压缩感知在滚动轴承振动信号降噪中的应用

针对滚动轴承振动信号降噪的问题,研究压缩感知在滚动轴承信号降噪中的应用。分析滚动轴承振动信号的DCT变换系数值分布的特点,提出能够自适应信号类型的重构停止阈值计算方法,使用OMP进行信号重构的同时实现降噪。与传统小波阈值降噪方法进行实验对比分析,结果表明:使用的方法在降噪效果上与小波双曲阈值方法接近,优于小波软阈值方法,且处理的数据量远小于小波方法。     

基于软阈值和小波模极大值重构的信号降噪

软阈值小波降噪是一种常用的非平稳信号特征提取方法.为了改进软阈值小波降噪法的性能,提出一种基于软阈值和二进小波变换模极大值的新小波降噪方法.首先,对信号进行二进小波变换,再对小波系数进行软阈值处理;然后,选择由信号产生的小波系数模极大值点;最后,用交替投影算法重建信号.理论分析表明,该方法能有效地降低软阈值小波降噪法的误差下界.仿真试验表明,该方法提高了降噪结果的信噪比,且较好地保留了信号中的奇异性.将该方法和二进小波变换软阈值降噪法结合起来,应用于滚动轴承故障振动信号降噪.结果表明,该方法能有效地提取到信号中的冲击特征.     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于ISVD和小波降噪理论的轴承故障诊断

针对滚动轴承振动信号的非平稳等复杂特点,在分析迭代奇异值降噪和小波阈值降噪的原理和特点的基础上,将两者理论结合应用于轴承振动信号降噪中。试验证明,结合降噪法能有效剔除噪声,并可较好地保留冲击信号中的尖峰和突变部分,最后通过计算降噪后信号的样本熵可准确地实现轴承的故障诊断。     

基于改进平移不变量小波阈值法的齿轮泵振动信号降噪

齿轮泵的振动信号中含有大量噪声,在对其进行应用之前必须降噪处理。传统的小波阈值降噪法在信号的奇异点附近会产生振荡现象,为此研究了一种新的小波阈值函数,把新的阈值函数和平移不变量相结合,提出了改进小波阈值法的平移不变量降噪方法。该方法克服了软、硬阈值的缺陷,同时抑制阈值法降噪时产生的伪吉布斯(Pseudo-Gibbs)现象。利用该方法对仿真信号和实测齿轮泵振动信号进行降噪处理,并与小波软、硬阈值法及新阈值法进行了对比。结果表明:该方法具有更好的降噪效果,可应用于齿轮泵振动信号降噪处理。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于Morlet小波与最大似然估计方法的降噪技术

采用与冲击信号匹配的Morlet小波作为小波基对信号进行小波变换,利用冲击信号的概率密度特征,结合最大似然估计的阈值方法进行降噪,以提取周期性的冲击信号。通过对减速箱故障信号进行降噪,提取出周期性的故障特征信号,表明该方法可以有效地去除强噪声干扰,提取振动冲击信号     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。     

采煤机摇臂齿轮传动系统振源定位分析方法

为了研究采煤机摇臂传动齿轮的振动分析方法并进行实机振源定位验证,首先,采用小波分析对采煤机摇臂振动信号进行降噪处理和频谱分析,依据特征频率下的振幅结果确定故障齿轮的啮合频率;然后,通过Morlet小波包络解调分析获取边频带信号频谱特征,依据边频带特征频率下的振幅结果确定故障齿轮的转动频率;最后,对频谱分析和Morlet小波包络解调分析的结果进行综合分析,锁定故障齿轮的准确位置。对一台国产采煤机摇臂齿轮传动系统进行了振动测试与信号分析,结果表明,基于小波分析、频谱分析和Morlet小波包络解调分析相结合的振动分析方法可以实现对采煤机摇臂故障齿轮的准确定位,为强噪声环境下复杂齿轮传动系统的故障快速定位和现场定点维修提供了方法支持。     

基于Morlet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题,提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上,将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明,该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析,可以同时表征奇异性信号的时间和频率信息。     

Morlet小波对于压缩机故障信号的研究

针对目前压缩机故障信号分析中存在的问题,提出了用Morlet连续小波对故障信号进行提取和识别。在停车情况下,对压缩机故障进行检查,验证了Morlet连续小波在故障信号提取和识别中的可行性和正确性。     

基于Modet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题，提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上，将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明，该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析，可以同时表征奇异性信号的时间和频率信息。     

基于自适应复平移Morlet小波的轴承包络解调分析方法

针对滚动轴承的传统包络解调分析技术需要人工选择参数的缺点,提出一种自适应包络解调分析方法。该方法针对轴承故障在振动信号中表现为冲击衰减波形的特点,采用复平移Morlet小波实现冲击特征波形的自动提取。同时,基于小波系数峭度值最大的优化策略,给出Morlet小波基函数的中心频率和包络因子的优化方法,从而实现与冲击特征成分的最优匹配,获得较好的包络信号。对模拟信号和实际轴承故障数据的应用分析表明,该方法通过对基函数波形的优化匹配,可以有效地解调出弱故障特征分量,效果优于普通的复平移Morlet小波变换,适合于轴承的早期故障特征提取。     

On the study of applying Morlet wavelet to the Hilbert transform for the envelope detection of bearing vibrations

In this paper, the Morlet wavelet is studied to apply in the envelope analysis for the bearing vibration and, in practice, would be easier to apply in the real-time vibration analyses. The parameter designation of Morlet wavelet is proposed to filter out and demodulate one of the resonance modes of a bearing vibration, but the designation of the filtering passband would not be required. Therefore, the mode vibration and its corresponding envelope could be derived from the real part and the absolute value of the wavelet transform, respectively. In addition, the Morlet wavelet with properly designating the parameters possesses a very excellent property of fast waveform convergence and could effectively reduce the computing burden. From theoretical and experimental studies, it is shown that the designation of Morlet wavelet could be effectively applied in the envelope detection for the vibration signals and could be useful in the defect diagnosis of bearing vibrations.     

时频等高图在旋转机械振动故障信号检测中的应用

提出用基于Morlet小波变换的时频等高图检测信号中奇异性的方法。旋转机械某些故障发生时将产生具有奇异性的非平稳信号，检没出振动信号中的奇异性对于设备状态监测和故障早期诊断很有意义。小波变换在时域和频域内同时具有局部化能力，是分析故障信号奇异性的有利工具，为旋转机械故障检测提供了新思路。文中通过对仿真的旋转机械转子各类振动突变信号进行分析，说明Morlet小波时频等高图能直观表示信号中的微弱奇异成分，可以有效提取信号中的微弱奇异特征。