基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

基于比例故障率模型的转向架牵引电机滚动轴承可靠性评估

为保障轨道车辆转向架牵引电机滚动轴承安全、平稳、可靠地运行,提出一种基于振动特征的轨道车辆转向架牵引电机滚动轴承(以下部分简称电机轴承)可靠性评估方法.该方法首先从实测得到的振动信号中提取并优选出能反映电机轴承状态的特征指标;然后,将优选出的敏感特征指标利用主成分分析法(PCA)进行多域特征指标的加权融合,得到一个能全面、准确、有效地表征电机轴承性能状态的特征指标;再将这个融合后的特征指标作为响应协变量与可靠度之间建立可靠性评估模型,从而对电机轴承运行可靠性提供了有效的评估.最后通过在某车辆转向架牵引电机轴承上的实际应用说明该方法的有效性和合理性.     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于小波-神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法.利用小波包可进行多维多分辨率的特性,对电机振动信号进行分解与重构,获得震动信号的突变信息,实现电机状态的特征提取.对提取出的特征,用ART2神经网络进行状态分类,进而诊断故障类型,并利用这种方法进行仿真试验,通过对仿真结果的分析证实这种诊断的可行性.     

小波降噪与BSS在航空发动机故障诊断中的应用

在航空发动机的故障诊断中,传感器测得的信号通常是非平稳的振动信号;受发动机工作环境影响,这些振动信号含有大量噪声且多路源信号相互混叠;传统的信号处理方法很难从此类信号中快速有效地提取出故障特征;运用小波阈值降噪结合盲源分离的方法对发动机振动信号进行了分析,并对某型航空涡扇发动机发生空中停车故障时的振动信号进行了分析,验证了该方法在航空发动机故障诊断中的有效性.     

WPT-MSE结合PNN的电机轴承故障诊断方法

滚动轴承是电机的重要组成零部件,在实际运行工况条件下,背景噪声干扰严重,难以实现电机轴承特征的有效提取及故障的准确判别。为了解决这一问题,提出了一种基于小波包变换(UPT)、多尺度熵(MSE)和概率神经网络(PNN)的诊断方法。首先,利用小波包变换对拾取的信号样本进行处理,并将原始信号分解为相应的子带信号分量,以减少原始信号中复杂成分之间的交叉干扰;然后,计算所得子带信号分量的多尺度熵值,并利用提取出的多尺度熵值构造能够表征电机轴承运行状态的特征向量;最后,将特征向量输入概率神经网络中,实现对电机轴承不同故障类型及损伤程度的自动识别。实测数据分析结果表明,所述诊断方法能够有效识别电机轴承的不同工作状态,从而为电机轴承的故障诊断提供了参考,具有一定的工程应用价值。     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

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。     

基于二进小波的相合束广义特征分解盲源分离算法

针对盲源分离算法中用相合束广义特征分解法提取源信号,滤波法需根据源信号选择滤波器,时延法不能分离3个以上的源信号,而离散小波变换法的分离效果不够理想,本文提出基于二进小波变换的相合束广义特征分解算法,二进小波的正交性有利于增强信号的非高斯性,并且二进小波在分解时没有进行下抽样,小波基之间存在一定冗余,更好地保留了源信号的信息.仿真结果表明,该算法能更准确地分离4个源信号的混合,且该算法简单易实现,分离速度快.     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

Separating mixed multi-component signal with an application in mechanical watch movement

This paper presents a method to combine signal decomposition with blind signal separation for separating one-dimensional mixed multi-component signal of mechanical watch movement. The method consists of three steps. First, a multi-component signal is decomposed into a set of redundant signals, called pseudo multi-channel mixtures, using the continuous wavelet transform (CWT). Then, independent component analysis (ICA) is used to acquire the independent components. Finally, a correlation criterion is applied to automatically select the source components. The new method can effectively separate a multi-component signal into a series of independent components corresponding to different sources. The effectiveness of this method is demonstrated by means of a computer simulation example. And the proposed method is applied for analyzing and diagnosing mechanical watch movements. It is found that the separated source components effectively reveal the insight of the mechanical watch movement, and can be used for fault diagnosis.     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于小波包和EMD的异步电动机轴承故障诊断方法

