基于SVD和双树复小波包的低速设备故障诊断

在对低速重载设备进行故障诊断时,一般要采集较长的信号,而利用奇异值分解降噪时能处理的信号长度是有限的,针对这一问题,该文提出了一种融合双树复小波包和奇异值分解的低速重载设备故障诊断方法。首先,利用双树复小波包分解振动信号,得到若干个不同频带的小波包系数,选择包括故障信息最丰富的频带进行奇异值分解,根据奇异值最大突变点来确定奇异值重构个数。其次,对其进行SVD重构,再进行双树复小波重构。最后,利用希尔伯特变换得到准确的故障频率。工程应用表明,该方法可以有效地提取故障特征频率,实现对低速重载设备进行故障诊断的功能。     

基于双树复小波包的发动机振动信号特征提取研究

针对柴油机缸盖振动信号的特征提取问题,提出了一种基于双树复小波包变换和自适应块阈值降噪的标准化相对能量提取方法,双树复小波包利用并行双树实小波变换分解系数达到信息互补,从而获得近似平移不变性和减少了信息的丢失.自适应分块阈值能够随所分析的信号自适应估计最优阈值,达到更好的降噪效果,同时引入消除频率混叠的算法,抑制了双树复小波包分解过程中虚假频率的产生.仿真信号和试验分析该方法能够更有效地消除噪声影响,所提取的相对能量特征具有更好的可区分度.     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

基于改进快速峭度图的轴承故障诊断方法研究

针对传统快速峭度图在轴承故障诊断中,通过计算滤波信号的包络峭度确定频带范围容易受到随机脉冲干扰的问题,提出一种基于改进快速峭度图的轴承故障诊断方法。首先运用自相关算法、改进谱幅值调制(improved spectral amplitude modulation, ISAM)算法对包络信号进行处理,获取修正信号并以其频谱峭度衡量冲击响应的强度;然后以修正信号谱峭度代替传统快速峭度图中的包络峭度,得到可降低各频带随机干扰的改进峭度图;最后通过对3组信噪比不同的仿真信号、2组轴承试验信号的平方包络谱故障诊断情况进行对比分析,验证该方法的有效性和稳定性。通过与原始快速峭度图、功率谱峭度图、ISAM法3种方法对比,验证该方法的优越性。对比结果表明,所提方法可有效降低随机脉冲的影响,实现轴承故障特征频率的准确提取。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

基于子频带谱峭度平均的快速谱峭度图算法改进

快速谱峭度图（Fast Kurtogram）算法具有能自适应选取共振解调频带并实现包络解调提取的优点,在滚动轴承包络分析中有广阔的应用前景,但其在实际应用中,若被采集信号中包含有较高峰值的脉冲干扰时,将可能导致谱峭度图的自适应共振带确定失效,最终导致无法获得包含有效滚动轴承的故障特征信息的包络信号。为解决快速谱峭度图算法的上述不稳定问题,本文提出了一种基于子频带谱峭度平均的改进快速谱峭度图算法,其可有效消除或削弱脉冲干扰成分对谱峭度图结果的影响,提高了共振解调频带确定的鲁棒性,实现了基于快速谱峭度图算法的滚动轴承故障特征准确提取。仿真和试验结果验证了本方法的有效性。     

双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用

论述了波波包分解及其能量谱处理发动机连杆轴承故障的原理与方法,结合传统断火诊断法的思想,应用小波包能量谱直观地识别出故障的特征频带,并进行量化分析,结果证明了这种方法比传统的付立叶分析方法具有更大的优越性及现实的应用价值。     

改进增强峭度图和增强包络谱在滚动轴承故障诊断上的应用

针对滚动轴承故障诊断问题,在分析了基于二进制小波包分解的增强峭度图方法的不足后,提出了基于谐波小波包分解的改进增强峭度图方法。通过计算故障信号的改进增强峭度图,筛选出峭度值最大的最优节点,利用最优节点处的谐波小波包系数进行信号重构,并对重构信号做增强包络谱分析,利用故障特征频率的理论计算值与增强包络谱中峰值明显的谱线进行对比,从而对轴承故障类型做出判断。运用所提出的诊断方法分别对滚动轴承内圈故障模拟、实测信号进行分析,结果表明,该方法具有一定的可靠性,能够满足实际的工程需要。     

