基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆，工作过程中会产生周期性的冲击信号，使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取，提出了一种基于多分辨奇异值分解（SVD）包和最小熵解卷积（MED）的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解，分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理，将处理后的信号与前4层的细节信号进行信号重构和频谱分析，得到故障特征频率，最后将得到的故障特征频率与理论计算值进行对比，判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比，该方法对柔性薄壁轴承的故障特征提取效果更好。     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

基于SVD和MOMEDA的薄壁轴承故障诊断

当柔性薄壁轴承工作时，受长短轴交替产生的冲击成分以及背景噪声的影响，很难从振动信号频谱中提取出故障频率。针对这问题，提出奇异值分解（SVD）与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理，获得重构信号，应用MOMEDA对重构信号进行增强，突出周期性故障脉冲，通过对处理后的信号进行频谱分析，从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比，可以判断故障位置，实现轴承的故障诊断。试验数据分析结果表明，该方法可以有效提取轴承内、外圈的故障频率。     

基于改进小波包和EEMD的轴承故障诊断

针对轴承振动信号非平稳性及工作情况下难以获得故障频率,提出一种基于改进小波包和总体经验模态分解(EEMD)的轴承故障诊断方法。首先运用改进小波包对振动信号进行分解,得到按顺序排列的子带频带。然后提取故障频率范围的子带信号并进行EEMD,以互相关系数和峭度准则提取故障分量,避免了固有模态函数(IMF)分量选择的盲目性。仿真和试验分析结果表明,该方法能有效且准确地检测出轴承故障。     

冗余小波包改进及其在齿轮箱故障诊断中应用

针对小波包分解广泛存在频率折叠、频带重叠与频带错位缺陷,分析了其产生的根源,并以此提出了一种改进的冗余小波包分解算法。该算法通过交换偶数位置子带小波包分解后的两子带顺序来消除频带错位缺陷,通过引入两算子依据傅里叶变换滤波原理分别从频域滤去低、高频子带理论频率范围外的频率成分来避免频带重叠缺陷。分别使用仿真信号与某直升机中减速器疲劳试验的故障数据对该算法进行了仿真验证与试验验证。分析结果表明:相对于Mallat小波包算法和通常的冗余小波包算法,改进的冗余小波包分解算法确实成功消除了频率折叠、频带重叠和频带错位等三类缺陷,因此该算法能更有效地提取淹没在强噪声和其他强干扰背景下微弱故障特征,具有一定的工程应用价值。     

改进双树复小波包变换及在故障诊断中的应用

针对双树复小波包分解存在频带错位和频带重叠的缺陷,提出了一种改进的双树复小波包分解算法。该算法通过交换高频子带节点小波包分解后的两节点频带顺序来消除频带错位缺陷,引入切比雪夫滤波器滤去除低频、高频子带理想通带范围之外的频率成分,以消除频带重叠缺陷。将改进双树复小波包谱峭度方法应用于齿轮箱故障诊断,首先将振动信号分解成不同频带的分量,然后利用谱峭度理论自动确定最优带通滤波器参数,获取最佳频带,再采用Hilbert包络解调,准确识别出故障齿轮的转动频率。实验结果表明,该方法能更有效地提取强噪声干扰下的齿轮箱微弱故障特征,验证了该方法的可行性和有效性。     

车用发动机凸轮轴轴承松脱的故障特征提取

车用发动机凸轮轴轴承松脱故障使得凸轮轴受力不均而引起冲击力,导致凸轮轴附近机体表面出现异常振动和显著噪声。通过对某发动机凸轮轴轴承松脱故障的试验测试,提取缸盖振动加速度信号进行时域分析,发现有明显的周期性冲击;利用小波包分解至较高频段并做解调分析,解调谱的故障激励频率非常显著。分析结果表明,凸轮轴轴承松脱故障有中高频调制现象,可综合利用时域分析、频谱分析和小波包分解与解调分析进行相应的故障特征提取。     

提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验数据进行研究,能够清晰地得到故障特征频率及其高次谐波,从而验证了所提方法在滚动轴承的故障诊断中的有效性和可行性.     

故障程度鲁棒的滚动轴承智能诊断方法

本文中提出了一种基于共振滤波和包络小波包分解的鲁棒故障特征提取方法,首先对信号进行共振频带滤波,再对滤波信号的包络进行小波包分解并提取重构子带信号的标准偏差值作为特征向量。该方法考虑了包络信号能充分描述轴承局部故障引起循环冲击的特点,并利用支持向量机进行轴承故障类型自动识别。实验结果表明,该方法能有效地实现故障程度鲁棒的滚动轴承智能诊断,具有较高的诊断速率,效果优于传统滚动轴承诊断方法。     

复选降噪自适应型MCKD方法研究

针对强噪声干扰下,最大相关峭度解卷积（Maximum correlation kurtosis deconvolution,MCKD）对于弱响应轴承滚动体故障信号指定周期冲击增强和辨识能力有限,无法自适应确定参数的问题,提出一种改进MCKD故障诊断方法。首先利用小波多尺度分解得到故障响应高频分量使冲击成份更加凸显;然后以峭度值最大准则复选出最优故障信号高频分量,降低噪音的干扰;最后结合小波方差自适应确定MCKD参数。轴承故障仿真、实验数据分析结果表明,该方法能够实现弱响应的轴承滚动体故障诊断,同时适用轴承内外圈故障诊断。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于DT-CWT自适应Teager能量谱的轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波变换和Teager能量谱结合,提出了基于双树复小波自适应Teager能量谱的早期故障诊断方法。首先,利用双树复小波将采集到的振动信号分解为不同频带的子信号,并计算各子带的频带幅值熵;然后,将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳阈值,从而自适应并且有效地提取出共振带;最后,对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.     

轴承故障动态检测的迭代交叉信息熵方法

将小波包变换和迭代交叉信息熵有机结合,从检测信号信息量差异性的角度出发,提出一种设备故障动态检测的新方法。该方法的核心是动态选取时间相邻的两帧振动信号,对两帧信号作小波包分解得到等频宽的分解信号,计算分解信号不同时间段的能量,得到信号的尺度分段时间能量矩阵,以尺度分段时间能量矩阵作为一种信息的划分,计算两帧信号的迭代交叉熵,用熵值来表征信号的差异性而检测出故障。检测实例验证了该方法的有效性,检测的实时性好、准确性高。