制出时频谱图、频谱图、功率谱图等，直观显示信号的时频特性。

可以使用不同的颜色图表、坐标轴设置和图像处理技术来增强图像的可读性和表达力。

在实际应用中，时频分析广泛应用于许多领域。

专业课原理概述部分一、选择题（每题1分，共5分）1. 下列哪种传感器不属于机电工程中常用的传感器类型？A. 温度传感器B. 压力传感器C. 湿度传感器D. 光照传感器A. 精度B. 线性度C. 稳定度D. 重复性3. 下列哪种测试方法不属于动态测试？A. 频率响应法B. 冲击响应法C. 静态测试法D. 转速测试法A. 传感器老化B. 环境温度变化C. 测量人员操作不当D. 仪器设计缺陷5. 下列哪种设备不是用于信号调理的？A. 放大器B. 滤波器C. 信号发生器D. 采样保持器二、判断题（每题1分，共5分）1. 机电工程测试技术中的传感器都是将非电量转换为电量的装置。

（）2. 在测试过程中，随机误差可以通过多次测量取平均值来消除。

（）3. 系统误差是指在相同条件下，多次测量结果平均值与真值之间的差异。

（）4. 信号调理的目的之一是为了提高信号的抗干扰能力。

（）5. 机电工程测试中，所有的测试数据都不需要进行预处理。

（）三、填空题（每题1分，共5分）1. 机电工程测试技术主要包括____、____、____三个环节。

2. 传感器按照被测量的物理量不同，可以分为____、____、____等类型。

3. 测试系统的精度主要由____、____、____等因素决定。

4. 在信号处理过程中，____是一种常用的时域分析方法。

5. 机电工程测试中，为了保证测试结果的可靠性，需要对测试数据进行____、____等处理。

四、简答题（每题2分，共10分）1. 简述传感器在机电工程测试中的作用。

2. 试述静态测试与动态测试的区别。

3. 简述信号调理的基本内容。

4. 什么是系统误差？它有哪些特点？5. 如何提高测试系统的抗干扰能力？五、应用题（每题2分，共10分）1. 设有一台电机，其转速为n(r/min)，试计算在t(s)时间内，电机的转数。

