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。     

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。     

一种轴承故障诊断的时频综合分析法

针对旋转机械中最常见的滚动轴承问题,提出了一种基于小波包分析和Hilbert包络分析的时频综合分析法对轴承进行故障诊断。首先利用小波包分析将轴承故障信号分解到不同的节点,然后求出各个频带的能量谱,确定故障频带范围并对其进行信号重构,最后采用Hilbert变换对故障频带的重构信号进行包络谱分析,从而诊断出轴承故障。通过对轴承外圈故障信号的分析验证了该方法在轴承故障诊断中的有效性。     

汽车发动机机械系统故障诊断分析

汽车发动机的可靠性和故障率直接影响着行车体验,适时地进行发动机机械系统故障诊断分析可以有效地提升其可靠性、降低其故障率。以事实经验为基础进行的诊断分析方式,往往在定位故障问题的精确度,以及对故障的维修度上有所欠缺。基于此,本文进行汽车发动机机械系统故障的诊断分析。首先概述汽车发动机机械系统故障诊断分析的基本流程以及方法,其次根据发动机机械故障的损伤类型,并提出相应的故障诊断以及故障维修的策略。     

发动机异响信号的小波包能量特征提取

在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题.发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中.发动机声响的分析在其故障诊断中显得极为重要.现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断.     

轴承早期故障的小波包-自回归谱诊断法

叙述了小波、小波包理论,详细导出了小波包-自回归谱(WT-AR)的计算方法。将小波包和自回归模型结合起来,在机械故障诊断中实现了不同频道范围内,不同零部件故障信息分离和提取。并以挖掘机提升系统齿轮箱为例,说明该方法适用于轴承早期故障的诊断。     

基于复合信号处理的滚动轴承早期微故障诊断研究

针对滚动轴承早期故障的微弱信号检测问题,将小波包、谱峭度和包络分析三者相结合,提出一种新的故障诊断方法,该方法首先通过小波包降噪提取原始含噪信号中的高频成分并提高信噪比,然后对降噪后的重构信号应用谱峭度理论来确定合适的带通滤波参数,最后对带通滤信号进行包络解调而得出故障特征频率信号,从而实现滚动轴承的早期微弱故障诊断。对基于小波包和谱峭度的故障诊断法在滚动轴承故障诊断中的应用进行了研究,实验结果表明该方法可以有效抑制背景噪声,提取有用故障信息,为滚动轴承的故障诊断提供了一种切实可行的方法。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

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。     

强背景噪声条件下自适应图卷积神经网络的航空 发动机附件机匣故障诊断方法

针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷积神经网络中构建自适应图卷积核,基于切比雪夫多项式设计了一种自适应图卷积操作,通过自适应图卷积核对图中节点与边进行特征提取,增强模型在强噪声条件下的泛化性。最后利用全连接层进行特征抽取,进而实现航空发动机附件机匣故障。应用案例表明所提自适应图卷积神经网络模型(AGCNet);在强背景噪声条件下对航空发动机附件机匣故障平均诊断精度为86.42%,均高于LeNet、ResNet以及GCNet模型。能够有效识别故障,可应用于航空发动机附件机匣故障诊断。     

基于小波包和SOM神经网络的车辆滚动轴承故障诊断

以车辆滚动轴承故障诊断模型为基础,针对其轴承的特点,提出了一种小波包分析和SOM神经网络相结合的故障诊断方法。将该方法应用于车辆滚动轴承的故障诊断中,经过大量实测数据的分析与验证,能够有效地诊断出轴承的故障类型,为旋转机械的动态监测和故障诊断提供了新的参考,具有重要的理论和实际工程应用价值。     

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。     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

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BP神经网络的城轨列车辅助逆变系统故障诊断

在研究城轨列车辅助逆变系统故障诊断模型的基础上,提出一种基于小波包和神经网络相结合的故障诊断方法.该方法首先对采集到的电压信号进行小波降噪,再经过小波包分解和重构,构造特征向量,以此为故障样本对BP（Back propagation）神经网络进行训练,实现智能化故障诊断.实验结果表明：该方法能够很好地诊断出城轨列车辅助逆变系统的故障类型,这为辅助逆变系统的故障诊断和故障动态监测提供了新的参考,具有一定的工程应用价值.     

基于小波包时延相关解调的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且容易被强烈的背景噪声淹没,提出基于小波包时延相关解调的分析方法,实现滚动轴承的故障特征提取及故障诊断。首先,以信噪比SNR和均方根误差RMSE为准则,对比小波包阈值的降噪效果,选取最优小波包参数,以增强振动信号的信噪比。然后将降噪后的信号进行重构。最后,通过时延相关解调分析提取去噪重构信号的故障特征。通过仿真和试验数据分析,验证了所提算法能够较准确地提取轴承故障特征频率。基于与包络分析和小波包络分析进行的对比,证明了所提方法能够获得更高精度的故障特征参数,进而更加有效地实现滚动轴承的早期故障诊断。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于噪声测试的轴承滚动体划伤故障特征识别

围绕航空发动机轴承典型故障不易诊断的问题，提出了基于噪声信号的非接触式测量方法。在实验室条件下设计并搭建具有复杂传递路径的轴承故障模拟转子试验台，用线切割的方法加工了轴承滚动体划伤故障，开展了该种故障下不同转速工况的试验测试，获取了故障轴承噪声信号及振动信号。对采集到的噪声信号进行频谱分析和小波阈值变换分析，振动信号进行包络谱分析。分析结果表明：基于噪声信号的诊断方法避免了复杂传递路径对信号的衰减作用，可以有效提取轴承滚动体划伤故障信号特征，识别效果明显优于振动信号。这里提出的基于噪声信号诊断的方法为航空发动机轴承故障诊断提供了新手段。     

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DDAE-GRA的滚动轴承早期故障诊断

提出一种将深度降噪自编码(DDAE)和灰色关联度分析(GRA)相结合的滚动轴承早期故障诊断方法。使用DDAE提取轴承振动信号的特征,以正常样本特征作为灰色关联分析的参考序列,计算滚动轴承全寿命周期数据样本特征与正常样本特征的关联程度作为轴承性能退化的指标,绘制性能退化曲线并使用3σ阈值判定轴承早期失效时间。对辛辛那提大学轴承数据集外圈故障轴承的分析结果表明：DDAE-GRA模型识别的轴承故障发生在第533个样本,该样本包络谱中出现了明显的外圈故障特征频率及其倍频;DDAE-GRA模型比小波包分解-GRA,DDAE-FCM,DDAE-SVDD具备更好的鲁棒性,更适用于滚动轴承早期故障监测。