基于复小波变换与层间模型的图像去噪

很多小波去噪方法认为小波系数是相互独立的,然而大量实验表明实际图像的小波系数之间是有较强的依赖性。在本文中,我们将利用复小波变换的优势以及小波系数之间的依赖性,提出一种新的图像去噪方法。该方法先确定滤波器系数,再对复小波变换系数建模,并根据MAP准则给出系数的收缩方法进行去噪处理,最后作复小波逆变换。同时在变换的系数抽取之前估计系数的方差,可以使方差估计更准确。     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,同时又以齿轮的故障振动信号为例,进一步表明了该方法在故障诊断中的有效性。     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

基于复Morlet小波变换的大跨空间结构模态参数识别研究

摘 要 探讨了基于复Morlet小波变换的结构频率及阻尼比的识别方法,推导了基于小波变换系数的振型识别原理。为提高识别密集模态的精度,提出了基于最小标准差的小波中心频率及带宽的自适应选择方法。针对大跨空间结构具有低频密集模态以及难以实现用力锤或激振器来激励等特点,提出了自然激励法与小波变换相结合的模态参数识别方法。数值仿真及奥运场馆国家游泳中心现场实测数据分析表明,基于复Morlet小波变换的方法能有效识别低频密集模态参数。     

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。     

基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断

针对滚动轴承故障信号具有明显的非线性和非平稳特征,提出一种基于最优广义S变换和脉冲耦合神经网络(PCNN)的故障特征提取方法。首先采用基于时频聚集性最优化的广义S变换获取轴承故障信号的时频表示,然后利用脉冲耦合神经网络对最优广义S变换时频图进行二值分解,提取二值图像的捕获比序列用于表达故障信号的故障特征。对滚动轴承4种状态信号进行分析,验证方法的有效性。结果表明该方法能够提取出更加有效的轴承故障特征参数,有利于提高轴承故障诊断的精度。     

小波消噪-HHT的四通阀故障诊断

提出一种基于小波阈值去噪和希尔伯特-黄变换(HHT)的故障诊断方法.先用小波变换实现信噪分离,然后对提纯的信号进行经验模式分解(EMD)和HHT,分析HHT边际谱,进行故障诊断.结果表明,该方法减少了噪声对EMD分解的干扰,能有效地突出故障特征频率成分,提高机械故障诊断率.此外,结果还验证了传感器安装在四通阀顶部能最及时有效地进行故障诊断.     

基于小波包能量谱的结构损伤预警方法试验研究

摘 要：通过钢梁损伤试验,验证基于小波包能量谱的结构损伤预警方法在实际结构上应用的有效性。对钢梁进行完好工况和三个损伤工况的动力响应测试,对得到的响应进行小波包分解,考察损伤前后各个特征频带的能量变化。试验结果显示,损伤预警指标ERV和ERVD能够对三种损伤工况做出有效预警;同一工况的多次测试得到的损伤预警指标ERVD虽有变化但变化不大。基于小波包能量谱的结构损伤预警指标对结构损伤具有敏感性、对测试噪声具有鲁棒性,可以用于实际结构损伤预警。     

基于滑动平均与相关向量机的齿轮早期故障智能诊断

早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。     

基于小波包变换的减速机降噪方法研究

在小波包降噪的基础上,提出了一种对小波包降噪后的残差信号进行频谱分析和统计分析的新方法．该方法首先对原始振动信号进行小波包降噪,然后根据降噪后的振动信号和原始振动相比的差值提取残差信号,最后通过对残差信号进行频谱分析提取产生噪声信号的特征频率,通过对残差信号的统计量分析判断设备运行状况。实例验证了小波包降噪和小波包降噪后残差统计分析的正确性。