小波分析和小波包分析在轴承故障诊断中的对比分析

结合轴承故障振动特点,以轴承滚动体故障为例,对比了小波分析和小波包分析在应用时的相同和不同之处。利用MATLAB仿真软件作为分析工具,通过定量分析和定性分析比较了它们在轴承故障信号降噪时的效果,通过计算功率谱、绘制功率谱图的方式比较了它们在轴承故障诊断方面的能力。结果表明,使用相同小波基和相同分解层数条件下,在降噪和故障诊断方面,小波包分析都优于小波分析,为选择合适的轴承故障诊断方式提供了参考。     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

小波包分析在滚动轴承故障诊断中的应用

针对滚动轴承故障特征的提取问题,讨论了小波包分析的基本原理,基于小波包分析方法在滚动轴承故障诊断中的应用,并用LabVIEW编制了相应的程序。实践表明,小波包分析方法具有明显的诊断意义。     

小波包分析在采煤机减速器故障诊断中的应用

提出了一种采用小波包理论提取采煤机减速器故障信号的方法。利用小波包变换对减速器振动信号进行分解、重构及能量计算,有效地提取出采煤机减速器故障特征信号,从而获得故障的信息。仿真研究结果表明,基于小波包能量法的故障诊断方法能够有效地提取出采煤机减速器故障的频率信息。     

小波技术在轴承故障诊断中的应用现状及发展

阐述了小波技术在轴承故障诊断中的应用现状和发展方向,介绍了小波分析的特点。对小波技术在轴承故障诊断方面的应用特点及进一步研究应注意的问题作了简要概述。     

小波包神经网络在数控机床故障诊断中的应用

为了能够提高数控机床故障诊断的正确率,提出了小波包模糊神经网络方法对数控机床进行故障诊断,也提出了小波包分析提取特征向量的程序,利用小波包分析可以获得数控机床的特征向量,应用模糊神经网络对数控机床进行故障诊断.利用小波包模糊神经网络对数控机床常见的8种故障进行了诊断,证明小波包神经网络进行故障诊断的有效性.     

小波包-包络分析在滚动轴承故障诊断中的应用

滚动轴承故障诊断是机械故障检测中一个重要方面。使用小波包分析和包络分析相结合的方法提取轴承微弱振动信号 ,克服了传统包络分析方法易丢失信号有效成分的缺点。包络信号的细化谱较好体现了轴承故障信息     

改进小波能量分析法在轴承故障诊断中的应用

滚动轴承故障诊断的关键问题之一是如何有效准确地提取故障特征信息,为了更好地刻画各频带能量,提出了改进小波包能量算法,提取分解频带的能量在时间域上的分布,更好地刻画了能量随时间变化的分布。同时引入包络分析,更好地体现信号的间断点,从而提高故障信号分析的准确度。诊断实例验证了利用改进小波包能量法进行故障诊断的有效性。     

小波包理论和信号的高精度分离

本从异常的奇性的指标和小波变换模的极大值引出了异常分离的最佳尺度概念，并由此分析了Ｍａｌｌａｔ的信号分离二进制多分辨原理的局限性，进一步在小波包理论的基础上提出了复杂信号分离的高精度原理和方法，作为其直接的应用可将频率域电磁测深静态效应分离和压制精度同个级别。     

小波包理论在康明斯汽车发动机故障诊断中的应用

本文概要地叙述了小波变换、小波包理论；利用小波包对KTA50型汽车发动机的振动信号进行分析，证实了小波理论能够对康明斯汽车的发动机信号进行有效的分析和处理，利用小波理论分析汽车发动机的振动信号能够对汽车发动机准确实施故障诊断，为小被包理论在汽车发动机故障诊断领域中的应用提供了例证。     

基于小波包和距离判别法的滚动轴承故障诊断

将小波包分析与距离判别分析法相结合的方法应用于滚动轴承故障诊断问题中。利用小波包分析技术提取了滚动轴承典型故障的振动加速度信号的状态特征向量,选用此特征向量作为距离判别分析模型的判别因子,以滚动轴承故障实测模拟数据作为学习样本进行训练,通过分析计算,建立了相应线性判别函数,并利用回代估计方法进行检验。研究结果表明:这种新模型判别能力强,交叉确认估计的误判率为0,不需要优化网络结构,是解决滚动轴承故障诊断的一种有效方法。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

基于小波包频带能量特征提取的低速重载滑动轴承故障诊断研究

滑动轴承的代表性故障是轴承与轴颈的接触摩擦故障,而高频振动信号的出现是产生接触摩擦的重要征兆,基于这一特性借助小波包将信号细分到各个频段,分别求出各频段内信号的能量,观察高频能量的变化就可以判断出是否发生了故障以及故障的程度。以某矿风机出现2种不同程度故障时的实验数据为例,详细地说明了该方法的可行性,取得了准确的结果。     

基于小波包和BP神经网络的滚动轴承故障诊断

基于Matlab平台,利用小波包技术对滚动轴承典型故障的振动信号提取特征值,再借助BP神经网络对特征值进行分类,经验证该方法能够准确识别故障。     

基于小波包的轴承信号降噪和特征提取的研究

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。     

基于小波分析的滚动轴承故障诊断

通过典型信号的MATLAB仿真讨论了小波在检测信号突变点时的选取原则。针对滚动轴承故障振动信号,先进行小波消噪,再进行小波分解与重构,对重构后的细节信号作Hilbert包络并进行谱分析,从功率谱中可清晰地识别出滚动轴承故障特征频率。