基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

齿轮传动系统的智能故障诊断

在基于小波分析、模糊推理、神经网络等理论和现场调试的基础上,研制了齿轮与滚动轴承智能故障诊断系统.该系统具有完善的实时状态监测、时频域分析、智能故障诊断等功能,能有效地诊断出齿轮传动系统的故障发生部位、性质、程度、原因等.     

基于经验模态分解法和Hilbert谱的齿轮箱故障诊断

将经验模态分解法(Empirical Mode Decomposition,简称EMD)和Hilbert谱引入到齿轮箱故障诊断,提出了一种新的齿轮箱故障诊断方法.通过运用该方法和连续小波变换分别对某齿轮箱齿轮齿根裂纹故障振动信号进行分析,结果表明,该方法能更有效地提取齿轮故障信息,提高了齿轮故障诊断的准确性.这种自适应的信号处理方法非常适合分析非线性、非平稳过程.     

基于小波包和EMD的谱峭度法在滚动轴承故障诊断中的应用

共振解调法是滚动轴承故障诊断中最常用的方法之一,然而确定合适的带通滤波器参数并将高频共振成分提取出来并不容易。谱峭度能够发现故障特征最明显的频带即自动确定带通滤波器的参数。但是滚动轴承的早期故障信号中混有强烈的干扰噪声,单一采用谱峭度法无法确定故障部位。为此提出一种基于谱峭度法和经验模式分解(EMD),以及小波包变换联合应用的滚动轴承故障诊断的新方法,首先采用EMD对原始信号进行自适应性分解,突出高频共振成分,再利用谱峭度法确定最佳带通滤波器参数,然后使用小波包变换提取高频共振成分,最后使用Hilbert变换做包络解调,经过对实际故障信号的研究分析,证实了该方法的有效性。     

小波分析在车辆故障诊断中的应用

车辆变速箱振动信号可用小波分析法预处理后,再用小波包能量尺度图分析法识别故障,按此法对BJ212变速箱准确地进行了故障识别,结果表明利用小波分析进行变速箱故障诊断的方法行之有效.     

复解析小波变换在齿轮故障诊断中的应用

提出了一种基于复解析小波变换的相位诊断齿轮故障的方法。复解析小波变换将Hilbert变换与小波分析紧密结合在一起，具有自适应分析能力。利用复解析小波变换得到齿轮振动信号的相位，其功率谱图上可提取调制边频带结构来识别故障模式，试验结果表明这种方法可有效应用于齿轮局部故障诊断中。     

基于小波包和支持向量机的液压泵故障诊断

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用.论述齿轮泵的典型故障设置及其数据采集.针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法.实验结果表明:基于小波包一支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求.     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于小波理论的低速重载轴承的故障诊断研究

针对低速重载设备故障的特点,采集低速滚动轴承的故障信号.基于小波分析理论,对故障信号进行多尺度分解和信号重构,利用特定频带的信息进行故障诊断.结果表明,应用小波分析可以提取低速滚动轴承的故障特征频率.     

基于小波熵和ANFIS的轴承故障诊断方法

提出一种基于小波熵和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法.对原始振动信号进行小波包分解,提取小波熵特征,然后用ANFIS作为分类器进行故障模式识别.比较人工神经网络(ANN)与ANFIS的故障诊断效果.结果表明,该算法诊断准确率高于神经网络.