基于小波包分解的机械振动信号分析

提出了一种新的基于小波包的振动信号故障特征提取方法,运用这种方法对柴油机表面振动信号经过小波包降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。对降噪信号提取频带能量特征,为神经网络故障诊断提供了新的故障样本。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

基于小波分析对变速箱的故障诊断

为确定某型号液力叉车变速箱的故障原因,对其进行故障诊断,简要分析了变速箱内部结构,并计算了各档位情况下各个齿轮和轴承的故障特征频率,搭载实验平台,采集变速箱运转过程中的振动信号,并运用小波阈值去噪法对原始振动信号进行了消噪,接着分别运用小波分析和小波包分析方法对振动信号进行分解,并对相应频段信号进行重构和谱分析,综合两种分析方法的结果,获得变速箱的故障特征频率,确定是输入轴上齿轮存在缺陷。该研究对齿轮及轴承等相关构件的故障诊断有一定的参考意义。     

基于小波分析与神经网络的柴油机气阀间隙识别

通过对柴油机气阀间隙的调整,实时监测缸盖的振动信号,运用小波分析法对振动信号进行分析,提取柴油机气阀间隙异常的多个特征参数,并采用BP神经网络对气阀间隙进行识别,以此提高诊断故障的针对性和准确性。     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

基于小波包能量谱-神经网络的液压泵故障诊断

针对利用振动信号进行液压齿轮泵故障诊断，介绍了振动信号的小波包能量谱分析，指出了振动信号的小波包能量谱分析可以进行齿轮泵故障模式的识别，研究了利用RBF网络对振动信号的小渡包能量谱进行模式学习和识别的方法，并建立了相应的RBF网络。试验表明小波包能量谱分析一RBF网络方法可对液压齿轮泵的常见故障进行识别和诊断。     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

柴油机缸套磨损的诊断研究

通过对不同磨损程度的柴油机缸套进行实验 ,采集柴油机机身的振动信号。计算柴油机机身振动信号的小波包能量、最大幅值、奇异性指标 ,并建立了振动信号的 AR和 ARMA模型 ,最后利用遗传算法进行自动再生最佳特征参数 ,得到了优化的缸套磨损故障判别函数 ,结果表明利用该判别函数可以简洁有效地计算出缸套磨损等级 ,从而对缸套进行故障诊断。     

遗传神经网络在轴系故障诊断中的应用

为解决BP神经网络收敛速度慢以及容易陷入局部最优解的问题,将遗传算法与BP神经网络相结合应用于轴系故障诊断中。首先设计了船舶柴油机轴系模拟实验平台,然后利用小波包分解技术分析了轴系故障时的振动信号,并将其能谱熵作为故障模式的特征向量,最后对轴系的4种运行状态进行了故障识别与分析。仿真结果表明,GA-BP算法预测精度要高于传统的BP算法,适用于轴系的状态监测和故障诊断。     

基于能量谱分析的柴油机故障诊断

研究了小波包能量谱分析和能量谱分析在某柴油机故障诊断中的应用。以柴油机的供油提前角减小2.5°和空气滤清器堵塞2种故障为例,把用2种方法提取的特征向量作为神经网络的输入特征,然后进行故障诊断。对比测试结果得出能量谱分析法的实用性强于小波包能量谱分析法。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于小波包时域重构的汽车发动机燃烧状态分析

针对康明斯发动机的不同状态 ,利用小波包对发动机缸盖的振动信号进行了分析 ,通过改进的小波包信号重构方法在时域内分析了发动机气缸的燃烧状态 ,提出了发动机故障诊断的时域方法。研究结果表明 :利用小波包分解与重构技术在时域内便能直观地识别气缸的燃烧状态 ,该方法为复杂机械的故障诊断提供了新思路     

基于小波包神经网络的发动机振动信号分析

为了有效地对发动机运行状态进行监测,提出了一种基于小波包和神经网络相结合的发动机故障诊断方法。以某微型车用汽油发动机为研究对象,建立基于振动信号分析的测试试验系统,采集发动机正常工况和故障工况的振动特征参数。通过小波包对其进行分解和重构,提取出表征发动机工作状况的特征向量,作为训练样本数据和检验样本数据,输入BP神经网络并对其进行训练, 实现了对所设发动机故障类型进行良好识别的预期效果。     

基于小波包-模糊神经网络的发动机泵机组故障诊断

提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断;运用小波包频带能量分解,可以在不丢失振动信息的情况下降低信号的维数,提高神经网络的识别能力;运用了神经网络使故障诊断具有自适应、自学习能力,对发动机泵机组的各类故障进行分类和训练,得到了满意的效果.     

小波包分析在轴承早期故障诊断中的应用

为了识别轴承早期损伤引起的故障信号,利用小波包对轴承的振动信号进行处理。小波包分析的实质是对小波分解的结果作进一步细分,因而具有比小波分解高得多的频域分辨能力。文中用小波包分析了两个存在早期轻微损伤的轴承的振动信号,并比较了自然序、Gray序以及移频算法的处理结果。这些分析结果表明,小波包分析能够有效地将隐藏在正常振动信号之中的早期弱故障信号提取出来,从而发现轴承的早期损伤。     

Diesel Engine Valve Clearance Fault Diagnosis Based on Features Extraction Techniques and FastICA-SVM

Numerous vibration-based techniques are rarely used in diesel engines fault diagnosis in a direct way, due to the surface vibration signals of diesel engines with the complex non-stationary and nonlinear time-varying features. To investigate the fault diagnosis of diesel engines,fractal correlation dimension, wavelet energy and entropy as features reflecting the diesel engine fault fractal and energy characteristics are extracted from the decomposed signals through analyzing vibration acceleration signals derived from the cylinder head in seven different states of valve train. An intelligent fault detector FastICA-SVM is applied for diesel engine fault diagnosis and classification.The results demonstrate that FastICA-SVM achieves higher classification accuracy and makes better generalization performance in small samples recognition. Besides,the fractal correlation dimension and wavelet energy and entropy as the special features of diesel engine vibration signal are considered as input vectors of classifier Fast ICASVM and could produce the excellent classification results.The proposed methodology improves the accuracy of feature extraction and the fault diagnosis of diesel engines.