2. 已知某传感器的输出信号为U(mV)，灵敏度S(mV/unit)，求被测量物理量X(unit)。

第３１卷第１６期中国机械工程V o l ．３１㊀N o ．１６２０２０年８月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．１９０１Ｇ１９１１改进时频分析和特征融合在内燃机故障诊断中的应用蔡艳平㊀范㊀宇㊀陈㊀万㊀张金明火箭军工程大学,西安,７１００２５摘要:针对基于内燃机振动信号的故障识别诊断问题,首先提出一种基于阈值筛选的变分模态分解(VM D )㊁玛基诺希尔时频分布(MH D )的时频分析方法,该方法针对C o h e n 类时频分布存在的交叉干扰项问题,通过阈值筛选法确定VM D 算法的分解层数,从而将内燃机振动信号分解成一系列单分量模态信号,然后对单分量信号进行MH D 时频表征及线性叠加得到时频聚集性优良㊁物理意义明确的振动信号时频谱图.再通过局部非负矩阵分解(L NM F )对时频图像特征进行提取,将提取的特征与振动信号时域参数进行特征融合,得到融合特征向量.对支持向量机(S VM )采用改进粒子群优化算法进行参数优选,然后对特征向量进行训练和测试,实现了内燃机的故障识别诊断.将该方法应用于内燃机气门间隙故障８种工况下缸盖振动信号的识别诊断试验,结果表明,该方法能够对不同工况振动信号进行有效识别分类.通过参数优选,最高识别率达到了９９．１７％,同时对比传统的最近邻分类器的分类结果,证明了该方法的优越性.关键词:内燃机;故障诊断;时频分析;特征融合;识别率中图分类号:T K ４２８D O I :１０．３９６９/j．i s s n ．１００４ １３２X．２０２０．１６．００２开放科学(资源服务)标识码(O S I D ):A p p l i c a t i o n s o f I m p r o v e dT i m e Ｇf r e q u e n c y A n a l ys i s a n dF e a t u r eF u s i o n i n F a u l tD i a g n o s i s o f I CE n gi n e s C A IY a n p i n g ㊀F A N Y u ㊀C H E N W a n ㊀Z H A N GJ i n m i n gR o c k e t f o r c eU n i v e r s i t y o fE n g i n e e r i n g,X i a n ,７１００２５A b s t r a c t :A i m i n g a t t h e p r o b l e m s o f f a u l t i d e n t i f i c a t i o na n dd i a g n o s i sb a s e do n t h e I Ce n g i n ev i Ｇb r a t i o ns i g n a l s ,a t i m e Ｇf r e q u e n c y a n a l y s i sm e t h o dw a s p r o p o s e db a s e d o nv a r i a t i o n a lm o d e d e c o m po s i Ｇt i o n (VM D )t h r e s h o l d f i l t e r i n g ,M a r g e n a u ＧH i l l t i m e Ｇf r e q u e n c y di s t r i b u t i o n (MH D )．T h em e t h o d a i m e d a t t h e p r o b l e m s o f c r o s s Ｇi n t e r f e r e n c e t e r m s o f t h eC o h e n t i m e Ｇf r e q u e n c y d i s t r i b u t i o n ,d e t e r m i n i n g de Ｇc o m p o s i t i o n l e v e l of t h eVM Da lg o r i th m b y t h e t h r e s h o l dfi l t e r i n g m e t h o d ,t h e I Ce n g i n ev i b r a t i o n s i g n a l sw e r ed e c o m p o s e di n t oas e r i e so f s i n g l e Ｇc o m p o n e n t m o d a l s i gn a l s ;t h e nt h e MH Dt i m e Ｇf r e Ｇq u e n c y c h a r a c t e r i z a t i o na n dl i n e a rs u p e r p o s i t i o n w e r ea p p l i e dt ot h es i n g l e Ｇc o m p o n e n t s i g n a l s t o g e t t h e t i m e Ｇf r e q u e n c y i m a g e s o f t h e v i b r a t i o n s i g n a l sw i t h g o o d t i m e Ｇf r e q u e n c y c l u s t e r i n g a n d c l e a r p h ys i Ｇc a lm e a n i n g ．T h e n ,t h e l o c a l n o n Ｇn e ga t i v em a t r i x f a c t o r i z a t i o n (L NM F )w a s u s e d t o e x t r a c t f e a t u r e s o f t i m e Ｇf r e q u e n c y i m a ge s ,a n d t h e e x t r a c t e df e a t u r e sw e r e c o m b i n e dw i t h t h e t i m e d o m a i n p a r a m e t e r s o f t h ev i b r a t i o n s ig n a l s t o o b t a i n th e f u s e d f e a t u r e v e c t o r s ．T h ei m p r o v e d p a r t i c l e s w a r mo pt i m i z a t i o n a l Ｇg o r i t h m w a su s e d t oo p t i m i z e t h e p a r a m e t e r s o f t h e s u p po r t v e c t o rm a c h i n e (S VM ),a n d t h e n t h e f e a Ｇt u r e v e c t o r sw e r e t r a i n e da n d t e s t e db y S VMt o r e a l i z e t h e f a u l t i d e n t i f i c a t i o na n dd i a g n o s i s o f t h e I C e n g i n e s ．T h em e t h o dw a s a p p l i e d t o t h e i d e n t i f i c a t i o na n dd i a g n o s i s t e s t so f t h e c y l i n d e r c o v e rv i b r a Ｇt i o ns i g n a l su n d e r ８w o r k i n g c o n d i t i o n s o f v a l v e c l e a r a n c e s ．T h e r e s u l t s s h o wt h a t t h em e t h o dm a y e f Ｇf e c t i v e l y i d e n t i f y a n d c l a s s i f y t h e v i b r a t i o n s i g n a l s o f d i f f e r e n tw o r k i n g c o n d i t i o n s ．