基于Hilbert-Huang变换和时频域参数的机车轴承故障诊断

提出了基于Hilbert-Huang变换和时频域参数指标相结合的机车轴承故障诊断方法,分别对时频域参数指标诊断方法、Hilbert-Huang变换诊断方法进行了理论分析和研究,通过试验验证了此方法能有效提取机车轴承的故障特征频率。     

Hilbert-Huang变换在滚动轴承故障诊断中的应用

提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法，在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱，并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解，对高频段的小波系数用Hilbert进行包络分析得到包络信号，再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱，从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析，说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。     

基于EMD和Hilbert-Huang的滚动轴承故障诊断

采用EMD和Hilbert- Huang相结合的方式开发了故障诊断程序,并在试验台上针对滚动轴承故障工况进行了模拟试验,采集振动信号并做了分析.     

小波变换在滚支轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换，能较好地分离出所要分析的高频固有振动信号，然后对高频振动信号进行包络分析，从包络谱图中提取故障特征频率分量，就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明，这种诊断方法是有效的。     

基于改进Hilbert-Huang变换的机械故障诊断

Hilbert-Huang变换(Hilbert-Huangtransform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断.然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF).此外,通常只有部分IMF包含故障敏感信息、表征故障特征.因此基于EMID和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高.为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT.该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障.通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性.     

应用Hilbert-Huang变换的齿轮箱故障诊断

提出了基于经验模态分解(EMD)的齿轮箱故障诊断HHT方法,介绍了Hilbert-Huang变换理论及其算法.此后以1台现场轧机故障减速机为对象,对采集的故障信号进行EMD分解,得到固有模态函数(IMF)分量,然后对所有固有模态函数进行Hilbert变换处理,所得三维图和边际谱图较为清晰地表达了故障信息,说明了该方法在工程应用中的适用性.     

基于小波去噪和Hilbert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法。首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征。该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息。通过实例分析表明了该方法的有效性和实用性。     

基于支持向量机和镜像延拓的Hilbert-Huang变换及其在滚动轴承故障诊断中的应用

采用镜像延拓处理端点效应的Hilbert-Huang变换要求将镜面放置在局部极值点处,对于长数据序列,可以先截断一部分数据,再将镜面放置在局部极值点处;但这种方法对于短数据序列显然不妥.鉴于此,利用支持向量机在小样本预测上的优势,将其与镜像延拓的Hilbert-Huang变换相结合,有效地抑制了端点效应,并通过仿真试验进行了验证.     

基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

基于EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.     

基于小波分析的滚动轴承故障诊断方法的研究

介绍了小波分析的基本理论,并将小波分析应用于轴承的故障诊断。通过对实验数据的分析和处理,提取出了故障特征,并准确地对故障进行了定位。这种方法取得了良好的诊断效果,适合于滚动轴承的故障诊断。     

基于分形和小波包理论的滚动轴承故障诊断

为了提高滚动轴承故障分形诊断的准确性,利用仿真信号对不同数据长度和不同信噪比下信号的盒维数和关联维数的差异进行对比,发现两种分形维对不同信号具有不同适应性;利用基于小波包分解能量图的特征信号强化技术,突出含噪轴承振动信号的故障信息特征,并对消噪前后振动信号盒维数进行计算和对比。分析结果表明,分形盒维数比关联维数更适用于分析含噪较重的信号;滚动轴承故障振动信号盒维数小于正常信号盒维数;相比原始信号,经小波包提取后不同类型故障振动信号的盒维数区分更为明显,诊断结果更加准确直观。     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于伪Wigner-Ville分布与小波变换的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非高斯的特点,提出了基于伪Wigner-Ville分布及小波变换的滚动轴承内、外圈故障诊断方法。在研究滚动轴承故障诊断机理,伪Wigner-Ville分布及小波变换理论的基础上,利用这两种方法对内圈、外圈故障的滚动轴承的振动信号进行了分析,提取了故障特征频率。结果表明,小波变换能够比伪Wigner-Ville分布更有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

改进的HHT方法在旋转机械不对中故障特征提取中的应用

HHT(希尔伯特-黄变换)能够将振动信号分解为有限的具有实际物理意义的模态分量,并由此可对机械故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影响却很大。针对这一不足,本文提出了先利用小波变换技术对含噪故障信号进行消噪处理,再作HHT分析的方法;利用此方法对实测的不对中振动信号进行了故障特征提取和分析。结果表明,该方法克服了直接运用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了机械故障诊断率。     

小波变换在滚动轴承故障分析中的应用

采用离散小波变换对滚动轴承进行故障诊断,通过对测试到的故障轴承的振动速度信号进行分析,分别绘出故障信号的频谱图,对结果进行分析比较表明,离散小波分析技术在滚动轴承内圈及滚动体故障特征频率提取方面有较大的优越性。     

基于Hilbert空间熵的风力发电机轴承故障诊断

风速的不断变化往往会给风力发电机的故障诊断造成干扰,为此,提出Hilbert空间熵方法。通过建立基于HHT时频变换的信息熵,描述不同风速条件下风力发电机轴承振动信号,将其应用于D70型风力发电机轴承故障分析,证明在不同风速条件下,该方法均能有效识别轴承故障,可作为风力发电机轴承故障诊断的指标和依据。     

基于小波降噪与分形理论的滚动轴承故障诊断

为了识别滚动轴承振动信号中包含的故障类型,运用小波对采集到的信号进行降噪,通过计算降噪后振动信号的关联维数,判断信号中是否包含故障。并以关联维数为特征量,通过计算各工况之间的距离函数,判断属于何种故障的信号。结果表明,运用分形理论进行故障诊断具有很强的实用价值。