全矢改进连续谐波小波包滚动轴承故障特征提取

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。     

基于小波包熵和ISODATA的滚动轴承故障诊断

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。     

基于小波包样本熵的滚动轴承故障特征提取

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.     

基于小波包能量神经网络的滚动轴承故障诊断方法

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。     

基于小波包变换的滚动轴承故障诊断

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。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验...     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于小波包变换与样本熵的滚动轴承故障诊断

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。     

基于EMD分解与小波包的滚动轴承故障诊断

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.     

基于小波包自适应Teager能量谱的滚动轴承早期故障诊断

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。     

基于小波包能量谱和包络分析细化的轴承故障诊断

提出了一种将小波包能量法和细化包络分析相结合的滚动轴承故障诊断方法。首先利用小波包变换将滚动轴承振动信号分解到独立的频段上,计算出不同频率段的能量,根据频段能量的变化情况,确定滚动轴承故障所在频段。重构故障频段信号。然后应用Hilbert变换对重构信号实现包络解调,提取故障特征频率。最后为了进一步提高包络谱的分辨率,采用线性调频Z变换细化频谱。实际的滚动轴承实验数据的处理和分析结果表明,该方法在滚动轴承故障诊断中是有效的。     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

基于小波包和细化包络分析的滚动轴承故障诊断方法研究

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．     

A multi-step progressive fault diagnosis method for rolling element bearing based on energy entropy theory and hybrid ensemble auto-encoder

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.     

基于小波包和分形盒维数的滚动轴承故障诊断

为诊断滚动轴承不同部件产生的故障,针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数。实验结果表明,滚动轴承不同的故障类型具有不同的盒维数。正常滚动轴承盒维数最大,依次为滚珠故障盒维数、内环故障盒维数,外环故障盒维数最小。分形盒维数能定量地识别滚动轴承不同部件的故障,提高滚动轴承故障诊断的准确率,为滚动轴承智能故障诊断提供可靠依据。     

基于余弦调频小波变换的滚动轴承故障研究

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。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

Rolling bearing fault diagnosis using adaptive deep belief network with dual-tree complex wavelet packet

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.