T h r o u gh p a r a m e t e r o p t i m i z a t i o n ,t h eh i g h e s t r e c o g n i t i o nr a t e r e a c h e s９９．１７％,a n dc o m pa r e dt h ec l a s s i f i c a t i o nr e s u l t so f t h e t r a d i t i o n a l n e a r e s t n e i g hb o rc l a s s i f i e r ,t h e s u p e r i o r i t y of t h em e t h o d i s p r o v e d ．K e y wo r d s :i n t e r n a l c o m b u s t i o n (I C )e n g i n e ;f a u l t d i a g n o s i s ;t i m e Ｇf r e q u e n c y a n a l y s i s ;f e a t u r e f u Ｇs i o n ;r e c o gn i t i o n r a t e 收稿日期:２０１９０７１２基金项目:国家自然科学基金资助项目(５１４０５４９８);中国博士后基金资助项目(２０１５M ５８２６４２)０㊀引言内燃机是一种往复式动力机械,通过振动信号对其进行故障诊断是一种直接㊁有效的方法,但１０９１ 中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.其结构复杂㊁运动部件众多,振动信号是典型的多分量㊁非平稳信号,容易导致故障信息被淹没,因此,如何对振动信号进行处理以提取其故障信息是一个关键问题.时频分析方法通过将一维的振动时域信号映射到二维时频面,能够提供足够的信号故障分类信息[１Ｇ２],研究人员对此开展了大量研究.文献[３]将短时傅里叶变换引入内燃机故障诊断,有效刻画了振动信号时频特性.文献[４]采用变分模态分解(v a r i a t i o n a lm o d ed e c o m po s i t i o n ,VM D )方法对故障信号进行联合时频分析,显著提高了故障特征提取的准确率.文献[５]将图像分割理论引入柴油机故障诊断中,该方法能够有效提取振动信号图像几何特征参数.文献[６]提取了时频图像的三维重心和信息熵来识别设备状态.针对内燃机振动信号中故障信息弱㊁时频分辨率低等困难,本文引入玛基诺希尔时频分布(M a r g e n a u ＧH i l l t i m e Ｇf r e q u e n c y di s t r i b u t i o n ,MH D )分析方法对内燃机振动信号进行时频表征.MH D 属于C o h e n 类时频分布,双线性核函数的引入使信号在时频平面产生了严重的交叉干扰项,导致时频面出现 虚假信号 ,从而影响后续识别诊断的精度.鉴于此,本文提出一种基于阈值筛选的变分模态分解(VM D )算法,先将振动信号分解为k 个单分量模态信号,对单分量模态信号先分别进行时频分析,再将结果进行线性叠加得到原始信号的时频图像,该方法能够有效抑制交叉干扰项的产生.对于时频图像的特征提取,非负矩阵分解(n o n Ｇn e ga t i v e m a t r i xf a c t o r i z a Ｇt i o n ,NM F )方法取得了良好的效果,但是其改进算法 局部非负矩阵分解(l o c a ln o n Ｇn e g a t i v e m a t r i x f a c t o r i z a t i o n ,L NM F )的结果具有更好的稀疏性[７],本文采用L NM F 进行特征提取.同时,为了进一步提高故障诊断的准确率,本文还提出一种将振动信号的时频特征与信号传统的时域参数特征进行特征融合的方法,并通过改进粒子群优化(p a r t i c l es w a r m o p t i m i z a t i o n ,P S O )算法对支持向量机(s u p p o r t v e c t o rm a c h i n e ,S VM )参数进行优选,通过对内燃机气门间隙故障８种工况下实测信号进行识别诊断试验,证明了本文所提方法的优越性.１㊀振动信号时频分析和时域参数特征１．１㊀基于阈值筛选的V M D 算法２０１４年,D R A G O M I R E T S K I Y 等[８]提出一种V M D 自适应信号处理新方法.V M D 算法在获取本征模态函数(i n t r i n s i cm o d e f u n c t i o n ,I M F )时摆脱了经验模态分解(e m p i r i c a lm o d e d e c o m po s i t i o n ,E M D )算法所使用的循环筛分剥离的信号处理方式,而是将信号分解过程转移到变分框架内,通过搜寻约束变分模型最优解来实现信号自适应分解,每个I M F 的频率中心及带宽在迭代求解变分模型的过程中不断更新,最终可根据实际信号的频域特性完成信号频带的自适应剖分,得到若干窄带I M F .算法的详细步骤可参考文献[８Ｇ９].经研究发现,用VM D 算法对信号进行分解时需要预设I M F 的个数k ,如果k 取值过大,会造成信号的过分解,产生模态混叠;如果k 取值过小,则会导致信号分解不充分,导致时频表征时干扰项过多.为了寻找合适的k 值,一般的处理方式是 观察法 ,即预先设定一个大概的k 值对信号进行分解,观察各个I M F 的中心频率,如果中心频率相差较大,则令k ѳk ＋１继续分解,直至出现中心频率相近的I M F .为解决该方法易受主观因素影响的不足,本文提出了一种基于阈值筛选的k 值确定方法,其基本思想是:如果振动信号出现了过分解,则分解出的I M F 会出现频率成分互相重叠的情况,此时这两个分量信号的互相关系数会比两个频率成分完全不同的I M F大,即两个信号的相似性更高.根据文献[１０Ｇ１２],通常互相关系数大于０．１时,认为两个信号之间存在一定相关性,基于此,本文将阈值设为m ＝０．１,即当两个I M F 的互相关系数大于m 时,说明两个信号间存在频率成分的重叠,此时出现了过分解,令k ѳk －１,当I M F 的互相关系数小于m 时,此时的k 为合适取值.另外,根据文献[１３Ｇ１４],VM D 算法的惩罚因子γ采用默认值２０００,噪声容限τ取０．３以保证实际信号分解的保真度.基于阈值筛选的V M D 算法具体步骤如下:(１)初始化k 值(由于内燃机振动激励源较多,振动信号频带较宽,取k ＝３比较合适);(２)采用VM D 算法对信号进行分解,得到k 个I M F ;(３)计算k 个I M F 之间的互相关系数;(４)设定阈值m ＝０．１,如果所有相关系数均小于m ,则认为分解不完全,令k ѳk ＋１,继续步骤(２)和步骤(３);(５)当出现相关系数大于m 时,则认为出现了过分解,此时令k ѳk －１,则此时k 的取值是比较合适的.１．２㊀MH D 时频分析２０世纪６０年代,C o h e n 发现众多时频分布２０９１ 中国机械工程第３１卷第１６期２０２０年８月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.只是W i gn e r ＧV i l l e 分布的变形[１５],这些被称为C o h e n 类时频分布,C o h e n 给出了其一般的表达形式:P (t ,f )＝ʏ＋ɕ－ɕʏ＋ɕ－ɕʏ＋ɕ－ɕz (u ＋τ２)z ∗(u －τ２) φ(τ,v )e x p (－j ２π(t v ＋τf －u v ))d u d v d τ(１)式中,φ(τ,v )为核函数;t 为时间;f 为频率;u 为积分变量;τ为时移;z ㊁z ∗为复信号;v 为频移.W i gn e r ＧV i l l e 分布可以在式(１)中取核函数φ(τ,v )＝１来定义:W z (t ,f )＝ʏ＋ɕ－ɕz (u ＋τ２)z ∗(u －τ２)e x p (－j ２πτf )d τ(２)当核函数φ(τ,v )＝c o s (πτv )时,W i gn e r ＧV i l l e 分布即为MH D 分布:P MH D (t ,f )＝ʏ＋ɕ－ɕʏ＋ɕ－ɕʏ＋ɕ－ɕx (u ＋τ２)x ∗(u －τ２) c o s (πτv )e x p (－j ２(t v ＋τf －uv ))d u d v d τ(３)对于多分量信号,根据卷积定理,其MH D 会产生交叉干扰项,但是由于MH D 满足叠加原理,故可以通过VMD 算法将多分量信号分解为一组单分量信号再在时频面进行叠加,使时频图像表征的物理意义更加明确,同时提高信号的时频聚集性.