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。     

改进阈值小波去噪方法在机床冲孔声音信号处理中的应用

机床冲孔产生的声音信号包含了许多有用信息,为了滤除声音信号提取过程中的工厂环境产生的噪声,使用改进阈值小波去噪方法对声音信号进行处理。利用信噪比(SNR)和均方误差(MSE)作为去噪效果指标,使用新的阈值选取规则,提出了一种分段连续的阈值函数,对传统小波去噪方法进行改进。该改进函数通过引入常数a,解决了传统阈值函数中软硬阈值函数不连续和恒定偏差问题。采集机床冲孔声音信号并叠加高斯白噪声作为机床冲孔含噪信号进行验证。通过实验确定了最佳小波函数类型和分解层数,将改进阈值小波去噪算法与传统算法进行对比,结果表明:改进后的算法去噪效果良好,且有效保留了较低的信号能量。     

改进小波阈值去噪和胶囊直连网络的轴承故障诊断

作为轴承故障诊断依据,振动传感器采集的信号易受工作环境噪声干扰。为更加准确提取特征信息,采用改进传统小波阈值去噪方法,利用中间比例系数过渡方法,将传统硬阈值和软阈值结合,信号去噪更加平滑有效。去噪后的信号进行二维短时傅里叶变换,得到二维时频域数据结构。通过胶囊注意力方式改进ResNet网络直连结构,从而得到更好的分类模型Capsut-ResNet。通过对比去噪前后和不同注意力模型结构,证明了方法的有效性,能够实现更高的准确率。     

基于改进阈值函数及SVM的滚动轴承故障诊断

为了提高稀缺的滚动轴承故障样本的利用价值,以及针对支持向量机对噪声敏感的特点,提出了基于小波阈值去噪和SVM的轴承运行状态识别的新方法。对现有故障轴承振动信号样本进行小波阈值去噪,得到相应的去噪后样本。在此基础上结合SVM的参数寻优进行SVM模型的初步建立,并将错分样本重新去噪后进行SVM模型的重建,直到惩罚因子和交叉验证的精度达到预定标准,从而实现最优模型的建立以及轴承状态的识别。但是传统的软硬阈值函数各自存在的不足制约了信号去噪和特征提取的效果,并且无法实现去噪处理的可调性,因此,首先提出了一种改进的阈值函数,并结合MATLAB仿真实验分析了其优点。最后的滚动轴承诊断实例表明,引入改进阈值函数的去噪法能有效提高样本数据利用率和SVM的抗噪与泛化能力以及滚动轴承智能诊断的可靠性。     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。     

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。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能，采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化，采用软阈值去噪方法滤除振动信号噪声，然后对振动信号矩阵化处理，接着构建RBF神经网络，输入轴承振动信号特征向量，初始化权重和阈值，最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量，确定合适的RBF神经网络规模，经过小波去噪可以有效提高轴承故障判别准确率，相比于常见轴承故障分类算法，算法具有更高的故障判别准确率。     

基于小波去噪与HHT变换的轴承故障特征信号提取方法研究

针对轴承故障诊断问题,提出一种融合小波去噪与HHT变换的故障特征信号提取方法。对圆柱滚子轴承的内圈故障和滚子故障进行了跑合检测试验。对采集的时域信号通过小波去噪方法进行去噪处理;采用HHT变换进行时频分析,得到一系列的本征模态函数分量;根据分析的试验结果判定轴承故障情况。试验结果表明:内圈故障和滚子故障轴承的特征信号提取值与理论计算值基本一致。     

基于改进阈值函数的提升小波变换超声信号去噪研究

在焊接缺陷的超声检测中,噪声和伪信号大大降低了检测结果的可靠性和质量。因此消除噪声、提高超声检测信号的信噪比,已成为超声无损检测与评价技术成功应用的关键。首先介绍了提升小波变换的基本理论,分析了小波阈值法去噪的原理和方法;然后在软、硬阈值函数的基础上,提出了一种基于改进阈值函数的提升小波去噪方法;最后对实际焊接缺陷超声回波信号进行了去噪实验研究,并从信噪比和均方根误差两个方面对去噪性能进行了比较分析。结果表明,该方法在一定程度上改进了软、硬阈值去噪法的缺点,获得了更好的去噪性能和更高的信噪比,并且提升小波变换的去噪速度快、设计灵活、编程简单,因此在实时信号去噪方面具有很好的应用前景。     

焊缝成形测量小波软硬阈值折衷去噪法

利用线激光视觉传感器对焊缝成形进行测量,焊缝图像往往存在噪声. 针对传统小波阈值去噪算法中硬阈值函数和软阈值函数的不足,研究焊缝图像软硬阈值折衷去噪算法. 利用db4小波基函数对激光条纹中心进行3层小波分解,对分解后的细节系数分别采用传统小波阈值函数和软硬阈值折衷法进行去噪,采用信噪比和均方根误差评价几种方法的去噪效果. 结果表明,软硬阈值折衷法的去噪效果优于传统小波阈值去噪法,能有效提高焊缝外形尺寸的测量精度及可靠性.     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

Savitzky Golay-WPT在滚刀主轴振动信号降噪中的应用

为消除滚齿机在加工过程中,滚刀主轴振动信号因环境影响而产生的噪声信号,提出一种基于Savitzky Golay -WPT的信号降噪方法。对原信号进行计算,得其最佳小波包分解树;根据最佳分解树,进行小波包变换（WPT）,得小波包系数;利用阈值函数对小波包系数进行筛选;结合最小二乘拟合方法对小波包筛选后系数进行重构。结果表明：与传统小波包和CEEMDAN相比,所提方法降噪性能分别提高3135%和2271%;在实际加工数据中,与传统小波包方法对比,该方法可减少中心频率周边干扰,使中心频率特征更突出,降噪效果更明显。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于改进贝叶斯分类的电机轴承故障诊断系统研究

针对电机轴承故障诊断模型构建时间长、准确率不高的问题，提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集，再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断，以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据，将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析，结果表明：改进贝叶斯分类方法建模时间更短，故障诊断准确率更高。     

变转速变载荷工况下的齿轮智能故障诊断北大核心

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。