基于小波包能量谱的轴承噪声缺陷辨识

针对滚动轴承噪声的特点振动频率多集中在中高频,频谱为连续谱,成分复杂,特别是新轴承的噪声信号不明显,判断非常困难.本文运用正交小波包能量谱,通过引入能量百分比系数对轴承故障所在频段进行判断,得到的正交小波包分解更适合于分析新轴承的噪声缺陷分析.再通过重构小波包分解后的信号确认轴承的缺陷.运用此种方法对汽车空调器轴承进行分析,成功地辨识出轴承工作表面存在的缺陷.     

小波包变换在金属磁记忆信号处理中的应用研究

金属磁记忆技术是对金属部件进行早期损伤检测行之有效的方法.针对磁记忆信号中存在干扰磁场,不利于应力集中区特征信号的识别的问题,运用小波包分解重构的滤波方法。小波包将信号分解到各个不同的频段,截取感兴趣的频段,再重构信号,达到降低干扰信号的目的。仿真分析验证了该方法的可行性。通过对实测磁记忆信号进行小波包分解重构,使得应力集中区的特征更易识别,取得了较好的效果,降低了误判的几率。     

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于小波包能量矩阵的轴承信号特征提取

为通过振动信号识别轴承的工作状态,结合小波包变换和矩阵特征值理论,提出了一种新的轴承信号特征提取方法。引入了能量值方法,对小波包分解信号进行分层分段能量计算,组成能量特征矩阵,求得矩阵特征值;定义基于特征值的振动信号特征参数,并探讨了特征参数与轴承运行状态间的联系。最后在特征提取基础上,提出了故障早期模式识别的对应系数相乘方法。结果表明：最大值特征参数能够敏感的反映轴承工作性能的变化,可作为轴承状态监测特征量;对应系数相乘法可以作为故障部位诊断的有效方法。     

小波变换在轿车车内噪声源识别中的应用研究

阐述小波变换及小波分解的基本原理,对车内噪声及相关噪声、振动信号进行测量,利用小波分解原理对噪声及振动信号进行分解,得到各信号的特征向量,根据各信号的特征向量确定车内噪声与其它振动、噪声信号的相关系数,根据车内噪声与各振动、噪声信号的相关程度确定车内噪声的主要噪声源,并试验验证小波变换对噪声源识别的有效性和正确性。     

k值优化VMD-小波包分析联合降噪方法在隧道爆破信号中的应用

针对隧道爆破振动测试信号存在噪声干扰的问题,引入一种基于k值优化的变分模态分解(variational mode decomposition,简称VMD)联合小波包分析的降噪方法。首先,引入分解能量差值参数λ,对比爆破振动信号在不同k值条件下经VMD得到的模态分量总能量;基于等能量分解原理对模态数k进行优化分析,并在最佳模态数k下对信号进行VMD处理;在相关系数和方差贡献率双指标下筛选出含噪分量,并用小波包分析手段进行降噪处理;最后,将经降噪处理后的含噪分量与优势分量重构,得到纯净的爆破振动信号。引入的方法兼具VMD及小波包分析的优点,并克服了信号分解过分或分解层数不足的缺陷。结果表明:与现有方法相比,k值优化的VMD-小波包分析联合降噪方法信噪比高,均方根差小,降噪效果良好,并且该法可有效保留原始信号中的细节特征,可以应用于类似隧道爆破信号的降噪处理。     

基于小波包的振动信号去噪应用与研究

小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力。基于小波包变换的优良时频分析特性,论述小波包分析的基本原理,研究小波包在振动检测信号消噪处理中的应用,给出应用小波包变换对基于MSP430F449单片机的信号采集电路所检测到的振动信号进行消噪处理的实例。结果表明小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法能够更好地去掉高频部分,从而达到有效去除信号中噪声的目的。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机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变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于SSWPT边际谱特征信息提取的齿轮故障诊断EI北大核心CSCD

在噪声的影响下,齿轮的故障信息不易被识别。同步压缩小波包变换(synchrosqueezed wave packet transform,SSWPT)作为一种新的时频分析方法,具有良好的抗噪声能力。在其基础上提出基于SSWPT边际谱特征信息提取的齿轮故障诊断方法。首先,对故障齿轮的振动信号进行SSWPT得到信号的能量矩阵,并对能量矩阵进行积分变换求取齿轮振动信号的边际谱;然后,根据边际谱提取啮合频率及其倍频,并选择对应的啮合调制频带对能量矩阵运用同步压缩小波包逆变换(synchrosqueezed wave packet inverse transformation,ISSWPT)进行信号重构;最后,对重构信号进行解调分析,从而可以有效提取齿轮故障特征频率。仿真及试验分析结果表明,该方法可以准确地提取齿轮故障特征信息,且分析效果优于包络谱和基于快速谱峭度的共振解调方法,为齿轮的故障特征提取提供一种有效的方法。     

