LCD和SWT在滚动轴承故障诊断中的应用

针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征。对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

基于SWT-MCKD的滚动轴承故障特征提取方法

针对在强噪声背景下轴承早期微弱故障特征难以提取问题.提出了一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)和最大相关峭度反卷积(Maximum correlation kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法.首先采用SWT方法将多分量振动信号分解为若干内禀模态分量(IMT),然后选取合适IMT重构信号,对重构信号进行MCKD滤波,突出故障冲击成分,最后对滤波后信号包络解调,提取故障特征,实现滚动轴承的更准确诊断.     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。     

基于瞬时故障特征频率曲线提取的变转速滚动轴承故障诊断

提出了一种基于瞬时故障特征频率曲线提取的阶比分析诊断方法，首先，采用希尔伯特变换获得滚动轴承振动信号的包络信号；然后，采用同步挤压小波变换对包络信号进行时频分析，根据所得时频图确定滚动轴承瞬时故障特征频率曲线的频率范围，经过阈值处理、频率校准、曲线拟合估计瞬时故障特征频率；最后，根据瞬时故障特征频率进行等角度重采样及频谱分析获得阶比谱，根据故障特征系数和阶比谱图判定轴承故障。     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于子小波布置和系数融合的轴承故障诊断

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于子小波布置策略和小波系数融合的故障诊断方法。首先,布置子小波并进行小波变换;然后,根据峰度指标对多尺度小波系数进行融合集成;最后,运用自相关谱抑制噪声,突出故障信息。通过仿真信号和实际信号对该方法进行了验证,结果表明,该方法能够提取出微弱的故障特征,实现滚动轴承的早期故障诊断。     

基于小波分析和Hilbert变换的滚动轴承故障诊断

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析对包含故障信息的信号进行分解、重构.应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断轴承故障模式.小波分析和希尔伯特(Hilbert)变换结合对滚动轴承局部损伤故障的检测是有效的.     

基于同步挤压提取变换的滚动轴承故障诊断研究

滚动轴承是大型机械设备的重要部件,起着非常重要的作用。当轴承发生故障时,如不及时修复或更换,将严重影响设备的寿命。时频分析方法是一种非常有效的故障特征提取工具,已得到广泛的应用;同时,时频分布的能量聚集性影响故障特征提取效果,因此,一种能量更加集中的时频分析方法对机械信号处理与故障诊断起着至关重要的作用。提出了一种全新的时频域特征提取方法——同步挤压提取变换。该方法主要包含两个步骤:首先,使用同步挤压变换将信号大部分能量聚集到多个小频带范围内,实现信号能量的初步聚集;然后,在同步挤压变换结果中引入一个频率提取算子,该算子可以提取出每个小频带内与信号时变特征最相关的信息并将其保留,从而实现信号能量的再次聚集。仿真信号的分析验证了该方法的可行性。通过对实际轴承信号的分析发现,与先前的时频分析方法相比,该方法效果更佳。     

Wigner-Ville分布复小波相似性评价及应用

针对常规特征量对轴承早期故障不敏感问题,基于不同状态下振动信号时频分布的结构差异,融合WignerVille时频分析和复小波变换的优点,提出了基于复小波变换的Wigner-Ville时频分布相似性评价指数(WignerVille distribution-complex wavelet structural similarity,简称WVD-CWSS),实现时频分布相似性的定量评价,并用于轴承早期状态评估。首先,对振动信号进行Wigner-Ville时频分布;其次,进行复小波变换,获取不同状态下的二维时频分布结构相似性复小波指数;最后,对滚动轴承全寿命试验数据进行了对比试验。结果表明,所提取的WVDCWSS特征对滚动轴承的早期损伤更敏感。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于小波变换的隐Markov模型离心泵故障诊断方法研究

根据离心泵故障振动信号的特点,本文提出了一种结合小波变换与隐Markov模型(HMM)的离心泵故障诊断方法。小波变换具有多分辨率分析并且在时频两域都具有表征信号局部特征能力的特点,利用Daubechies小波对振动信号进行一维8尺度的小波分解,然后从中提取一维信号的低频系数作为特征向量,将其输入到各个状态HMM进行训练,其中输出概率最大的状态即是离心泵的运行状态,从而实现离心泵的故障诊断。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

窗口伸缩优化的同步压缩算法及其在变转速工况瞬时频率估计上的应用

针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高等问题,在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出一种窗口伸缩优化的时频同步压缩变换算法,并在此基础上推导出二阶及高阶的窗口伸缩优化的同步压缩变换算法.该方法能够兼顾同步压缩变换和重排的优势,进一步锐化时频脊线,从而增强时频表...     

Anti-aliasing lifting scheme for mechanical vibration fault feature extraction

A troublesome problem in application of wavelet transform for mechanical vibration fault feature extraction is frequency aliasing. In this paper, an anti-aliasing lifting scheme is proposed to solve this problem. With this method, the input signal is firstly transformed by a redundant lifting scheme to avoid the aliasing caused by split and merge operations. Then the resultant coefficients and their single subband reconstructed signals are further processed to remove the aliasing caused by the unideal frequency property of lifting filters based on the fast Fourier transform (FFT) technique. Because the aliasing in each subband signal is eliminated, the ratio of signal to noise (SNR) is improved. The anti-aliasing lifting scheme is applied to analyze a practical vibration signal measured from a faulty ball bearing and testing results confirm that the proposed method is effective for extracting weak fault feature from a complex background. The proposed method is also applied to the fault diagnosis of valve trains in different working conditions on a gasoline engine. The experimental results show that using the features extracted from the anti-aliasing lifting scheme for classification can obtain a higher accuracy than using those extracted from the lifting scheme and the redundant lifting scheme.     

基于复小波变换相位谱的齿轮故障诊断

提出了一种基于复小波变换诊断齿轮故障的新方法。利用Mexican-hat调制复小波基函数对齿轮振动信号进行连续小波变换，再作相位的频谱分析，可以突出边频带结构，识别不同故障模式。试验数据的分析结果表明，该方法适用于齿轮故障诊断，与传统的自功率谱方法以及基于实值小波的小波变换方法相比，这种方法效果更好。     

Detection of signal transients based on wavelet and statistics for machine fault diagnosis

This paper presents a transient detection method that combines continuous wavelet transform (CWT) and Kolmogorov–Smirnov (K–S) test for machine fault diagnosis. According to this method, the CWT represents the signal in the time-scale plane, and the proposed “step-by-step detection” based on K–S test identifies the transient coefficients. Simulation study shows that the transient feature can be effectively identified in the time-scale plane with the K–S test. Moreover, the transients can be further transformed back into the time domain through the inverse CWT. The proposed method is then utilized in the gearbox vibration transient detection for fault diagnosis, and the results show that the transient features both expressed in the time-scale plane and re-constructed in the time domain characterize the gearbox condition and fault severity development more clearly than the original time domain signal. The proposed method is also applied to the vibration signals of cone bearings with the localized fault in the inner race, outer race and the rolling elements, respectively. The detected transients indicate not only the existence of the bearing faults, but also the information about the fault severity to a certain degree.