基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

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。     

基于自适应VMD和改进功率谱估计的球磨机负荷特征提取

磨矿过程中的球磨机运行实时工况复杂,球磨机内部负荷状态难以准确获取。提出以原始筒体振动信号与本征模态函数的能量差作为自适应变分模态分解(VMD)层数的评价参数,构建新型自相关函数,引入Rife-Vincent自卷积窗结合能量重心法对本征模态函数进行处理,据此提出一种基于自适应VMD和改进功率谱估计的球磨机负荷特征提取方法,并开发基于LabVIEW的球磨机负荷识别系统。该方法能自适应地确定本征模态函数分解层数,提高算法的抗模态混叠、虚假分量能力,从而提高球磨机负荷检测的准确性。实测结果表明,所提方法可有效提取磨矿过程中球磨机内部负荷特征,实现球磨机负荷状态的准确识别,为磨矿优化控制和效率提高提供准确、可靠的依据。     

谐波小波包方法及其对转子亚频轴心轨迹的提取

转子轴心轨迹,特别是亚频轴心轨迹的提取,在转子故障识别中是十分重要的。分析了谐波小波的优势,在研究了谐波小波的频段分解基础上,提出了谐波小波包变换的频段分析表达式,并给出了实现方法,实现了谐波小波的任意频段“任意细化”能力。对转子振动信号进行了频域细化分析,并用谐波小波包变换对实际的高速转子振动信号进行了分析,在得到细化频谱的同时,直接实现了常规方法难以实现的转子亚频信号的轴心轨迹提取,得到了满意结果,为转子故障信号的分析创造了条件。     

基于小波包分解提取刀具振动信号特征向量

主要介绍了3种基于小波包分解的以不同方式进行提取刀具磨损振动信号特征向量的方法。刀具振动信号通过小波包分解后重构成不同频段的信号系数。在此基础上,首先提取各个频段能量基于总能量比值的特征向量;其次对其进行功率谱分析,提取特定频段幅值的特征向量;最后,利用奇异值分解将不同频段的信号映射到正交子空间中,从中选取信号的奇异值作为特征向量。最终将得到的特征向量组合成一个特征向量输入支持向量机中进行刀具磨损识别。     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

基于声信号的球磨机煤位监测研究

为实现磨煤粉系统自动控制和安全运行,有必要对球磨机中煤位进行自动监测。通过分析球磨机振动及声辐射特点,提出用声信号特征来监测煤位变化的新方法。利用多尺度小波变换和基于小波包的多频道分解技术,可从声信号中识别和提取出能反映煤位高低及变化的牲特征信息。     

基于小波包变换的电磁超声接收信号特征提取

使用改进的功率谱函数对电磁超声缺陷信号进行了缺陷的定性分析,使用小波包能量谱对电磁超声缺陷接收信号进行了特征提取,从小波包的小波函数选取、分解层次及特征参数的噪声鲁棒性3个方面开展了讨论分析.结果表明:通过选择适当的小波函数和小波包分解层次,小波包能量谱的能量比可以精细地反映信号的特征;基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对EMAT不同损伤类型的判别.     

小波包分析方法在齿轮早期故障特征提取中的应用

基于小波包对信号的高分辨率分解和重构能力,把信号分解到不同频段,然后选择有效频段进行故障信号重构,分离出故障信息,试验表明,该方法能从很强的总体振动信号中提取清晰的损伤特征,实现早期诊断。     

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。     

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

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。     

一种轴承故障诊断的改进型小波包包络方法

小波包包络法是轴承振动信号分析中的一种重要方法,使用该方法可以对包含有故障特征频率的各频段信号进行分析,能够滤去噪声信号,有效地提取轴承的故障信息。在小波包分解时,对小波包细节信号的选取目前常用的是基于细节系数能量的方法,但该方法在信噪比较小的情况下对信号分析效果一般,结合自相关和互相关的特性,提出了一种改进型的小波包包络方法,为小波包分解中细节信号的选取提供了一定的理论依据,提高了小波包在轴承故障诊断中的判断准确度。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

基于能量熵和EEMD结合的滚动轴承故障诊断方法

采用了一种基于小波包能量熵结合集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方式完成对高速列车轴箱轴承仿真振动信号和实测振动信号的故障诊断.在完成仿真轴承应力状态分布分析和仿真振动信号故障提取方式检验以及实测振动信号时域参数分析和对轴承故障初步诊断的基础上,对振动信号进行三层小波包分解以及降噪处理;将处理后的剩余信号进行重构,再对重构后的8个小波包频段进行能量熵和能量百分比的计算,找出所含剩余信息量较大的频段,进行EEMD方式分解;对分解后的IMF1分量进行频谱和包络谱转换,从而准确提取出轴箱轴承故障特征信号,完成轴承早期微弱故障特征提取.     

全矢改进连续谐波小波包滚动轴承故障特征提取

滚动轴承在旋转类机械设备中运行时,会产生成分复杂的振动信号。现有滚动轴承信号处理方法多使用单通道信息,无法反映整个截面故障状态。本文提出了一种基于全矢改进连续谐波小波包变换的故障特征提取方法。首先使用相互正交的两个传感器,实现滚动轴承某一截面上双通道振动信号采集;其次利用全矢谱技术将所采集的同源双通道信号进行融合;然后使用改进连续谐波小波包变换分解融合后的信号;再从各子带中提取能反映各类故障特征的能量值组成特征向量;最后利用美国凯斯西储大学滚动轴承实验台的一组实测故障数据验证该方法的正确性。     

基于EMD与自相关的能量算子解调机械故障诊断

针对在强噪声背景下早期轴承故障振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于EMD与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,而后降噪信号进行EMD分解,提取相关度最大的IMF分量进行自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,然后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断。     

基于小波包变换的回转窑托轮轴承故障诊断

针对回转窑对象给出了水泥回转窑故障诊断框图。说明了水泥回转窑工艺流程和常见的水泥回转窑设备故障及原因。阐述了小波包分解方法和小波包分解的优缺点。阐述了基于小波包变换的水泥回转窑故障诊断算法,给出了基于小波包变换的轴承故障诊断流程图。对正常状态、外圈故障状态和内圈故障状态的轴承小波包变换进行分析。得到经小波包分解1~4层细节进行重构后的波形图,得到经4层小波包分解后各频带的能量分布以及重构信号的包络图。将正常状态下小波包分解后的能量频谱信号与故障状态下的进行比照,通过能量频谱信号的不同,确定正常状态和故障状态的特征信息。文中对采集到的振动信号进行小波包分解,对分解后不同频带上的信号进行功率谱计算,通过能量的改变表示某一种特征信号,再对提取到的特征信号进行Hilbert谱分析。最终,通过对特征信号的Hilbert谱分析来区分出不同的故障。