基于小波包-支持向量机的发动机泵机组故障诊断

发动机泵机组由发动机、油泵以及增速器构成,泵机组故障的振动信号往往淹没在发动机的巨大振动中,对其进行故障诊断非常困难。本文利用频谱相加降噪以及小波多分辨率特性成功地将泵机组故障信号提取出来,并利用小波包与支持向量机理论相结合的方法,对泵机组的故障模式进行识别,取得了很好的效果。     

基于小波分析的液压系统故障特征提取研究

针对液压系统故障原因复杂、现象多样、故障信号中噪声干扰大的特点,综合利用压力、流量和液压缸运动速度进行液压系统故障诊断,克服了单一特征量在故障诊断中容易产生误判的缺点.将小波去噪方法应用到故障信号中,提高了故障诊断精度.通过对Festo液压实验系统故障信号进行处理,证明该方法是有效的.     

基于小波分形和神经网络的滚动轴承故障诊断

提出了利用小波分形和神经网络的对滚动轴承故障进行诊断的方法.滚动轴承振动信号具有非平稳性的特征,因此,利用分析非平稳信号的有效工具--小波分析和分形分别提取滚动轴承振动信号故障特征,结合神经网络技术,对滚动轴承故障进行诊断.结果显示,该方法诊断率高,有比较高的实用价值.     

摩托车发动机故障诊断方法

分析了摩托车发动机活塞击缸故障的产生机理和故障信号的特征，利用短时傅里叶变换和连续小波变换对摩托车发动机工作噪声进行了处理。试验结果表明，两种信号处理方法均能够识别出摩托发动机工作噪声中的活塞击缸故障信号，从而诊断发动机中是否存在活塞击缸故障，但连续小波变换由于占用较少运算时间和内存，比短时傅里叶变换更具优势。     

基于小波理论的低速重载轴承的故障诊断研究

针对低速重载设备故障的特点,采集低速滚动轴承的故障信号.基于小波分析理论,对故障信号进行多尺度分解和信号重构,利用特定频带的信息进行故障诊断.结果表明,应用小波分析可以提取低速滚动轴承的故障特征频率.     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中,故障特征提取是诊断的关键,而特征提取的方法也是多种多样的.利用双正交小波基将齿轮的故障振动信号分解到时频域,并提取出齿轮的故障特征.同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果.     

小波包分析方法在齿轮泵故障诊断中的应用

齿轮泵产生噪声时基本上都伴有振动。对齿轮泵的振动原因及振动信号进行分析,由于齿轮泵的振动信号包含大量的频谱,利用小波分析原理及小波包分解故障信号,并与正常信号比较,抽取与故障有关的几个频段进行重构,剔除正常振动分量和干扰项,从而使故障特征信号从复杂的振动信号中分离出来,便于判断齿轮泵的故障原因。     

滚动轴承微弱故障信号检测的研究

研究了信号局部奇异性在小波变换下的特性.根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解重构算法,对滚动轴承振动信号进行了分解、去噪、重构和谱分析.实验表明,小波减噪方法非常适于滚动轴承微弱故障信号的检测.     

高斯复小波变换在齿轮故障诊断中的应用

提出了利用具有高斯复包络的小波函数族分析齿轮故障振动信号的方法.利用高斯小波基函数从相位的角度提取齿轮振动信号的故障信息,可突出边频带结构,有效识别故障模式.对仿真信号及试验故障振动信号的分析结果表明,该方法适用于齿轮故障诊断,与传统的自功率谱方法相比,抗噪声干扰能力强.     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

基于连续小波的螺杆压缩机气阀状态监测方法研究

针对实测螺杆压缩机气阀在不同状态下振动信号的特点,采用连续小波变换的方法得到信号在尺度上的平均能量分布,即信号的平均尺度-小波能量谱.根据气阀不同状态下振动信号在尺度上的能量分布差异,提出了基于平均尺度-小波能量的标准特征向量判断压缩机气阀状态的方法,能够很好地识别出螺杆压缩机气阀的状态类型.该方法为螺杆压缩机状态监测及故障诊断提供了一种新的有效途径.     