为分析上述方法的性能,建立一个由三个高斯包络信号复合而成的量纲一多分量信号,信号的时间长度为４s ,采样频率为１００H z,三个信号的时间和频率中心分别为(１s ,５H z )㊁(１s,２０H z )㊁(３s ,２０H z),其表达式为x (t )＝s i n (２π５t )e x p(－(t －１４ˑ０．０５)２)＋s i n (２π２０t )e x p(－(t －１４ˑ０．０５)２)＋s i n (２π２０t )e x p(－(t －３４ˑ０．０５)２)模拟信号的时域波形和MH D 分析如图１所示.从时域波形可以看出,模拟信号在时间１s 处存在频率成分重叠.从MH D 分析可以看出,在时频面一共出现了四个信号,根据信号表达式,中心分布位于(３s ,５H z)的分量信号属于交叉干扰项,是 虚假信号 ,其余三个信号是对原信号的正确表达.同时,原有的复合信号由于自项和交叉项叠加,其时频聚集性并不理想.采用VMD 算法对信号进行分解,得到的分量相关系数如表１所示.根据表１结果,当k 取３时,I M F １和I M F ２相关系数大于设定的阈值(m ＝０．１).说明信号出现了过分解,因此k 应该取２.令k ＝２,分解得到的I M F １和I M F ２时域信号如图２所示.(a)时域波形(b )MH D 时频分布图图１㊀模拟信号F i g ．１㊀S i m u l a t i o n s i gn a l 表１㊀复合信号分量的相关系数T a b ．１㊀I M F s c o r r e l a t i o n c o e f f i c i e n t s o f c o m p o s i t e s i gn a l 分解层数kI MF １和I M F ２相关系数I MF ２和I MF ３相关系数２０．００１８３０．１６１４０．００２图２㊀模拟信号的I M F 分量F i g ．２㊀I M F s o f s i m u l a t i o n s i gn a l ㊀㊀由图２可知,原复合信号在１s 处的两种频率成分(５H z 和２０H z )已经被VM D 算法分解出来,I M F １和I M F ２在任意时间均只存在一种频率成分,均为单分量信号.再对I M F １和I M F ２分别进行MH D 分析并进行线性叠加得到原复合信号时频图如图３所示.由图３可以看出,干扰信号不仅被较好地抑制,而且原信号的时频聚集性也有所提高,原信号的物理意义变得更加明确.１．３㊀振动信号时域参数特征本文提取了振动信号的６个时域参数特征,相关参数及其对应的表达式如表２所示.３０９１ 改进时频分析和特征融合在内燃机故障诊断中的应用蔡艳平㊀范㊀宇㊀陈㊀万等中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.图３㊀I M F 分量线性叠加的M H D 时频图F i g ．３㊀M H Dt i m e Ｇf r e q u e n c y d i s t r i b u t i o nb yl i n e a r s u p e r p o s i t i o no f I M F s 表２㊀时域特征参数T a b ．２㊀T i m e d o m a i n c h a r a c t e r i s t i c p a r a m e t e r s特征参量表达式平均值μ~x＝１N ðN －１n ＝０x n 标准差x s t d ＝ðN －１n ＝０(x e －μ~x )２N均方根x r m s ＝１N ðN －１n ＝０x ２e 平均绝对偏差x m a d ＝１N ðN －１n ＝０|x e －μ~x |偏斜度x s k e ＝１N ðN －１n ＝０(x e －μ~x )３峭度x k u r ＝ðN －１n ＝０(x e －μ~x )４N x ４s t d㊀注:表中N 为信号总采样点数;x n 为信号在第n 个采样点的信号幅值;x e 为信号在第e 个采样点的信号幅值.２㊀局部非负矩阵分解局部非负矩阵分解(l o c a l n o n Ｇn e ga t i v e m a t r i xf a c t o r i z a t i o n ,L NMF )方法是在NM F [１６]基础上提出的,其根本目的是使分解后的基图像得到更为局部的特征,该方法已经被成功用于人脸识别中[１７Ｇ１８].L NMF 算法是通过对K ＧL 散度目标函数施加基的列正交性约束,减少基向量之间的冗余.L NMF 的目标函数如下:D (V W H )＝ði ,j[V i j l o g V i j(WH )i j －V i j ＋(WH )i j ]＋αði jU i j －βðiV ii (４)[U i j ]＝U ＝W T W ㊀㊀[V i j ]＝V ＝H H T 式中,V 为大小为M ˑN 的原始矩阵;W 为大小为M ˑr 的基矩阵;H 为大小为r ˑN 的系数矩阵;α㊁β为正常数;i ＝１,２, ,M ;j ＝１,２, ,r .局部非负矩阵分解主要是对目标函数施加以下三个约束条件,并计算式(４)目标函数的最小值:①m i n ði ʂjU i j (基矩阵W 尽量正交,以减少基图像之间的冗余);②m i n ðiU ii (为了使系数矩阵H 有最大的稀疏性,以便生成更局部的特征);③m a x V i i (让基图像有最大的代表性).其迭代公式如下:H j l ＝H j l ðiV ilW i jðjW i j H j l (５)W i j ＝(W i l ðlV il H j lðiW i l H j l)/ðlHjl (６)W i j ＝W i j /ði jW i j(７)式中,l ＝１,２, ,N .使用局部非负矩阵直接对时频分布图像进行特征参数的提取,数据的降维效果明显,简化了计算,避免了复杂的图像运算和传统方法复杂参数的设置问题,具有很好的自适应性.３㊀基于改进P S O 算法的S VM 参数优选本文采用径向基核函数作为S VM 的核函数[１９].在S VM 实际应用中,惩罚参数C 和核函数参数g 的选择比较关键,会对最终的分类结果产生影响,为提高S V M 的分类效果,本文采用改进的P S O 算法对S V M 参数C ㊁g 进行优选.在基本的P S O 算法中,粒子根据下式对速度和位置进行更新:v (k ＋１)f d ＝w v (k )f d ＋c １ξ(p (k )f d －x (k )f d )＋c ２η(p (k )g d －x (k )f d )(８)x (k ＋１)f d ＝x (k )f d ＋r v (k ＋１)f d(９)式中,w 为惯性权重;r 为约束因子;c １㊁c ２为学习因子,通常设置为２;ξ㊁η为区间[０,１]均匀分布的随机数;p (k )f d 为第f 个粒子的个体最优解的第d 维分量;p (k )gd 为全局最优解的第d 维分量;v (k )f d ㊁x (k )f d 分别为第f 个粒子在第k 次迭代飞行速度矢量的第d 维分量的速度和位置.惯性权重w 是粒子保持原来速度的系数,其值越大,表示全局搜索能力越强,其值越小,表示局部搜索能力越强.本文使用线性微分递减法改进P S O 算法的惯性权重更新方式,其更新公式为w ＝w m a x －h２w m a x －w m i nT２(１０)式中,w m a x 为最大权重值;w m i n 为最小权重值;h 为当前迭代次数;T 为最大迭代次数.在进化前期,w 的减小趋势缓慢,全局搜索能力强,有利于找到很好的优化粒子;在进化后期w 的减小趋势加快,可以使算法快速收敛,并在后期提高搜索精度.参数优选的S VM 算法流程如下:(１)设置粒子种群规模和最大迭代次数,本文分别设定为１００和２００;设定参数C ㊁g 的搜索范围;初始化粒子的位置和速度㊁局部最优解和全４０９１ 中国机械工程第３１卷第１６期２０２０年８月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.局最优解.