首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到15条相似文献,搜索用时 93 毫秒
1.
基于小波系数11/2维谱的滚动轴承故障诊断   总被引:4,自引:2,他引:2  
提出了基于小波系数11/2维谱的滚动轴承故障诊断的新方法。小波分析能有效地提取滚动轴承故障引起的突变振动信号,11/2维谱保留了滚动轴承故障振动信号的相位信息且能够有效地抑制噪声。利用正交小波基将滚动轴承故障振动信号变换到时间-尺度域,对高频段尺度域的小波系数进行11/2维谱分析,不仅能检测到滚动轴承的存在,而且能有效地识别滚动轴承的故障模式。  相似文献   

2.
基于时—能密度分析的滚动轴承故障诊断   总被引:3,自引:1,他引:2  
根据滚动轴承局部故障振动信号的特征,提出了基于小波变换的时-能密度分析的新方法。轴承旋转元件通过故障部位产生的脉冲力的频率决定了模态频率带信号能量随时间的分布情况。利用小波基将滚动轴承故障振动信号变换到时间-尺度域,对模态频率区间的时-能密度作谱分析,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部位。  相似文献   

3.
尺度-小波能量谱在滚动轴承故障诊断中的应用   总被引:13,自引:0,他引:13  
针对滚动轴承故障振动信号的特点,构造脉冲响应小波,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:尺度-小波能量谱比较法。通过对具有外圈缺陷、内圈缺陷的滚动轴承振动信号的分析,说明尺度-小波能量谱比较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。  相似文献   

4.
离散余弦变换在滚动轴承故障诊断中的应用   总被引:4,自引:0,他引:4  
本文探讨了应用离散余弦变换分析滚动轴承故障的方法,采用小波基将滚动轴承振动信号变换到时间-尺度域,对高频段的小波系数用离散余弦变换进行包络分析。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析,说明这种方法可以有效的用于效地用于滚动轴承的故障诊断。  相似文献   

5.
时间-小波能量谱在滚动轴承故障诊断中的应用   总被引:11,自引:10,他引:11  
为滚动轴承故障诊断提供了一种新途径,针对滚动轴承故障振动信号的特点,构造脉冲响应小波,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-小波能量谱自相关分析法。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析,说明时间-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。  相似文献   

6.
首先分析了传统离散小波变换在分解信号时的缺陷,根据非抽样小波变换的原理,提出一种基于提升模式的非抽样小波变换方法。然后根据滚动轴承故障特征,提出了基于提升模式非抽样小波变换的滚动轴承故障诊断方法,在ADBE-56-N4型交流电机上实测了6305型滚动轴承正常情况、外圈故障、内圈故障时的振动信号,结果表明,与传统离散小波相比,该方法能更加有效地诊断滚动轴承的故障  相似文献   

7.
小波变换域双谱分析及其在滚动轴承故障诊断中的应用   总被引:15,自引:3,他引:15  
工程信号不仅会受到高斯噪声干扰,而且也会受到非高斯噪声干扰。而传统双谱分析方法从理论上仅能抑制高斯噪声,但对非高斯噪声是无能为力的。针对传统双谱存在的不足,将小波变换和双谱分析结合,提出了一种基于小波变换域非参数化双谱故障诊断方法,并应用到滚动轴承故障诊断中。考虑到滚动轴承信号幅值调制特点,在本方法中,对处理信号采用了希尔伯特变换技术,以进行解调。实验结果表明,小波域双谱优于传统双谱,特别是在非高斯噪声情况下,小波域双谱更有优势;研究为滚动轴承故障诊断提供了一种新的有效方法。  相似文献   

8.
为了更有效地对轴承故障进行监测和诊断,提出了一种基于同步压缩-交叉小波变换的滚动轴承故障特征增强方法。该方法首先将信号分成长度相等的两路信号,然后分别进行同步压缩小波变换,并将得到的同步压缩小波系数作为交叉小波变换的输入,进而获得交叉小波尺度谱,实现轴承故障特征频率的增强。将该方法应用于滚动轴承的故障诊断,与连续小波变换、交叉小波变换和同步压缩小波变换方法相比,所提方法可有效提取轴承在时频域内的细节特征,使轴承特征频率在时频域上的可读性增强,进而实现轴承故障的精确可靠诊断。  相似文献   

