滚动轴承故障特征的小波提取方法

分析了有故障的滚动轴承在运转中的振动信号特征 ,采用一种无频带错位的小波包算法进行滚动轴承的故障特征信号提取 ,清晰地刻画出轴承故障冲击的特征函数 ,通过试验证明了该方法的有效性 ,且具有很高的信噪比     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

滚动轴承表面损伤故障智能诊断新方法

本文针对目前基于小波变换的滚动轴承故障诊断研究中普遍存在小波变换参数选取和故障特征计算无法自动完成的问题,提出了一种基于小波包变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取.最后,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型,利用实际的滚动轴承实验数据进行了验证,结果表明了本文方法的有效性.     

基于LDA模型的滚动轴承故障类型检测

将小波包变换与LDA算法相结合,提出了一种基于LDA模型的滚动轴承故障类型检测新方法。首先通过小波包变换提取轴承振动信号的能量特征及其所包含的故障信息特征,并用"词袋"模型将故障信息特征表示成视觉词向量,然后利用LDA模型对轴承故障类型进行判别。试验表明,该方法能精确提取轴承的故障信息特征,快速检测出轴承的故障类型,与SVM等方法相比检测精度更高,鲁棒性更强,具有很好的故障检测效果。     

基于IEWT-IDWAE的滚动轴承故障识别

针对噪声导致深度学习识别滚动轴承故障时深层网络收敛速度变慢以及识别率降低的问题,提出一种改进经验小波变换(IEWT)结合改进深层Wasserstein自动编码器(IDWAE)的故障识别模型。首先,针对经验小波变换的过分解问题,提出一种振动信号频谱有效边界划分方法,进而将信号自动分解为不同频段的调幅-调频分量;然后,利用一种新的AM-FM分量筛选指标选择主要分量进行重构,实现对信号的有效降噪;最后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据中间层神经元的激活值对神经元大小进行自动增减以构造IDWAE,将经IEWT降噪后的信号输入IDWAE进行自动特征提取和故障识别。试验结果表明：IEWT-IDWAE在一定程度上缓解了工程人员对繁琐的特征提取和特征选择的依赖,对噪声的鲁棒性高,故障识别率达到了99.57%,标准差仅0.12,故障识别能力优于其他组合模型方法。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

滚动轴承故障的小波诊断法

对小波变换原理和信号局部奇异性在小波变换下的特性进行了分析,通过选用多尺度小波变换成功地对滚动轴承故障信号进行了检测。     

滚动轴承故障智能诊断系统

在小波分析理论以及现场调试的基础上,研制了滚动轴承故障智能诊断系统。该系统具有特征参数分析、时频分布、故障智能诊断等功能,能有效地诊断出轴承故障发生的部位、性能和程度等。     

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。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。     

基于关联维数的铁路货车滚动轴承故障诊断

将关联维数用于定量刻划滚动轴承在不同工作状态下的振动特征,进而对故障分类。同时提出用小波分析对原始数据进行降噪处理。文中以铁路货车轴箱197 726双排圆锥滚子轴承为例,计算了正常轮对、滚子损伤和外圈剥离三种情况下降噪处理前后振动信号的关联维数,分析结果表明,滚动轴承不同工作状态下的关联维数有明显差别,因此可以将关联维数作为识别滚动轴承故障的特征量。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

基于系统信息融合的滚动轴承故障模式识别

基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架.首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别.结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率.     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。     

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。     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。