提升小波变换在煤矿轴承故障诊断中的应用研究

针对煤矿关键设备中滚动轴承故障诊断问题,提出将提升小波变换应用到煤矿轴承故障诊断中,介绍了提升小波变换原理,并设计了自适应提升小波预测器和升级滤波器。仿真结果表明,轴承故障信号实际测量值与理论值平均误差小于3%,说明利用提升小波变换能够实现噪声条件下轴承故障信号的准确识别。     

基于小波包和HHT的轴承故障诊断研究

采用一种处理非平稳信号的新方法—希尔伯特-黄变换HHT(Hilbert-Huang Transform)来进行滚动轴承故障特征的提取.将信号先进行小波包降噪处理,然后用HHT进行信号故障特征提取.通过实验仿真和轴承故障诊断实例,对比没有进行小波包降噪而直接进行HHT的结果,证明了此方法在轴承故障诊断中的有效性.     

基于希尔伯特-黄变换的轴承振动特性分析

滚动轴承是异步电动机的重要部件,其运转状态直接影响到电机运行的安全性.因此在线监测轴承工作状态,及时发现轴承早期故障,对保证异步电动机长期可靠运行具有特别重要的意义.利用希尔伯特-黄变换对非平稳信号的敏感性,提出一种可有效提取轴承故障特征的新方法.对振动加速度传感器获取的轴承随机振动信号,进行经验模态分解,自适应地获得本征模态函数,继而对每组本征模态函数进行希尔伯特变换,得到时间-频率-能量三维希尔伯特谱,希尔伯特谱揭示了轴承不同工况的时频特征.试验结果进一步证明了该方法的有效性.     

基于小波分析的轴承故障诊断和分析

故障特征提取与表示关系到故障诊断的可靠性和准确性,是机械设备故障诊断中的关键问题,而且是机械设备故障诊断的瓶颈所在。应用小波分析理论,针对旋转机械体轴承这种典型部件,对于他们的故障特征进行提取、表示以及判断。     

小波变换在轴承故障诊断中的研究

介绍了小波分析理论和MATLAB小波工具箱,并利用MATLAB小波工具箱进行信号分析。滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件,它的工作状况直接影响机械设备的使用性能。小波分析是一种时频信号分析方法,它具有时域和频域的局部化和可变时频窗的特点,利用小波变换和小波包对信号在不同的频带下进行分解与重构,并对不同的分析方法进行了比较,特别是对不同的小波函数也进行了比较。最后,提出利用数据挖掘的理论来建立轴承故障诊断的数据挖掘模型库。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于HHT的控制阀气密性故障诊断研究

以气动薄膜控制阀气室气密性故障为研究对象,首先对控制阀阀位动作信号进行希尔伯特-黄变换,通过经验模态分解方法检测故障的发生及发生时刻;其次分析了其各阶模态及其能量占比特性,获得了气动控制阀气室气密性故障类别和强度的在线诊断。通过模型仿真和实体阀实验验证了本文提出的检测及诊断方法的有效性和实用性。研究首次将希尔伯特黄变换信号分析方法引入到非周期、非平稳过程故障诊断中来,完整的实现了气动控制阀气室气密性故障的检测、诊断和强度识别。     

基于小波变换的自动机故障诊断

对自动机故障诊断特点和方法进行分析,并举例介绍了小波变换在自动机故障诊断中的应用。利用小波变换对自动机信号进行分解,重构以及提取信号包络谱,快速准确判断出自动机设备运行状态是否异常,比传统方法更有效。     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解(EMD)和Hilbert-Huang变换(HHT)组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于新小波阈值的轴承故障诊断方法

对于滚动轴承的故障分类方法抗干扰性差、准确率低等问题,文中提出一种新小波阈值的滚动轴承故障特征提取方法.通过计算每层分解后数据与原始数据的相关系数,改变调节因子,在不同分解层中选取阈值和阈值函数,达到寻求最优信噪比的目的.以型号为6205-2RS的滚动轴承故障信号为例进行仿真实验,对降噪后的频谱以及LS-SVM诊断结果...     

基于小波包和EMD的滚动轴承故障诊断研究

经验模态分解由于采用了三次样条插值的方法筛分内模函数,在实际应用中存在模式混叠、在低频段产生多余IMF分量等问题.文中以内模函数定义为出发点,提出一种基于小波包的筛分方法,并通过设定以小波能量比为条件的门限值,提高了小波包分解的自适应性和效率.通过仿真信号和滚动轴承故障振动信号的检验,证明了该方法的可行性和有效性.     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

小波包和GA-SVM在轴承故障诊断中的应用

为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数c和核函数参数g选取的问题,提出了基于小波包和GA-SVM的轴承故障诊断方法;首先通过实验采集多种工况下故障轴承和正常轴承的振动信号,从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入,然后在SVM的基础上,针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性,采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别;实验结果显示,基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。     

基于小波分析的滚动轴承故障诊断系统的研究

针对机械设备滚动轴承的振动特性,研究一种优化的小波变换算法,并将其投入到滚动轴承的故障诊断中。对小波进行分解,以及阈值的选取方面进行技术性的研究,提高信噪比,提高故障诊断的精确性。在系统服务层上,使用Web开发技术开发基于B/S结构的在线监测系统,实现机械设备滚动轴承的远程监测、诊断管理。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。