针对强背景噪声下滚动轴承早期微弱故障特征难以提取以及奇异谱分解方法分解的分量仍然包含噪声的问题,提出了一种奇异谱分解(Singular spectrum decomposition,SSD)和最大循环平稳盲解卷积(Maximum cyclostationarity blind deconvolution,CYCBD)相结合的滚动轴承微弱故障特征提取方法。由SSD方法将轴承振动信号自适应地分解为从高频到低频的奇异谱分量;根据分量峭度最大原则,筛选出最佳分量;再利用CYCBD对最佳分量后处理进一步降噪;进而对降噪后的信号进行Hilbert包络解调分析,得到故障特征频率。仿真和实验分析表明,该方法能有效提取滚动轴承早期微弱故障特征。

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法。首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率。仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征。

针对旋转机械转子振动信号通常伴随着强噪声,难以提取其有效信息的问题,提出一种基于时变滤波经验模态分解(Time varying filtering based empirical mode decomposition,TVF-EMD)和Teager能量算子(Teager energy operator,TEO)相结合的故障特征提取方法。首先,用TVF-EMD方法自适应地分解轴承振动信号,以获得一组本征模态函数(Intrinsic mode functions,IMFs);然后,对分解结果进行峭度计算,并根据峭度最大准则选出峰度值最高的敏感分量;进而,利用Teager能量算子对选定的敏感分量进行解调处理,通过观察明显的周期性故障特征频率来实现轴承微弱故障特征提取。进行了仿真和实验,结果证明,该方法能有效实现轴承微弱故障的诊断。

针对在背景噪声下滚动轴承故障初期周期性瞬态冲击不明显的问题,应用基于循环平稳最大化盲解卷积方法(Blind deconvolution based on cyclostationarity maximization,CYCBD)。滤波器长度和循环频率左右CYCBD降噪效果,应用粒子群优化算法(Particle swarm optimization,PSO)对其进行智能化寻优,确定优化参数,解决CYCBD不稳定问题。首先,采用PSO优化CYCBD中滤波器长度和循环周期频率,对周期性冲击成分进行增强;然后,通过包络谱峰值因子(Crest factor of envelope spectrum,EC)作为PSO的目标函数,迭代寻找滤波器长度和循环周期频率的最优解;最后,对CYCBD应用最优解,对增强后的信号进行包络解调分析,可以准确地获得轴承信号的故障特征频率。通过对仿真信号和实验数据分析,表明该方法可有效增强振动信号的周期性瞬态冲击特征,在滚动轴承早期故障特征提取方面具有优势。

针对在强噪声的干扰下,滚动轴承微弱故障特征难以有效地提取的问题,提出一种基于最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD)和包络谱相结合的微弱故障特征提取方法。首先,由故障特征频率设置合理的循环频率集,使用CY-CBD对含有强噪声的微弱故障冲击信号进行降噪处理,增强信号中的周期性冲击成分;然后,对降噪信号进行Hilbert包络谱分析来识别故障特征频率。通过仿真和实验,结果证明,该方法能有效地提取被强噪声淹没的微弱故障特征。

针对纯电动汽车以经济性换挡规律运行时,换挡前后存在驱动力波动较大的现象,提出驱动力波动控制策略.根据驱动电机电流与电机输出转矩具有较强的关联度,设计出基于径向基神经网的驱动电机输出转矩估测模型,利用估测转矩计算车辆驱动力,分析出驱动电机消除驱动力波动需要补偿的转矩,得出补偿后的驱动控制策略.通过AMESim软件建立纯电动汽车动力仿真系统,验证估测转矩精确度,并对比驱动力波动控制策略使用前后的车速变化曲线.结果表明,估测转矩误差率小于0.09,在使用驱动力波动控制策略后,换挡前后车速过渡更平滑,整车动力性和驾驶舒适性得到了改善.