基于小波包变换预处理的铝电解槽针振信息元分析与诊断

简述了小波包变换的基本原理及利用小波包对电压信号进行分解的方法。针对铝电解槽电压波动信号的频谱特点。采用小波包分析方法提取了电压信号的特征向量。将信号分解到8个频段内。进行预处理得到频段能量特征向量。应用BP神经网络建立了特征向量到振针信息元之间的映射。仿真结果表明，小波包分析能够有效地将隐藏在正常电压信号之中的早期弱故障信号提取出来，从而发现槽子的早期不良症状。     

Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines

A fault signal diagnosis technique for internal combustion engines that uses a continuous wavelet transform algorithm is presented in this paper. The use of mechanical vibration and acoustic emission signals for fault diagnosis in rotating machinery has grown significantly due to advances in the progress of digital signal processing algorithms and implementation techniques. The conventional diagnosis technology using acoustic and vibration signals already exists in the form of techniques applying the time and frequency domain of signals, and analyzing the difference of signals in the spectrum. Unfortunately, in some applications the performance is limited, such as when a smearing problem arises at various rates of engine revolution, or when the signals caused by a damaged element are buried in broadband background noise. In the present study, a continuous wavelet transform technique for the fault signal diagnosis is proposed. In the experimental work, the proposed continuous wavelet algorithm was used for fault signal diagnosis in an internal combustion engine and its cooling system. The experimental results indicated that the proposed continuous wavelet transform technique is effective in fault signal diagnosis for both experimental cases. Furthermore, a characteristic analysis and experimental comparison of the vibration signal and acoustic emission signal analysis with the proposed algorithm are also presented in this report.     

样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法。分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论。使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪声信号样本熵值最大为依据,提出了最优阈值估计方法,使阈值随噪声大小自适应调整;以相邻分解层数的样本熵均值差值为依据,提出了分解层数确定方法。将样本熵改进小波包阈值去噪算法应用于轴承故障信号去噪中,去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明显,能够明确判处出轴承为外圈故障,体现了极好的去噪效果。     

基于声发射信号的转子碰摩故障诊断方法

利用声发射信号的高频特性采集转子碰摩故障信息，采用小波分析技术把所得声发射信号分解在不同频带，对信号进行重构，从而消除背景噪声，并用小波包络谱分析方法识别故障信息。分析结果证明，基于声发射信号的小波包络分析可以检测出微弱的转子碰摩故障，是一种有效的早期故障诊断方法。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于KPCA LVQ和内置传感器信息采集的滚珠丝杠故障诊断研究

研究了全闭环数控机床伺服进给系统的编码器、光栅尺等内置传感器信息采集并从中获取滚珠丝杠故障状态信息的方法;在分析了滚珠丝杠信号的非线性、非平稳性特征的基础上,提出了基于小波包分解提取滚珠丝杠故障状态信号能量特征值的方法,并用该能量特征值与峰度、频率、方差等时-频特征量组成滚珠丝杠故障诊断的原始特征集,采用KPCA法剔除了对故障诊断贡献率不明显的冗余特征;建立了基于KPCA-LVQ神经网络的滚珠丝杠故障模型;并通过试验,对KPCA-LVQ与KPCA-BP两种神经网络的诊断结果进行了对比分析。证明了文中所研究方法对滚珠丝杠故障诊断的可行性和有效性。     

双树复小波算法在滚动轴承故障信号特征提取中的应用

现有滚动轴承故障特征提取算法的性能会随着故障集规模扩大而出现衰减。针对故障信号间存在的干扰和模态混叠等问题,提出一种基于双树复小波的特征提取算法。双树复小波结构包含两个独立的滤波器组,在含噪混合信号的分解和重构中形成互补关系,提升信号采样的平稳性;优化双树复小波滤波器组的结构,降低故障信号平移敏感性,利用门限阈值处理高频小波系数,达到降噪的目的,并基于时间序列样本熵提取子带信号的能量特征。实验结果显示：提出的算法能够准确提取滚动轴承各部分的故障特征信息,算法的在线故障识别率达到99.56%。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.