滚动轴承振动信号的小波奇异性故障检测研究

该文以滚动轴承振动信号为分析对象 ,基于小波奇异性分析原理进行滚动轴承故障检测新方法的研究。通过求解待测信号的小波变换极大模来检测和识别信号中奇异点位置和奇异性大小 ,以及对噪声极大模的抑制处理 ,达到抑制或消除噪声的目的 ;最后 ,在剩余小波极大模的基础上进行信号重构 ,展现原待测信号中的故障信号模式。通过对铁路货车车轮用滚柱轴承振动信号的分析表明 ,此方法在大幅度地提高信噪比的同时 ,对由轴承损伤冲击造成的信号突变仍保持了较高的灵敏度和分辨率。为滚动轴承故障检测打下了良好的基础。     

分层自适应小波阈值轴承故障信号降噪方法

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。     

基于多小波包-能量算子解调的滚动轴承复合故障诊断

针对滚动轴承单通道振动信号的复合故障识别易出现漏诊、误诊的问题,提出多小波包与能量算子解调相结合的方法。该方法首先利用多小波包变换在全频率范围内分解原始信号;其次将排列熵作为多小波的单支信号特征的评价标准,分别重构符合标准的单支信号,实现信号的降噪及复合故障分离;最后采用能量算子解调方法解决信号的调制问题,完成故障信息的识别。滚动轴承内、外圈故障信号分析结果证明该方法的有效性。     

小波包分析在混凝土检测中的应用

当前 ,对混凝土质量判断主要依赖于对接收信号的处理。和小波分析相比 ,小波包分析的优势在于其不仅对低频部分进行分解 ,对高频部分也进行分解 ,并能根据被分析信号的特征 ,自适应地选择相应频带 ,使之与信号频谱相匹配 ,从而提高时频分辨率。本文利用小波分析方法 ,对超声接收信号进行小波包分解 ,分别提取各个频率成分的信号特征 ,并对小波包分解系数重构 ,求出各频带信号的总能量。通过构造特征向量 ,进行归一化处理 ,用实验统计方法确定特征值和容差范围 ,通过对不同混凝土试块中传播的超声波进行分析 ,判断出混凝土的内部质量     

听觉小波包在舰船噪声分解与重构中的应用

舰船噪声的分解和重构对于舰船噪声特征提取与听音分析都具有重要作用。采用多分辨分析理论对噪声进行分解和重构只能对低频进行精细化处理,但对高频却难以达到理想效果。正交小波包分析可以在任何欲处理的频带内进行可允许的任意层次分解,但分解的小波包树的结构难以确定,没有明确的构造导引方法。将Bark频率群的理论引入小波包树结构的选择,提出构造听觉小波包树结构的方法,构建了基于db6小波的采样率为44.1 kHz的听觉小波包。采用该听觉小波包结构对四型舰船噪声信号进行分解、子带加权和重构,频谱分析和听音分析都表明重构噪声特征更加清晰。     

二代小波包变换在爆破振动信号去噪分析中的应用

在提升算法及小波包变换原理基础上,构造了基于插值细分的小波SGW(6,6);介绍了基于最优提升小波包基分解的阈值去噪算法,将实测爆破振动信号通过二代小波包分解,对小波包系数进行阈值量化,再对阈值处理后的系数进行重构,成功地实现了爆破振动测试信号中的噪声去除。为将二代小波包变换引入到爆破振动效应分析研究领域奠定了基础。     

提升小波分形策略在电机轴承电蚀故障特征提取中的应用EI北大核心CSCD

电蚀是感应电机轴承服役过程中常见的物理现象,电蚀现象的发生使得电机轴承表面更容易发生点蚀剥落等局部损伤。提出提升小波分形策略,用于从多成分耦合的振动信号中提取反映轴承故障的冲击性故障特征;该策略通过对经典冗余提升小波包分解产生的相邻子空间进行后处理,生成新的隐小波包尺度,可有效弥补二进小波包分析方法对过渡带区间特征提取能力的不足;通过隐小波包子空间的中心嵌套集合实现了振动信号的中心极化多分辨分析;该方法还能继承冗余提升小波包分解的诸多优良特性(如精确线性相位及平移不变性等),从而进一步增强了振动信号中非平稳冲击特征的分析提取能力。将提出的方法应用于某型号平整机的感应电机轴承振动信号分析,在某个由提升小波分形策略生成的隐小波包子空间中提取表征轴承机械故障的周期性冲击特征,经停机检修验证该故障特征是由轴承中已经存在的电蚀故障引发;将所提出方法的特征提取效果与基于双树复小波等的主流分析方法进行对比,验证了提升小波分形策略具有更加全面的轴承故障特征分析能力。     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

基于时频域模型的噪声故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。     

基于Shannon熵的自适应小波包阈值函数去噪算法研究

小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。