基于小波分析的齿轮故障诊断方法的研究

主要研究了小波变换中小波的Mallat算法,并将其应用到齿轮的故障诊断之中,对微弱机械振动信号进行分析.有效地完成了微弱信号的提取,对故障特征信号进行了时域定位,试验结果表明了该分析方法的有效性.     

基于小波分析的齿轮故障诊断方法的研究

主要研究了小波变换中小波的Mallat算法,并将其应用到齿轮的故障诊断之中,对微弱机械振动信号进行分析.有效地完成了微弱信号的提取,对故障特征信号进行了时域定位,试验结果表明了该分析方法的有效性.     

基于小波神经网络的电动机转子故障诊断

在电动机故障诊断技术中,基于振动和定子电流频率成分的检测是电动机故障检测的两种主要手段.讨论了基于振动故障信号的检测方法.由于电动机振动信号是非平稳随机信号,故障信号中往往含有大量的时变、短时突发性质的成分,传统的傅里叶信号分析不能有效地提取电动机的故障特征,而且还可能将含有丰富故障信息的微弱信号作为噪声去除.因此,引入比小波分析更强的小波包变换技术来提取信号的故障特征信息,得到的结果作为神经网络的输入信号,用神经网络的L-M优化算法来进行训练,然后用BP神经网络来进行故障识别.采用Matlab软件进行仿真,证实该方法对电动机故障诊断的有效性和准确性.     

滚动轴承早期冲击性故障特征提取的综合算法研究

针对滚动轴承早期微弱冲击性故障信号特征难以提取的问题,提出了共振解调结合小波包系数熵阈值降噪的综合算法,用于准确确定并提取早期微弱冲击性故障引起的共振调制边频带。该算法应用时延相关和小波包系数熵阈值算法实现信号的双重降噪,并依据共振带能量比确定小波包分解的最佳分解尺度和选取熵阈值的最佳阈值,寻求共振带的最优解,然后进行共振解调提取故障信号特征。实验数据分析结果表明了该算法对滚动轴承早期冲击性故障提取的可行性和有效性。     

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。     

基于峭度准则VMD及平稳小波的轴承故障诊断

为了从强噪声背景下的轴承振动信号中准确稳定地提取滚动轴承故障特征,提出了基于峭度准则VMD及平稳小波的轴承故障诊断方法。使用变分模态分解对同一负荷下的故障信号进行预处理,通过峭度准则筛选出最佳和次佳信号分量进行重构并使用平稳小波进行去噪处理,最后分析信号的包络谱来对轴承的故障类型进行判断。通过对仿真滚动轴承内圈故障信号进行分析,该方法可成功提取出微弱特征频率信息,噪声抑制效果优于EMD。由此表明,基于峭度准则VMD及平稳小波的轴承故障诊断可有效提取强声背景下的滚动轴承早期故障信息,具有一定的可靠性和应用价值。     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足，结合设备状态检测和故障诊断中微弱振动信号难以提取的问题，在介绍全信息技术的基础上，提出新的信号处理方法——全信息小波包分析，用小波包变换对双通道信号分别进行分解，以提取信号中的微弱局部成分，把需要的对应小波包进行重构并用全矢谱技术进行融合，根据融合后的数据进行故障诊断。工程应用实践表明，全信息小波包分析是一种新的、较为实用的信号处理方法。     

降速工况下滚动轴承微弱故障特征信号提取新方法

研究降转速工况下滚动轴承微弱故障特征信号的提取,提出了一种基于计算阶次分析、三次样条插值分析与包络谱分析相结合的新方法。基于滚动轴承微弱故障实验测得的降速工况下的转速信号和振动信号,首先对转速信号在时域内积分获得角位移-时间信号,再对该信号进行线性插值获得等角度间隔的角位移-时间信号,然后利用该时间序列对振动信号进行三次样条差值获得等角度间隔分布的重采样振动信号,最后对重采样振动信号进行包络分析及快速傅里叶变换获得阶次包络谱。通过对滚动轴承微弱故障实验信号分析,表明该方法能有效提取出滚动轴承微弱外圈故障和滚动体故障特征信息。该方法为轴承微弱故障特征信号提取提供了一种重要手段,具有广泛的应用前景。     

小波包改进算法在车削振动信号分析中的应用

对切削振动信号的分析是研究切削优化方案的重要手段.文中提出了一种小波包改进算术的应用方法,不但可在提取切削振动信号时明显减少强大干扰信号的影响,而且也避免了Mallat算法所带来的信号混叠,具有很强的实用价值.     

基于小波分析和小波包的电动振动台故障检测方法

针对电动振动台产生随机振动情况下的故障特点,对某型电动振动台的振动信号进行分析,采用小波分解与重构的方法,提取了伴随噪声的振动信号中的故障信息,判断出电动振动台的故障点.该方法不需要进行数据建模,而且具有一定的鲁棒性,适用性强,对难以建立解析数学模型的诊断对象非常有效.通过小波包分析对重构振动信号再次进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为电动振动台故障诊断提供了一种更加快速有效的新途径,从而证实了小波分析及小波包综合应用在检测故障信号方面的有效性.