9.
《中国测试》2017,(Z1):142-147
借助于实验所用滚动轴承正常运行、单点故障尺寸长度为0.007in(1in=2.54cm)、单点故障尺寸长度为0.014in和单点故障尺寸长度为0.021in 4个状态的数据,通过在Matlab中使用短时傅里叶变换和小波变换工具对滚动轴承正常运转时和滚动轴承内圈滚道有裂纹缺陷时的信号进行处理比较。发现对轴承信号进行短时傅里叶变换处理,并对频率进行归一化处理,结果只能粗略反应信号的频率成分,而对轴承信号做bior 2.4小波变换处理,在时间域与频率域都可以反映,且其具有自适应时频特性。两相比较,基于小波变换的滚动轴承故障信号分析对于滚动轴承故障信号具有较明显优势。  相似文献   

10.
针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。  相似文献   

11.
为有效识别机械设备中滚动轴承的微弱故障信息,本文提出一种自适应冗余提升小波降噪方法。根据待分解低频尺度系数所含的不同特征,应用范数准则来自适应地选取最匹配于该尺度系数特征的小波函数。同时,引入多孔算法,用以通过冗余性来保证逐层分解后各尺度系数和小波系数所含有的丰富的信息量。接下来,对各层小波系数采用变尺度阈值降噪算法,并对降噪后的系数进行重构及包络谱分析,进而提取滚动轴承的故障特征。应用上述方法分别对轴承实验台轴承混合故障信号和现场实际信号进行分析,均较好地实现了故障识别,验证了本文方法的有效性。  相似文献   

12.
基于EMD与神经网络的滚动轴承故障诊断方法   总被引:27,自引:17,他引:27  
针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic Mode function,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析,由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。  相似文献   

13.
Noise is the biggest obstacle that makes the incipient fault diagnosis results of roller bearings uncorrected; a new method for diagnosing incipient fault of roller bearings based on the Wavelet Transform Correlation Filter and Hilbert Transform was proposed. First, the weak fault information features are picked up from the roller bearings fault vibration signals by use of a de-noising characteristic of the Wavelet Transform Correlation Filter as the preprocessing of the Hilbert Envelope Analysis. Then, in order to get fault features frequency, de-noised wavelet coefficients of high scales which represent high frequency signal were analyzed by Hilbert Envelope Spectrum Analysis. The simulation signals and diagnosing examples analysis results reveal that the proposed method is more effective than the method of direct wavelet coefficients-Hilbert Transform in de-noising and clarifying roller bearing incipient fault.  相似文献   

14.
Bearings Fault Diagnosis Using Vibrational Signal Analysis by EMD Method   总被引:1,自引:0,他引:1  
ABSTRACT

Studying vibrational signals is one reliable method for monitoring the situation of rotary machinery. There are various methods for converting vibrational signals into usable information for fault diagnosis, one of which is the empirical mode decomposition method (EMD). This article is about diagnosing bearing faults using the EMD method, employing nondestructive test. Vibration signals are acquired by a bearing test machine. The discrete wavelet bases are used to translate vibration signals of a roller bearing into time-scale representation. Then, an envelope signal can be obtained by envelope spectrum analysis of wavelet coefficients of high scales. Local Hilbert marginal spectrum can be obtained by applying thr EMD method to the envelope signal from which the faults in a roller bearing can be diagnosed and fault patterns can be identified. The results have shown bearing faults frequencies are easily observable. There is a variant of the EMD method called the ensemble EMD (EEMD), which overcomes the mode mixing problem which may occur when the signal to be decomposed is intermittent. The EEMD method is also applied to the acquired signals, and the two methods were compared. While the outcomes of both methods do not differ much, one important merit of the EMD is that it has much less computational processing time than EEMD.  相似文献   

15.
滚动轴承的故障信号采集中往往含有大量的噪声信号。对采集信号进行小波包降噪后,利用经验模态分解(empirical mode decomposition,EMD)得到若干个固有模态函数(intrinsic mode function,IMF)。计算各个IMF与去噪后信号的相关系数以此确定哪几个IMF是待分析信号的有效集,根据有效集中IMF的突变程度来选择不同消失矩的db系小波进行小波降噪。对IMF进行边际谱分析来判断滚动轴承哪个部位发生故障。该方法有效地去除了混杂在故障信号中的噪声,提高了信噪比,准确地判断出滚动轴承发生故障的部位。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号