(２)计算每个粒子的适应度,本文将S VM 识别准确率定为适应度.(３)根据式(８)㊁式(９)更新粒子的速度和位置,根据式(１０)更新权重系数.(４)将每个粒子的适应度值和个体极值比较,如果较好,则替换个体极值.(５)将每个粒子的适应度值和全局极值比较,如果较好,则替换全局极值.(６)达到最大迭代次数时结束算法,未达到则跳至步骤(２).４㊀内燃机故障诊断实例４．１㊀故障诊断流程及试验数据采集本文提出的内燃机故障诊断方法步骤如下:首先采集内燃机运行过程中８种工况的振动信号,然后采用基于阈值筛选的VM D 和MH D 对振动信号进行时频分析,再采用L NM F 对时频图像进行特征提取,再将时域特征参数与L NM F 提取的图像特征进行融合,最后用改进的S VM 进行分类识别,完成内燃机的故障诊断,诊断流程如图４所示.图４㊀内燃机故障诊断流程F i g ．４㊀P r o c e s s o f I Ce n g i n e f a u l t d i a gn o s i s 试验数据采集自车载B F ４L １００１１F 型柴油机,试验中采用A V L 油压传感器采集柴油机喷油管压力,P C B (p r i n t e dc i r c u i tb o a r d )振动传感器采集柴油机气门机构附近的振动情况,其中P C B 振动传感器采样频率为２５k H z ,根据文献[２０Ｇ２２]的试验设定,设置柴油机空载运行,转速为１５００r /m i n .试验现场如图５所示.试验通过改变内燃机配气机构进气门㊁排气门的间隙大小可以设置不同的故障,工况具体设置情况如表３所示.图５㊀试验现场F i g．５㊀T e s t e n v i r o n m e n t 表３㊀８种试验工况设置T a b ．３㊀８t e s tw o r k i n g c o n d i t i o n s s e t t i n gs 工况编号工作状态进气门间隙(mm )排气门间隙(mm )１气门间隙正常０．３０．３２排气门间隙过小０．３０．０６３排气门间隙过大０．３０．５４排气门漏气０．３(开口４ˑ１)５模拟新气门０．３(新气门)６进气门㊁排气门均过小０．０６０．０６７进气门过小㊁排气门过大０．０６０．５８进气门㊁排气门均过大０．５０．５４．２㊀多工况振动信号时频分析以工况１(正常工况)为例,对采集的振动信号进行VM D 分解,k 取不同值所对应的分量的相关系数如表４所示.表４㊀正常工况振动信号分量的相关系数T a b ．４㊀I M F s c o r r e l a t i o n c o e f f i c i e n t s o f n o r m a lw o r k i n g c o n d i t i o n s v i b r a t i o n s i gn a l 分解层数kI M F １和I M F ２相关系数I M F ２和I M F ３相关系数I M F ３和I M F ４相关系数２０．０３６２３０．０５２７０．０７４５４０．０８９８０．０６４６０．１５０４５０．０９７９０．０３６００．２０６８㊀㊀从表４中可以看出,对于工况１,当分解层数k ＞３时,分量I M F ３和I M F ４的相关系数均大于阈值０．１,所以取分解层数k ＝３是比较合适的,此时对信号的分解效果如图６所示.㊀㊀㊀(a )时域波形㊀㊀㊀㊀㊀㊀㊀(b)频域波形图６㊀工况１的信号分解结果F i g ．６㊀S i g n a l d e c o m p o s i t i o n r e s u l t o fw o r k i n gc o nd i t i o n １５０９１ 改进时频分析和特征融合在内燃机故障诊断中的应用蔡艳平㊀范㊀宇㊀陈㊀万等中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.从分量信号的频域波形来看,三个信号频带集中在０~２k H z ㊁４~６．５k H z 和６．５~８k H z.根据文献[２３],这三个频带分别是由内燃机缸内燃烧后段㊁燃烧主段和进排气门开闭引起的振动导致的,这也说明本算法对信号分解符合客观事实.同时,为了说明改进的VM D 算法对其他工况的适用性,再以工况３为例,采用改进的VM D 算法对其振动信号进行分解.对于工况３(排气门间隙过大),k 取不同值所对应的分量的相关系数如表５所示.表５㊀工况３振动信号分量的相关系数T a b ．５㊀I M F s c o r r e l a t i o n c o e f f i c i e n t s o fw o r k i n g c o n d i t i o n３ s v i b r a t i o n s i gn a l 分解层数k I M F １和I M F ２I M F ２和I M F ３I M F ３和I M F ４２０．００７４３０．０３３２０．０１７５４０．０３２９０．０１２７０．１４１６㊀㊀对比图７㊁图８可以看出,当k 取４时,I M F ３和I M F ４的中心频率明显较其他分量更为接近,产生了频率混叠,因此k 取３更加合适,这和从表５得出的k 值是一致的.㊀㊀㊀(a )时域波形㊀㊀㊀㊀㊀㊀㊀(b)频域波形图７㊀k ＝３时工况３的信号分解结果F i g ．７㊀S i g n a l d e c o m p o s i t i o n r e s u l t o fw o r k i n gc o nd i t i o n３w he n k ＝３㊀㊀㊀(a )时域波形㊀㊀㊀㊀㊀㊀㊀(b)频域波形图８㊀k ＝４时工况３的信号分解结果F i g ．８㊀S i g n a l d e c o m p o s i t i o n r e s u l t o fw o r k i n gc o nd i t i o n３w he n k ＝４运用该方法对其余几种工况进行分析,大量的试验结果表明基于阈值筛选的VM D 算法对信号分解合理,有利于对信号的进一步研究.对８种工况的内燃机振动信号进行VM D 分解和MH D 分析,结果如图９~图１６所示.(a)时域波形(b)频域波形(c)时频相平面图图９㊀V M D ＧM H D 分析结果(工况１)F i g ．９㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n １)(a)时域波形(b)频域波形(c)时频相平面图图１０㊀V M D ＧM H D 分析结果(工况２)F i g ．１０㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ２)６０９１ 中国机械工程第３１卷第１６期２０２０年８月下半月中国机械工程h tt p://ww w.c m e m o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.(a)时域波形(b)频域波形(c)时频相平面图图１１㊀V M D ＧM H D 分析结果(工况３)F i g ．１１㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ３)(a)时域波形(b)频域波形(c)时频相平面图图１２㊀V M D ＧM H D 分析结果(工况４)F i g ．１２㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ４)B F ４L １００１１F 型内燃机为四冲程内燃机,且试验设定内燃机转速为１５００r /m i n ,因此其一个工作循环时间为０．０８s,气门动作和具体时间的对应情况如表６所示.(a)时域波形(b)频域波形(c)时频相平面图图１３㊀V M D ＧM H D 分析结果(工况５)F i g ．１３㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ５)(a)时域波形(b)频域波形(c)时频相平面图图１４㊀V M D ＧM H D 分析结果(工况６)F i g ．１４㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ６)㊀㊀从８种工况的时域波形㊁频域波形及其对应时频图来看,除了正常工况外,故障工况在高频部分(１０~１２k H z)均存在能量分布,这说明内燃机７０９１ 改进时频分析和特征融合在内燃机故障诊断中的应用蔡艳平㊀范㊀宇㊀陈㊀万等中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.