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.     

基于小波变换及HHT的轴承故障诊断应用研究

为研究滚动轴承故障问题,将小波变换及HHT(Hilbert-Huang变换)相结合的分析方法,应用于强噪声背景下轴承信号故障的提取.首先将轴承故障信号利用小波变换进行降噪处理,然后应用HHT得到希尔伯特边际谱,从中提取故障特征信息.为准确诊断故障,将方法应用于分析采集的分别具有外圈和内圈损伤的滚动轴承振动信号,并与直接运用HHT分析作比较.结果表明,方法降低了噪声对HHT对振动故障信号分析的干扰,能够更有效的提取轴承故障特征信息,提高轴承故障诊断率.     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

基于小波分析的故障系统在旋转机械中的应用

就小波分析技术在旋转机械故障诊断应用中的故障特征提取问题进行了深入研究,提出了基于小波奇异性及小波变换模极大值的故障特征提取方法,通过对故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。     

基于Gabor小波变换册的齿轮故障诊断方法

齿轮产生局部故障时,失效的轮齿间断地进入啮合,产生冲击振动,使得齿轮振动信号包含了非平稳或时变成分.基于平稳信号处理的传统方法无法全面反映信号的时变特性.作者研究了Gabor小波变换册方法,Gabor小波变换册是小波变换的推广,它是时间-频率-尺度三维空间上的线性变换,它有机结合了小波变换与Gabor变换,具有对非平稳信号的强大分析功能,利用其作信号的谱估计,不仅具有小波变换谱估计方法高频率分辨率的优点,而且不受信号频率范围宽窄的限制,可以根据需要自由地选择尺度参数,谱估计值准确有效.利用Gabor小波变换册作齿轮故障信号的谱估计,比经典的自功率谱估计在齿轮局部故障诊断中能取得更好的效果.文中并对该方法进行了仿真和实验验证,仿真和实验数据的分析结果表明这些方法可突出齿轮的边频带结构,适用于齿轮的局部故障诊断,具有一定的应用价值和更深入的研究价值.     

小波包在故障诊断中的应用

主要研究小波包变换和神经网络相结合的故障诊断技术。首先利用小波包的多分辨率分析的特点,对故障信号进行多尺度的分解,正交和归一化处理后,根据主成份分析原理提取故障特征向量作为神经网络的训练样本,设计故障类型识别器。仿真结果证实了该方法的有效性和可行性。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

矿用电动机振动信号早期故障特征提取方法

针对现有矿用电动机振动信号故障特征提取方法存在依赖参数设置、频率混叠、信号失真等问题,提出了一种基于双树复小波变换的矿用电动机振动信号早期故障特征提取方法。利用双树复小波变换对采集的矿用电动机振动信号进行分解,得到各层双树复小波系数,并采用软阈值滤波对各层双树复小波系数进行滤波处理,滤波处理后的双树复小波系数经双树复小波变换重构获得去噪信号。应用结果表明,该方法能有效去除电动机振动信号中噪声,提取的早期故障特征能很好地反映电动机实际运行工况,为电动机早期故障诊断提供了有效依据。     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于Wavelet-CNN的电磁炮过靶信号识别方法

电磁炮测试中,炮口产生强烈的火光信号以及振动等噪声,会严重干扰电枢特征信号的识别处理;为了提升对电枢信号的自动识别率,提出了一种基于小波变换和卷积神经网络(CNN)相结合的电枢信号识别方法;利用小波变换对过靶信号进行小波阈值去噪,进而重构信号,然后利用CNN提取信号的深层次特征,通过CNN的全连接层输出信号的分类结果;当输入信号为电枢信号时,对其作最大值检测获取电枢信号的特征点;实验结果表明,所提方法对比传统小波阈值滤波法在特征点自动拾取准确率上提升了5.88%;该算法对电磁炮电枢过靶信号的滤波、识别具有一定的参考意义。     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。     

一种结合EWT和成分分析的无线电指纹提取方法

无线电台信号个体识别主要是提取无线电信号中的杂散成分,通过对杂散成分进行分析达到个体识别的效果。针对线电信号杂散成分具有非线性、非平稳性的特点,本文将经验小波变换(EWT)和信号成分分析结合起来,提出了一种新的信号特征提取方法。该方法首先利用EWT对信号进行自适应的分解处理,通过选取部分能够表征个体差异的信号成分进行特征值谱分析,并以信号成分的归一化特征值谱的差异为依据进行信号指纹特征的提取,再根据指纹特征对信号进行识别。仿真结果表明,该方法与HHT和局部积分双谱分析方法相比,具有更加优越的识别性能,并且具有更加优良的特征稳定性,同时受信噪比的影响较小。     

Hilbert-Huang变换在语音信号精细时频分析中的应用

语音信号是一种典型的非平稳信号,其特性及表征本质特征的参数均是随时间变化的,而时频分析是分析时变谱的有力工具,Hilbert-Huang变换是一种新型的具有自适应性的时频分析方法,对于非线性、非平稳信号有清晰的物理意义,通过HHT变换,能够得到信号的时间-频率-振幅三维分布特征。分析了HHT算法的原理,采用了合适的端点效应处理方法提高了EMD的分解精度,通过仿真实验得到了语音信号更加精细的时频结构,并与STFT、WVD及Choi-Williams分布进行了对比,显示了HHT算法的优越性。     

基于RBF神经网络和小波包的电动机故障诊断研究

针对传统的电动机故障诊断存在很难准确提取故障时的特征信号及对故障作出准确预测的问题,提出了一种基于RBF神经网络和小波包的电动机故障诊断的方法。该方法采用小波包分析技术提取电动机典型轴承故障、转子故障和绝缘故障振动信号的特征频段能量并组成向量作为RBF神经网络的输入,用于诊断电动机的故障。实验和仿真结果表明,使用RBF神经网络对电动机故障诊断是非常有效的,对电动机早期故障的发现及维修有积极意义。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于单片机的直流电动机的信号采集系统设计

装甲车辆起动过程中,直流电动机部分容易发生故障,传统的电机诊断方法都是定期制定维修计划,这种检修方式容易造成维修不足、维修过量以及盲目维修的问题,为了深入分析电动机故障发生时的参数信息的变化,构建一套能够采集电机运行参数的系统,对采集电枢电流和振动信号进行时频域分析,能够反映故障发生的特点;该系统以STM32103C8T6为主控芯片,设计了电流、振动信号采集电路,信号调理电路,对A/D转换模块、数据存储模块进行了编程实现,能够对直流电动机的电枢电流和振动信号进行实时采集,并将数据保存到上位机中进行后续的调用处理;通过测量对比直流电动机起动过程轴承部位发生不同故障时的电流和振动信号,利用MATLAB仿真实现时域内的信号显示,并在MATLAB平台中,编程实现了振动信号的时频域分析;仿真结果表明,该采集系统能够准确测量信号,具有成本低,体积小,精度高等优点,能够为故障特征提取提供较好的数据基础。     

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。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。