局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

基于局域波分解的齿轮箱故障诊断研究

实验采集的齿轮箱振动信号具有非线性、非平稳性,提出将局域波分解与小波降噪相结合的故障诊断方法。针对齿轮箱在不同工况下的振动信号,首先采用小波降噪方法去除原信号噪声,提高信噪比;然后采用局域波分解方法将去噪后的信号进行分解,得到一些基本模式分量和一个剩余分量;最后对基本模式分量做出功率谱图,区分齿轮箱各种故障工况。结果表明:局域波分解方法在齿轮箱故障诊断中的有效性。     

基于分形滤波和局域波分解的齿轮箱轴承故障诊断

提出了一种基于分形滤波和局域波分解对齿轮箱进行故障诊断的方法。针对齿轮箱工作环境的影响,传感器采集的信号含有噪声干扰,先使用分维数作为模糊系统控制系数的分形滤波器对振动加速度信号进行处理,以提高信号信噪比,然后用局域波分解算法将消噪数据进行处理,得到基本模型分量和剩余成分,最后对每一个基本模型分量做出功率谱图进行频谱分析,从而识别出齿轮箱轴承故障。     

基于EEMD分解和改进小波阈值降噪的齿轮故障诊断

针对齿轮箱振动信号易受噪声影响以及齿轮箱振动信号比较复杂的特点,提出基于EEMD分解和改进小波阈值降噪的齿轮故障诊断方法。首先对经过EEMD分解的IMF分量中的高频分量进行改进小波阈值降噪处理,重构信号后得到降噪信号。实验结果表明应用该方法可以较为准确地识别齿轮故障。     

基于提升小波和局域波的故障特征提取

针对局域波分解过程中由于噪声导致模态混叠问题,应用提升小波变换对信号进行预处理,消除噪声对局域波分解的影响,改善了局域波分解质量,避免了局域波分解过程中虚假模式分量的产生.对于转子系统碰摩故障诊断中微弱冲击性故障特征难于提取的问题,应用该方法对转子振动测试信号进行分析,然后对分解得到的高频基本模式分量进行Hilbert包络解调分析, 可以得到冲击响应信号出现的周期,准确提取了转子碰摩故障的特征信息.转子碰摩故障实验数据的分析结果证明了方法的有效性,可望应用于工程实际.     

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明：采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。     

基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断

齿轮箱早期故障的故障特征不明显,振动信号呈现出强烈的非线性、非平稳现象,为此,提出了一种基于能量聚集度经验小波变换（EA-EWT）的齿轮箱故障诊断方法。首先对采集的振动信号进行EA-EWT分解,对分解后的各层信号采用最大峭度-包络谱熵准则进行敏感分量筛选,再利用最小熵解卷积对筛选出的分量信号进行降噪处理,对降噪后信号进行Hilbert包络谱分析,通过包络谱中的频率成分识别出故障类型,实现早期故障诊断。试验结果表明,该方法能够明显增强早期微弱故障特征,提高齿轮箱早期故障诊断性能。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于奇异谱和冗余提升小波分析的齿轮箱故障诊断

齿轮箱是磨煤机等电力设备中的关键部件,其故障的发生极大影响了设备的正常运行。齿轮早期故障信号比较微弱且往往被噪声信号淹没,因此如何去除噪声并提取故障特征信号,是实现设备故障诊断的关键。目前的小波分析研究主要从小波函数的确定与阈值的选取两方面进行降噪效果的分析,分解层数的确定尚未得到彻底的解决。因此,将基于奇异谱分析方法与冗余提升小波方法巧妙地结合,解决了小波分析中分解层数如何确定的问题,极大提高该方法的降噪性能。通过对某电厂磨煤机齿轮箱实测信号的分析,验证了此方法的可靠性。该方法的应用为及时准确地识别和发现设备故障提供了帮助。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。