(a)时域波形(b)频域波形(c)时频相平面图图１５㊀V M D ＧM H D 分析结果(工况７)F i g ．１５㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ７)(a)时域波形(b)频域波形(c)时频相平面图图１６㊀V M D ＧM H D 分析结果(工况８)F i g ．１６㊀V M D ＧM H Da n a l ys i s r e s u l t (w o r k i n g c o n d i t i o n ８)气门间隙故障主要引起的是高频振动.对比８种工况点火时刻的振动情况可以看出,只有正常工表６㊀内燃机工作循环T a b ．６㊀I Ce n g i n ew o r k i n g c yc l e 时间(s )０．００２０．０２５０．０４０．０５５０．０７８气门动作排气门关闭进气门关闭点火排气门开启进气门开启况冲击分量最大,这说明混合气体燃烧效率最高.同时,内燃机气门间隙故障对缸内气体燃烧影响比较大,当排气门间隙过大时会导致气门早关㊁迟开,从而使排气时间变短,废气不能充分排出,进一步会导致工质更新恶化,影响燃烧效率;排气门间隙过小则会导致气门迟关㊁早开,进一步会导致气门受热膨胀后密封不严,燃烧不良,增加油耗.气门间隙故障不仅会导致内燃机气体燃烧不良,也会影响气门落座时对于内燃机缸盖的冲击,对比工况２㊁３可以清楚地看到,由于工况３排气门间隙(０．５mm )远大于工况２排气门间隙(０．０６mm ),在排气门关闭时工况３的冲击振动要远大于工况２的冲击振动.通过上文的分析可知,时频图能够清晰表明内燃机在不同工况下振动信号频率分量的构成情况,较好地刻画不同故障的时频特征,将之用于分类器进行分类识别是完全可行的.４．３㊀L N M F 特征提取使用L NM F 进行特征提取的具体流程如下:(１)对预处理所得到的时频矩阵进行重排操作,将每个时频矩阵由９０ˑ１２０维变形为１０８００ˑ１维列向量;(２)从８类工况时频分布图中每一类随机选取３０幅共２４０幅,组成L NM F 样本集(矩阵)V ,V 的维数为１０８００ˑ２４０;(３)对样本集V 进行L NM F 分解,可得特征矩阵W ,W 的维数为１０８００ˑr .r 表示特征维数,它的取值对L NM F 分解的结果和后续的识别精度有较大影响;(４)将所有时频图像向基矩阵W 投影,可得４８０个系数向量H ,H 的维数为r ˑ１.系数向量H 代表了它所对应的时频图像,此时将每一类图像前３０幅作为训练集,后３０幅作为测试集.４．４㊀特征融合对每一幅时频图像对应的振动信号进行时域特征参数计算,根据１．３节,每个振动信号可得到６个时域特征参数,此时,将特征参数与４．３节中提取的特征向量H 进行串行拼接,则每一个振动信号的特征向量H 的维数被扩展为r ＋６.由于L NM F 提取的时频图像特征和振动信号的时域特征参数在数值上悬殊很大,为避免不８０９１ 中国机械工程第３１卷第１６期２０２０年８月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.同特征之间的数量级差别对识别结果产生影响,要对提取的特征进行标准化处理,常用的处理方式有以下两种.(１)最大最小法:x k ＝x k －x m i nx m a x －x m i n式中,x m i n 为数据序列的最小值;x m a x 为数据序列的最大值.(２)平均数方差法:x k ＝x k －x m e a nx v a r式中,x m e a n 为数据序列的均值,x v a r 为数据序列的方差.本文采用第一种数据标准化方法.４．５㊀结果分析首先,采用默认参数设置(C ＝１,g ＝１/r )的S VM 对L NM F 单独提取的时频图像特征和融合时域参数后的特征分别进行分类识别,识别准确率是指测试集中８种工况被分类器正确识别为其对应工况的总数量与测试集信号总数量的比值.当特征维数r 取不同值时,对应的识别结果如图１７所示.图１７㊀识别结果F i g ．１７㊀R e c o gn i t i o n r e s u l t s 从图１７中可知,单独使用L NM F 提取的时频图像特征进行分类的准确率明显不如时频图像特征融合信号时域参数的准确率高,但都在L NM F 特征维数取５０时达到最大,此时,S VM对单独特征识别率为９３．３％,对融合特征识别准确率为９７．５％.同时,S VM 的识别准确率并没有始终随特征维数的增大而增大,这是因为当特征维数较小时,特征向量包含的图像信息不全,对不同工况时频图像的区分能力存在一定欠缺,导致分类准确率不高,当特征维数过大时则会导致特征向量信息冗余,也不利于最终识别分类的准确率.同时,从图１７中来看,特征维数r ＝５０时,两种情况的识别准确率都是最高的,这说明用L NM F 算法提取特征时r 取５０是最合适的.在此基础上,通过对S VM 进行参数寻优来进一步提高识别准确率,本文分别采用原始P S O 算法和改进P S O 算法对S VM 进行参数寻优,结果如表７所示.表７㊀识别准确率T a b ．７㊀R e c o g n i t i o na c c u r a c y％分类方法识别准确率P S O＋S VM９８．７５改进P S O＋S VM ９９．１７㊀㊀从表７可以看出,使用改进P S O 算法对S VM 进行参数寻优可以得到最高的识别准确率,为９９．１７％,这是因为改进的惯性权重随着算法的迭代次数增加不断减小,算法在后期增强了局部搜索能力,提高了搜索精度.此时对应的C ＝７５．２２,g ＝０．００８,其适应度进化曲线见图１８.图１８㊀适应度进化曲线F i g ．１８㊀A d a pt i v e e v o l u t i o n c u r v e 可以看到,当迭代次数达到１２０时,识别准确率取得了最优解９９．１７％,相比于默认参数情况下９７．５％的识别准确率,改进算法有效提升了S VM的分类效果.为了进一步说本文所提算法的优越性,同时给出常用的最近邻分类器(n e a r e s tn e i g h b o r h o o d c l a s s i f i e r ,N N C )和本文分类算法在直接对振动信号进行MH D 分析＋L NM F 特征提取㊁基于改进的VM D＋MH D 分析＋L NM F特征提取和特征融合三种情况下的分类结果(L NM F 特征维数均为５０),对比结果如表８所示.表８㊀识别准确率T a b ．８㊀R e c o g n i t i o na c c u r a c y％分类方法识别准确率N N CP S O＋S VM 改进P S O＋S VMMH D９０．１７８９．７３９１．０６改进VM D ＋MH D ９５．２０９６．３０９７．０８特征融合９７．３３９８．７５９９．１７㊀㊀从表８中纵向对比结果来看,无论采用哪种分类方法,直接对振动信号进行MH D 时频分析,再用L NM F 提取特征的分类效果都是最差的,这是因为直接对信号进行时频分析会产生交叉干扰项,降低信号时频聚集性,从而导致不同工况时频图像差异性不够显著,影响了分类器的识别分类;９０９１ 改进时频分析和特征融合在内燃机故障诊断中的应用蔡艳平㊀范㊀宇㊀陈㊀万等中国机械工程h tt p://ww w.c m e m o .or g.cn公众号：t r a ns -c me sCopyright©博看网 . All Rights Reserved.采用改进的VM D＋MH D 分析对交叉干扰项有明显的抑制作用,能够提升分类效果;而特征融合在时频特征的基础上融合了信号的时域参数特征,能够进一步提高不同工况信号的差异性,使得分类结果进一步提高.从横向对比来看,在３种信号特征情况下,本文提出的改进P S O＋S VM 分类算法均取得了最优识别效果,说明了本文方法的优越性.５㊀结论(１)基于阈值筛选的VM D 算法能够对复杂的多分量信号进行有效㊁合理的分解,有效抑制C o h e n 类时频分布中存在的交叉干扰项,提高信号的时频聚集性.该方法与MH D 结合对内燃机振动信号进行时频表征可以清晰刻画信号中冲击分量的时间和频率特性,较好反映信号的物理特性.(２)用L NM F 提取的特征与信号时域参数特征融合后的特征向量比单独使用L NM F 提取的特征向量有更高的识别准确率,在S VM 默认参数设置下,前者最高为９７．５％,后者最高为９３．３％.(３)对S VM 进行参数优选能够进一步提高识别准确率,其中P S O＋S VM 最高识别准确率为９８．