基于小波包分解的滚动轴承故障诊断方法的研究

介绍了小波包分析的基本理论,并以滚动轴承为研究对象,将小波包分析应用于轴承的故障诊断。首先用小波包分解的方法提取分解频带的能量在时间域上的分布,得到能量谱图,然后通过包络分析得到信号的功率谱,由此可判断出轴承的故障位置。     

基于小波包的轴承信号降噪和特征提取的研究

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。     

小波包-包络分析在滚动轴承故障诊断中的应用

滚动轴承故障诊断是机械故障检测中一个重要方面。使用小波包分析和包络分析相结合的方法提取轴承微弱振动信号 ,克服了传统包络分析方法易丢失信号有效成分的缺点。包络信号的细化谱较好体现了轴承故障信息     

小波包分析在减速机故障诊断中的研究

以冶金企业的轧钢设备中典型关键设备减速机为具体研究对象,对减速机进行状态监测与故障诊断,并将三维小波变换与小波包降噪残差信号频谱分析相结合,利用残差信号的频率特征信息,有效地提取了减速机故障频率。     

小波变换在轴承故障诊断中的应用

针对轴承故障诊断中非平稳信号的特征提取问题,采用小波变换理论对其进行处理。构建了减速器轴承故障实验平台,采集了大量实验数据。通过滚动体点蚀的典型故障实验与小波变换处理及轴承故障频率分析,获取了该故障的特征频率参数,表明小波变换在非平稳信号处理方面的有效性。     

基于频谱分离与小波包分析相结合的滚动轴承故障诊断

针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后信号的功率谱,从而从功率谱中识别出滚动轴承的故障特征频率,达到滚动轴承故障诊断的目的,并结合实验数据对该方法进行验证,结果证明了该方法的有效性。     

基于小波分析的提升机轴承故障诊断

以某矿主井提升机上天轮滚动轴承为研究对象,以小波分析为理论基础,在MATLAB软件中对试验采集的振动信号进行小波分解重构,利用Hilbert变换进行包络解调分析并进行细化频谱分析,可以准确有效地检测出轴承中的故障信息成分,进而判断轴承故障。通过现场检修,验证了试验结论的正确性,说明小波分析在轴承的故障诊断中是可行有效的。     

基于小波包分析和概率神经网络的往复泵的故障诊断研究

往复泵的正常工作是确保煤矿生产顺利进行的关键,由于工作环境恶劣,往复泵的故障诊断是非常重要的,因此,深入地研究了小波包分析和概率神经网络在往复泵故障诊断中的应用。分析了基于小波包的往复泵故障提取机理,设计了基于小波包分析的往复泵故障特征提取流程;构建了基于概率神经网络的往复泵的故障诊断模型,设计了概率神经网络的基本结构。对往复泵进行了故障诊断分析,仿真结果表明小波包和概率神经网络能够准确地获得故障诊断的类型。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

小波分析在故障诊断中的应用

小波分析是傅里叶分析的发展与延拓。本文介绍了小波分析基本概念,并应用Daubechies小波对某实际故障信号进行处理,取得了较好的应用效果。     

基于小波分析的齿轮箱故障信号分析

利用小波分析的变精度特性,对信号中的短时高频成分进行分析,又对信号中的低频缓变趋势进行估计,聚焦到信号的细节,尤其对突变信号具有很强的识别能力,为齿轮箱故障信号分析提供了新的方法。     

小波变换在故障诊断中的应用

对小波变换与傅立叶变换进行了比较。由于小波分析能对信号高、低频部分局部细化并保留原信号的时域特征,因而具有良好的时频特性,能对非平稳信号进行有效识别,达到故障诊断的目的。     

电机故障诊断中的小波分析方法及小波基选取

通过对傅立叶变换与小波变换的分析,选定小波分析的方法作为电机故障诊断的分析方法。在此基础上对各系列的小波基进行了分析,结合电机故障诊断中具体信号的特点,选取了适合的小波基。     

小波分析在滚动轴承故障检测中的应用研究

滚动轴承是现代工业机械广泛应用的精密部件,研究其故障检测具有重要意义。分别对滚动轴承外圈和内圈2种故障状态下的检测信号进行了频域和提升小波分析。结果表明,提升小波对提取以上2种故障特征有效。     

基于小波分析的滚动轴承故障诊断

通过典型信号的MATLAB仿真讨论了小波在检测信号突变点时的选取原则。针对滚动轴承故障振动信号,先进行小波消噪,再进行小波分解与重构,对重构后的细节信号作Hilbert包络并进行谱分析,从功率谱中可清晰地识别出滚动轴承故障特征频率。     

小波分析在采煤机故障诊断中的应用

研究了小波分析在机械故障诊断方面的应用,通过对截割滚筒部位振动信号的研究表明,对此类信号的小波分析提取基础上的机械故障诊断,是一种有效的分析手段。将小波分析后的数据转换到频域,在频域里进行倒谱运算。数据处理结果证明:倒谱处理使得特征频率处的特征值更加明显。对破损轴承进行上述处理和分析,证明了小波分析和倒谱结合进行故障诊断的有效性。     

基于小波分析的数据流聚类算法

结合CluStream处理数据流的框架,提出了一种基于小波分析的数据流聚类算法WDS。在分解后的低频子波中利用小波特性寻找密集区域,并结合了CluStream的在线微聚类和离线宏聚类两个过程来处理数据流。WDS算法在聚类时无需预先指定聚类数目,有效地解决了聚类算法参数敏感的问题。     

小波分析和Hilbert谱分析在故障诊断中应用

为了能有效地识别滚动轴承故障信号的非平稳和调制特点,提出了一种基于小波分析和Hilbert谱分析的滚动轴承故障诊断的新方法。使用小波分析对包含故障信息的信号进行分解、重构。进一步应用Hilbert变换进行解调和细化频谱分析。结果表明,小波分析和Hilbert变换的联合能够有效地提取故障特征频率并判断故障类型,非常适合滚动轴承的故障诊断。