针对传统的异步电动机轴承故障诊断方法对于轴承的局部缺陷及早期故障的诊断效果不明显的问题,提出了一种采用小波包理论与EMD相结合的方式提取异步电动机轴承故障特征频率的方法。该方法先采用小波包理论对原始信号进行消噪及频带划分,接着采用EMD对小波分解重构得到的信号进行分解以获得固有内在模函数(IMF),最后将IMF经时频变换得到频谱图,根据故障特征频率得出诊断结果。实验结果证明,该方法可有效地提取出故障特征频率,并方便地判断出故障类型。     

基于经验小波变换的BCG信号提取方法研究

为解决非接触式睡眠监测系统中呼吸和心跳信号的有效分离和准确提取问题,采用经验小波变换手段,根据信号频谱特征利用尺度空间变换实现频域的自适应划分,然后依据频谱划分的边界构造正交小波滤波器组,实现了从所获取的混合压力信号中有效提取出心冲击和呼吸信号等单模态分量。初步实验结果表明,与常规滤波方法相比,该方法具有较高的自适应性...     

An application to transient current signal based induction motor fault diagnosis of Fourier–Bessel expansion and simplified fuzzy ARTMAP

The start-up transient signals have been widely used for fault diagnosis of induction motor because they can reveal early defects in the development process, which are not easily detected with the signals in the steady state operation. However, transient signals are non-linear and contain multi components which need a suitable technique to process and identify the fault pattern. In this paper, the fault diagnosis problem of induction motor is conducted by a data driven framework where the Fourier–Bessel (FB) expansion is used as a tool to decompose transient current signal into series of single components. For each component, the statistical features in the time and the frequency domains are extracted to represent the characteristics of motor condition. The high dimensionality of the feature set is solved by generalized discriminant analysis (GDA) implementation to decrease the computational complexity of classification. In the meantime, with the aid of GDA, the separation of the feature clusters is increased, which enables the more classification accuracy to be achieved. Finally, the reduced dimensional features are used for classifier to perform the fault diagnosis results. The classifier used in this framework is the simplified fuzzy ARTMAP (SFAM) which belongs to a special class of neural networks (NNs) and provides a lower training time in comparison to other traditional NNs. The proposed framework is validated with transient current signals from an induction motor under different conditions including bowed rotor, broken rotor bar, eccentricity, faulty bearing, mass unbalance and phase unbalance. Additionally, this paper provides the comparative performance of (i) SFAM and support vector machine (SVM), (ii) SVM in the framework and SVM combined with wavelet transform in previous studies, (iii) the use of FB decomposition and Hilbert transform decomposition. The results show that the proposed diagnosis framework is capable of significantly improving the classification accuracy.     

Decision-level fusion based on wavelet decomposition for induction motor fault diagnosis using transient current signal

In this paper, we propose and implement a decision-level fusion model by combining the information of multi-level wavelet decomposition for fault diagnosis of induction motor using transient stator current signal. Firstly, the start-up transient current signals are collected from different faulty motors. Then signal preprocessing is conducted containing smoothing and subtracting to reduce the influence of line frequency in transient current signals. Next, we employ discrete wavelet transform technique to decompose the preprocessed signals into different frequency ranges of products, and then features are extracted from decomposed detail components. Finally, two decision-level fusion strategies, Bayesian belief fusion and multi-agent fusion, are employed. That is, fault features are classified using several classifiers and generated decisions are fused using a specific fusion algorithm. The proposed approach is evaluated by an experiment of fault diagnosis for induction motors. Experiment results show that excellent diagnosis performance can be obtained.     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。