７５％,改进P S O＋S VM 最高识别准确率为９９．１７％.(４)本文改进P S O＋S VM 分类算法的识别准确率要高于传统N N C 分类器的识别准确率.参考文献:[１]㊀F E N GZ h i p e n g,L I A N G M i n ,C HU F u l e i ．R e c e n t A d v a n c e s i n T i m e Ｇf r e q u e n c y A n a l y s i s M e t h o d sf o r M a c h i n e r y F a u l tD i a g n o s i s :aR e v i e w w i t hA p pl i c a Ｇt i o nE x a m p l e s [J ]．M a c h a n i c a lS y s t e m sa n dS i g n a l P r o c e s s i n g,２０１３,３８(１):１６５Ｇ２０５．[２]㊀刘洋,刘晓波,梁珊．基于傅里叶分解方法的航空发动机转子故障诊断[J ]．中国机械工程,２０１９,３０(１８):２１５６Ｇ２１６３．L I U Y a n g ,L I U X i a o b o ,L I A N GS h a n ．A e r o e n g i n e R o t o rF a u l tD i a g n o s i sB a s e do nF o u r i e rD e c o m po s i Ｇt i o n M e t h o d [J ]．C h i n a M e c h a n i c a l E n g i n e e r i n g ,２０１９,３０(１８):２１５６Ｇ２１６３．[３]㊀S AM I MY B ,R I Z Z O N IG．E n g i n eK n o c k A n a l ys i s a n dD e t e c t i o n U s i n g T i m e Ｇf r e q u e n c y A n a l ys i s [J ]．S A ET r a n s a c t i o n s ,１９９６,１０５(３):７６４Ｇ７７５．[４]㊀蒋平,贾平民,许飞云,等．W i gn e r ＧV i l l e 分布在机械故障诊断中的研究[J ]．制造技术与机床,２００４(７):２４Ｇ２８．J I A N GP i n g ,J I AP i n g m i n ,X U F e i y u n ,e t a l ．T h e R e s e a r c h o f W i gn e r ＧV i l l e D i s t r i b u t i o ni n M a c h i n e F a u l tD i a g n o s i s i n g [J ]．M a n u f a c t u r i n g T e c h n o l o g y &M a c h i n eT o o l s ,２００４(７):２４Ｇ２８．[５]㊀蔡艳平,李艾华,王涛,等．基于时频谱图与图像分割的柴油机故障诊断[J ]．内燃机学报,２０１１,２９(２):１８１Ｇ１８６．C A IY a n p i n g,L I A i h u a ,WA N G T a o ,e ta l ．I C D i e s e lE n g i n eF a u l tD i a gn o s i sB a s e do n T i m e Ｇf r e Ｇq u e n c y S p e c t r u m I m a g ea n dI m a g e S e gm e n t a t i o n [J ]．T r a n s a c t i o n s o fC S I C E ,２０１１,２９(２):１８１Ｇ１８６．[６]㊀李红坤,周帅,黄文宗．基于时频图像特征提取的状态识别方法研究与应用[J ]．振动与冲击,２０１０,２９(７):１８４Ｇ１８８．L I H o n g k u n ,Z HO U S h u a i ,HU A N G W e n z o n g．T i m e Ｇf r e q u e n c y I m a geF e a t u r eE x t r a c t i o nf o r M a Ｇc h i n e C o n d i t i o n C l a s s i f i c a t i o n a n dI t s A p pl i c a t i o n [J ]．J o u r n a l o fV i b r a t i o na n dS h o c k ,２０１０,２９(７):１８４Ｇ１８８．[７]㊀王科俊,左春婷．非负矩阵分解特征提取技术的研究进展[J ]．计算机应用研究,２０１４,３１(４):９７０Ｇ９７５．WA N G K e j u n ,Z U O C h u n t i n g ．I m pr o v e m e n t so f N o n Ｇn e g a t i v e M a t r i x F a c t o r i z a t i o nf o rI m a ge E x Ｇt r a c t i o n [J ]．A p p l i c a t i o n R e s e a r c h of C o m pu t e r s ,２０１４,３１(４):９７０Ｇ９７５．[８]㊀D R A G OM I R E T S K I Y K ,Z O S S O D．V a r i a t i o n a lM o d eD e c o m p o s i t i o n [J ]．I E E ET r a n s a c t i o n s o nS i gＧn a l P r o c e s s i n g,２０１４,６２(３):５３１Ｇ５４４．[９]㊀姜万录,王浩楠,朱勇,等．变分模态分解消噪与核模糊C 均值聚类相结合的滚动轴承故障识别方法[J ]．中国机械工程,２０１７,２８(１０):１２１５Ｇ１２２０．J I A N G W a n l u ,W A N G H a o n a n ,Z H U Y o n g,e ta l ．I n t e g r a t e dV M DD e n o i s i n g a n dK F C MC l u s t e r i n g F a u l t I d e n t i f i c a t i o n M e t h o do f R o l l i n g B e a r i n g s [J ]．C h i n a M e c h a n i c a l E n g i n e e r i n g,２０１７,２８(１０):１２１５Ｇ１２２０．[１０]㊀费鸿禄,刘梦,曲广建,等．基于集合经验模态分解Ｇ小波阈值方法的爆破振动信号降噪方法[J ]．爆炸与冲击,２０１８,３８(１):１１２Ｇ１１７．F E IH o n g l u ,L I U M e n g ,Q UG u a n g ji a n ,e t a l ．A M e t h o df o r B l a s t i n g V i b r a t i o n S i g n a l D e n o i s i n gB a s e do n E n s e m b l e E m p i r i c a l M o d e D e c o m po s i Ｇt i o n Ｇw a v e l e tT h r e s h o l d [J ]．E x p l o s i o na n d S h o c k W a v e s ,２０１８,３８(１):１１２Ｇ１１７．[１１]㊀姜建国,王庆．基于M E E M D 和峭度Ｇ相关系数电机轴承故障诊断[J ]．电气传动,２０１８,３７(１):６５Ｇ７０．J I A N G J i a n g u o ,WA N G Q i n g ．M o t o r B e a r i n gF a u l tD i a gn o s i sB a s e do n M E E M Da n d K u r t o s i s Ｇ０１９１ 中国机械工程第３１卷第１６期２０２０年８月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.。

