共查询到18条相似文献,搜索用时 62 毫秒
1.
滚动轴承在旋转类机械设备中运行时,会产生成分复杂的振动信号。现有滚动轴承信号处理方法多使用单通道信息,无法反映整个截面故障状态。本文提出了一种基于全矢改进连续谐波小波包变换的故障特征提取方法。首先使用相互正交的两个传感器,实现滚动轴承某一截面上双通道振动信号采集;其次利用全矢谱技术将所采集的同源双通道信号进行融合;然后使用改进连续谐波小波包变换分解融合后的信号;再从各子带中提取能反映各类故障特征的能量值组成特征向量;最后利用美国凯斯西储大学滚动轴承实验台的一组实测故障数据验证该方法的正确性。 相似文献
2.
针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵(WPE)和ISODATA的集合型故障诊断方法(WPE-ISODATA)。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明:基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。 相似文献
3.
基于小波包样本熵的滚动轴承故障特征提取 总被引:5,自引:0,他引:5
将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性. 相似文献
4.
针对单一的信号处理诊断方法难以实现滚动轴承故障准确诊断的局限性,提出一种基于小波包能量神经网络相融合的滚动轴承诊断方法。搭建MPS-ICP滚动轴承振动信号的数据采集平台,利用小波包变换对滚动轴承内环、外环及滚动体的故障信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征。将提取的能量故障特征分别输入至建立的BP、RBF和Elman神经网络的诊断系统中,实验分析表明,三种神经网络都能较好的诊断电机滚动轴承的故障类型,且与实际滚动轴承的故障类型较吻合,但就诊断误差和时间综合而言,BP神经网络诊断系统更适合电机滚动轴承故障的检测。 相似文献
5.
基于小波包变换的滚动轴承故障诊断 总被引:1,自引:0,他引:1
针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。 相似文献
6.
7.
8.
基于小波包变换与样本熵的滚动轴承故障诊断 总被引:3,自引:0,他引:3
针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。 相似文献
9.
基于EMD分解与小波包的滚动轴承故障诊断 总被引:1,自引:0,他引:1
针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测. 相似文献
10.
《机械强度》2017,(4):773-780
针对滚动轴承早期故障特征信息难以识别以及从小波包分解后的频带不能有效确定并自适应提取共振带的问题,提出了频带幅值熵的概念。在此基础上,将小波包变换和Teager能量谱结合,提出了基于小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用小波包对采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳熵阈值以及小波包最佳分解层数,从而自适应并且有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。 相似文献
11.
12.
13.
滚动轴承故障是旋转机械常见的故障之一,针对传统包络解调分析方法需要人为选定共振频带的缺陷,首先采用小波包变换滤波的方法提取滚动轴承固有频率共振频带的信号,并对提取的信号进行重构,滤除了其他信号的干扰.然后用Hilbert变换检波的方法对提取的重构信号实现包络解调,去除高频固有振动成分,诊断轴承的缺陷信息.为了进一步提高包络谱的分辨率,最后采用快速傅立叶变换-傅立叶级数(FFT—FS)方法细化频谱.并在ADBE-56-N4型交流电机上实测了6350型滚动轴承故障模拟信号,与理论分析基本吻合. 相似文献
14.
It is meaningful to efficiently identify the health status of bearing and automatically learn the effective features from the original vibration signals. In this paper, a multi-step progressive method based on energy entropy (EE) theory and hybrid ensemble auto-encoder (HEAE), systematically blending the statistical analysis approach with the deep learning technology, is proposed for rolling element bearing (REB) fault diagnosis. Firstly, a preliminary detection about the REB health status is performed by the statistical analysis technique integrated with the EE theory. Secondly, if fault exists in REB, a new HEAE is constructed based on denoising auto-encoder and contractive auto-encoder to strengthen the feature learning ability and automatically extract the deep state features from the raw data. Subsequently, a modified t-distributed stochastic neighbor embedding (M-tSNE) algorithm is developed to achieve the features reduction to further improve the diagnosis efficiency. Finally, the low-dimensional representations after features reduction are as the inputs of softmax classifier to recognize the fault conditions. The proposed method is applied to the fault diagnosis of REB. The results confirm the effectiveness and superiority of the proposed method, and it is more suitable for the actual engineering applications compared with other existing methods. 相似文献
15.
16.
针对滚动轴承故障振动信号的特点,构造余玄调频小波,采用连续小波变换的方法来提取滚动轴承故障振动信号的特征,在此基础上提出了一种滚动轴承故障诊断方法:时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析,说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在,而且能有效地识别滚动轴承的故障模式。 相似文献
17.
18.
Automatic and accurate identification of rolling bearing fault categories, especially for the fault severities and compound faults, is a challenge in rotating machinery fault diagnosis. For this purpose, a novel method called adaptive deep belief network (DBN) with dual-tree complex wavelet packet (DTCWPT) is developed in this paper. DTCWPT is used to preprocess the vibration signals to refine the fault characteristics information, and an original feature set is designed from each frequency-band signal of DTCWPT. An adaptive DBN is constructed to improve the convergence rate and identification accuracy with multiple stacked adaptive restricted Boltzmann machines (RBMs). The proposed method is applied to the fault diagnosis of rolling bearings. The results confirm that the proposed method is more effective than the existing methods. 相似文献