基于Peakvue技术的轴承故障检测

针对传统轴承故障检测三频段包络解调方法计算量大、速度慢的特点,提出了一种基于Peakvue技术的轴承故障检测方法.该方法采用加速度传感器捕捉含有具有短时特性应力波的轴承振动信号,对加速度传感器的输出信号进行高通滤波分离出高频信号和应力波信号,并按一定时间间隔提取滤波后的信号峰值,对提取后的信号进行包络解调判断故障类型.Matlab仿真实验结果表明:该方法有利于提高轴承故障检测的处理速度和诊断准确率.     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

Morlet组合小波在振动信号滤波和包络检波中的应用

Morlet小波是高斯包络下的复指数函数,利用其虚部是实部的Hilbert变换、频域波形为钟形的特征,提出了基于Morlet小波组合的滤波和包络检波方法。利用该方法,能方便地构造合适的组合小波,完成对振动信号的滤波和包络检波。工程应用表明,该方法能非常有效地提取振动信号中的故障特征频率,具有良好的应用前景。     

基于负熵与多目标优化的轮对轴承故障诊断方法*

最优小波解调是一种常用的滚动轴承故障诊断方法,针对如何选择最优中心频率和带宽的问题,从故障振动信号的冲击性和循环平稳性出发,提出了一种基于负熵和多目标优化的复Morlet小波解调方法 .利用遗传算法的泛优化能力,分别以窄带信号包络的负熵和包络谱的负熵设计两个目标函数,通过非支配排序和拥挤距离排序,结合选择、交叉和变异遗传操作对复Morlet小波参数进行优化,自适应地确定富含故障信息的最优共振频带进行包络解调.试验表明,该方法通过多目标优化可以统一表征轴承故障的冲击性和循环平稳性,可以准确识别轮对轴承的局部故障.     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于局域均值分解包络谱和神经网络的轴承故障诊断研究

滚动轴承振动信号是非平稳信号,而且往往是由许多分量的调频调幅信号组成;轴承故障特征频率容易被高频的调频调幅信号淹没;局域均值分解技术是近年来新的时频分析方法,能够有效的处理非平稳信号;它能将多分量的调制信号自适应的分解为若干个生产函数(PF)分量,每个PF分量都是一个单分量的调幅调频信号,包含了原始信号的局部特征;利用共振解调技术对每个PF分量进行包络分析,能够有效地提取高频载波中的故障特征频率;同时,为了实现智能诊断,提取各PF分量包络信号的能量值作为特征向量,训练BP神经网络,从而达到智能诊断目的。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于改进EEMD和谱峭度的滚动轴承故障诊断

针对滚动轴承早期故障振动信号受噪声影响、总体经验模态分解(EEMD)参数不易获取的问题,提出了基于改进EEMD和谱峭度的滚动轴承故障诊断方法。首先提取信号高频成分及设置期望分解误差确定EEMD参数,利用EEMD将信号分解为若干个本征模态分量(IMF),依据峭度准则选取相应分量进行重构以突出故障信息、提高信噪比;然后利用快速谱峭度图来选取带通滤波器的参数;最后对滤波信号进行能量算子解调分析。该方法应用到实测数据中的结果表明,其不仅能够自适应确定EEMD参数,降低了噪声的影响,还能清晰、准确地提取出故障特征频率,实现了滚动轴承故障的精确诊断。     

基于融合分析的感应电机轴承故障检测方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性，求出三相电流的Park矢量模信号，并将其与电机滚动轴承振动信号经解调处理后的包络信号进行融合分析。可以从振动信号与电流信号的融合谱图中有效地提取轴承故障特征信息，并将其作为故障识别的依据。实验结果表明，本文检测方法具有较高的信噪比，提高了诊断的可靠性。     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

一种采煤机截割部滚动轴承故障诊断方法

针对采煤机截割部滚筒轴承结构复杂极易损坏,且单凭借人为经验难以对故障进行定位判别的问题,提出了一种基于入人工蚁群-模拟退火算法的自适应时变滤波经验模态分解方法,去掉了原始振动信号中的低频干扰,画信号快速峭度图以峭度最大处对应的中心频率和带宽来设定带通滤波器参数,以进一步突出信号的高频特征,对经过处理后的信号平方包络后画包络谱图,将计算所得理论故障频率和包络谱图最大幅值处所对应的频率对比,从而对故障类型进行判别;通过采煤机试验表明所提方法能够适用于采煤机实际工程应用,可以有效消除信号中低频干扰部分,提高振动信号的峭度特征,并在不同转速和不同故障尺寸的条件下下分别达到100%和88.9%的故障判别率。     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

基于改进阈值和小波包的轴承故障诊断方法

为了准确有效地确定滚动轴承的故障部位,提出一种轴承故障诊断的新方法。用改进的小波阈值法对轴承振动信号进行降噪处理,对去噪后的信号进行小波包分解与重构,提取各重构子带内的信号特征作为故障诊断的样本,依据各子带信号的能量分布特征判断轴承的故障部位。在MATLAB环境下对SKF6205-2RS轴承的典型故障进行了仿真研究,结果表明改进的阈值法相比于传统去噪方法有较好的去噪效果,小波包能够准确提取信号的故障特征,能够提高轴承故障检测的准确性和有效性。     

基于小波包和EMD的异步电动机轴承故障诊断方法

针对传统的异步电动机轴承故障诊断方法对于轴承的局部缺陷及早期故障的诊断效果不明显的问题,提出了一种采用小波包理论与EMD相结合的方式提取异步电动机轴承故障特征频率的方法。该方法先采用小波包理论对原始信号进行消噪及频带划分,接着采用EMD对小波分解重构得到的信号进行分解以获得固有内在模函数(IMF),最后将IMF经时频变换得到频谱图,根据故障特征频率得出诊断结果。实验结果证明,该方法可有效地提取出故障特征频率,并方便地判断出故障类型。     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。