OR3X系列分析仪的主要技术特点：1，OR3X是实时分析仪，这种实时性是利用分析仪内置的DSP实现的，而不是像其他的一些分析仪是用计算机得CPU来进行数值计算的。

2，OR3X分析仪是——多分析仪，即用户可以同时进行：记录时域信号+ 实时FFT分析+ 实时阶次跟踪分析+ 1/n倍频程分析+ 瀑布图采集。

3，OR3X 内置了大容量数据硬盘，特别是在通道数和带宽都较高时，可以保证将原始信号完整地记录下来，并可以同时进行其他的分析任务：如FFT分析、Order分析等。

4，OR3X具有独立工作能力，可脱离开计算机运行为一台记录仪，这是其他的分析仪都没有的功能。

5，OR3X具有很宽的满量程输入范围：+/-17mV 到+/- 40V，共24个输入档，其他的分析仪一般只有10个档左右。

6，OR3X采用了24-bits/102.4kHz的高速AD变换器，测量电路非常的优秀。

相位精度为0.3°@ 20kHz；通道间串扰为122 dB @ 1 kHz；最大保护电压为120Vpp。

这些指标都是其他的分析仪达不到的。

7，OR3X分析仪在标准配置的情况下，具有2个转速输入通道，用户在订购时，是不需要增加额外的成本的。

因为OROS公司知道，对于大部分用户而言，都是需要测量转速的。

而其他的分析仪厂商，用户必须为转速通道支付额外的钱。

用户如果需要更多的转速，OROS最多可以支持8路转速。

8，OR3X分析仪的供电方式包括直流电源供电及交流电供电，这两种方式同时具有，同时每个分析仪都具有可充电的供电电池，保护用户的测试数据的安全性。

9，每台OR3X分析仪在交付给用户时，都包括了一个免费的软件狗，相当于用户同时获得两个软件的license。

其中一个用于在线测试或后处理，一个用于后处理。

而其他的厂商都需要为后处理软件的License收费。

10，OR3X的软件NVGate 具有多语言界面，包括英语、德语、法语、日语及汉语。

其本地化的中文界面更加适合中国工程师使用。