基于自适应谐波小波和能量熵的转子系统故障诊断研究

针对转子系统非平稳振动时故障特征难以准确提取的问题,提出一种基于自适应谐波小波和能量熵的转子系统故障诊断方法。首先,采用连续谐波小波方法分解转子信号,克服"二进制"谐波小波包分解不能任意选取感兴趣频段的缺限,同时在分解过程中通过时间尺度变换的方式消除信号采集过程中不同转速及采样频率的影响;然后,通过设定合理的分解参数,提取出表征转子系统的故障特征信息并构建故障模式矩阵,得到转子系统早期局部碰摩、全周碰摩、油膜涡动和油膜振荡等4种工况下的能量熵值;最后,将特征向量输入支持向量机(support vector machine,SVM)判断出转子系统的故障类型。试验结果表明:该方法可以有效用于转子系统的故障诊断。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于ATF与EEMD变转速齿轮故障特征降噪方法

针对变转速下的齿轮故障特征的降噪问题,提出了一种基于自适应时变滤波(Adaptive Time-varying Filtering, ATF)与集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的齿轮故障特征降噪方法。该方法首先用线调频小波路径追踪(Chirplet Path Pursuit,CPP)算法从变转速下的齿轮故障振动信号中估计出齿轮啮合频率,并依据该啮合频率设计时变滤波器;再利用该时变滤波器对齿轮故障振动信号进行滤波,将滤波器阻带内的噪声予以去除;然后采用EEMD方法对滤波后的信号进一步降噪,减少滤波器通带内的噪声干扰;接着利用时变滤波器对降噪后的信号再次进行滤波,消除EEMD降噪时在阻带带来的噪声干扰;最后对降噪后的信号进行阶次分析,提取齿轮故障特征。对齿轮局部故障的算法仿真和应用实例分析表明,该方法不仅可以消除阻带的噪声干扰,而且对通带内的噪声也有较好的抑制作用,可有效凸显齿轮的故障特征。     

小波降噪在信号基于EMD的Hilbert变换中的应用

提出用小波降噪后再用经验模态分解（EMD）对信号进行分析,利用小波包对信号分解重构,去除噪声干扰信号,然后再对信号进行EMD分解。该方法减少噪声对EMD分解的干扰,从而减少由于分解无用的噪声信号引入的边界效应误差和分解层数,提高EMD分解的准确性和时效性,使EMD算法在信号的分析中更具实用性。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF 分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert 包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

基于线调频小波路径追踪算法与EEMD的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的故障特征提取,提出一种基于线调频小波路径追踪算法与集合经验模式分解的齿轮箱复合故障诊断方法。该方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,根据转频曲线对原始振动信号进行等角度重采样,将时域信号转化为角域信号,再对角域重采样信号进行集合经验模式分解,根据相关系数选取合适的内禀模态函数,最后对所选取的内禀模态函数分量进行Hilbert包络谱分析,根据包络谱进行齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行分析,结果表明,该方法在无转速计的情况下能有效地提取变转速齿轮箱复合故障的特征。     

分层自适应小波阈值轴承故障信号降噪方法

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。     

自适应小波降噪在轴承故障诊断中的应用

针对轴承振动的非平稳性特点和频谱成分的混杂性,提出了基于小波的信号自适应阈值降噪法。自适应阈值降噪法首先对信号进行离散正交小波多层分解,对分解后的各层细节系数中模小于某阈值的系数进行处理,然后将处理完的小波系数再进行反变换,重构出经过降噪后的信号。用仿真信号进行降噪处理,结果表明:通过选择合适的小波基和阈值选择规则,可以实现信号的完美降噪;实测轴承振动信号用小波降噪方法进行预处理,提高了信噪比,进一步作频谱分析得到了故障特征信息,为诊断决策提供了依据。     

基于小波变换的质谱基线校正算法研究北大核心CSCD

质谱仪是广泛应用于生命科学、食品安全、环境监测、工业分析、国家安全等领域的精密测量仪器。数据处理是影响质谱分析结果的关键环节,为了降低质谱仪数据采集过程中基线漂移,文章提出了一种基于小波变换的质谱基线校正算法。首先对原始质谱信号多次进行单层小波分解,同时进行单层小波重构,计算得每层的信噪比并通过信噪比比对法获得降噪后的质谱信号。接着对该信号进行多次单层小波分解,得到每层小波细节和小波近似的频率,将两个频率相除得到比值,比较每层的比值大小并选择最大比值所在层作为小波分解的最佳层数,最后将小波分解最佳层数下的小波近似系数置零后进行小波重构,获得基线校正后的质谱信号。通过实验验证发现,该算法可准确得出小波分解的最佳层数,在大幅保留真实质谱信号的基础上去除低频质谱基线以及高频噪声的干扰,质谱基线校正充分,实际应用效果明显。