基于频率切片小波变换的行星齿轮箱故障诊断

风电行星齿轮箱主要由太阳轮、行星轮、行星架和内齿圈组成,由于其工作环境比较恶劣,容易产生故障。另外其各部分信号又相互叠加,增大了信号分析的难度。而风电齿轮箱运转又会随外界环境而发生变化,产生的信号具有较强的非平稳性,采用普通时频方法只能简单估测故障发生的大致位置。为了进一步确定设备故障信息,尝试将频率切片小波变换的时频分析方法应用到其故障诊断中。通过对信号的全频能量分析,选择信号故障区间进行细化分析,进而提取信号的时频特征,确定故障具体位置,取得了较好的效果,为风电行星齿轮箱的故障诊断提供了一定依据。     

基于自适应最大相关峭度解卷积和频率切片小波变换的齿轮故障特征提取

针对最大相关峭度解卷积(MCKD)降噪效果受滤波器阶数影响的问题,提出了自适应MCKD方法。针对频率切片小波变换(FSWT)在强背景噪声中提取冲击故障特征的不足,提出了自适应MCKD和FSWT相结合的齿轮故障特征提取方法。首先用自适应MCKD对噪声齿轮信号进行降噪处理,然后对降噪后的信号进行频率切片小波变换和故障特征提取。齿轮故障诊断实例的分析结果验证了该方法的有效性。     

基于复小波变换相位谱的齿轮故障诊断

提出了一种基于复小波变换诊断齿轮故障的新方法。利用Mexican-hat调制复小波基函数对齿轮振动信号进行连续小波变换，再作相位的频谱分析，可以突出边频带结构，识别不同故障模式。试验数据的分析结果表明，该方法适用于齿轮故障诊断，与传统的自功率谱方法以及基于实值小波的小波变换方法相比，这种方法效果更好。     

基于线调频小波变换的旋转机械故障诊断

小波变换在设备故障信号处理中得到广泛地应用,然而,小波变换只能消除白色噪声,对有色噪声不起作用.线调频小波变换统一了短时Fourier变换和小波变换的时频分析,是信号的时间-频率-尺度变换,能根据信号的特点自适应生成新的时频窗口.它不仅具有小波变换良好的时频局部性特点,而且它的时频窗口比小波变换的时频窗口更加灵活.本文应用线调频小波变换对旋转机械故障信号进行消噪,效果明显.     

基于小波变换-模糊聚类的变速箱齿轮故障诊断

在对车辆变速箱齿轮振动加速度信号进行小波变换的基础上，提出了基于尺度-能量谱的特征提取和模糊聚类相结合的车辆变速箱齿轮故障诊断方法。该方法应用于LC5T81变速箱齿轮的故障诊断中，能够比较准确地识别与诊断出变速箱齿轮的走合运行状态、磨损运行状态和故障运行状态，具有一定的实用价值。     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中，故障特征提取是诊断的关键，而特征提取的方法也是多种多样的。利用双正交小波基将齿轮的故障振动信号分解到时频域，并提取出齿轮的故障特征。同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果。     

基于小波变换的故障诊断

本文详述了傅立叶变换与小波变换的本质与区别,以及它们在故障诊断中的应用。     

基于连续小波变换的齿轮故障诊断方法研究

根据连续小波变换具有较二进离散小波变换和小波包变换更精细的尺度分辨率的特点，提出了基于Ｍｏｒｌｅｔ连续小波变换的时间平均小波谱的概念，同时建立了两种基于时间平均小波谱的故障诊断方法：谱形比较法和特征能量法。将这两种方法应用在变速箱齿轮故障诊断中，结果表明，时间平均小波谱可以有效提取齿轮故障特征信息；谱形比较法和特征能量法能够准确诊断齿轮故障程度，且特征能量与齿轮故障程度成二次曲线关系。为齿轮故障诊断提供了一种新途径，对于其他复杂机械设备的故障诊断同样具有参考价值。     

应用Hilbert-Huang变换的齿轮磨损故障诊断研究

提出了一种基于H ilbert-Huang变换的齿轮磨损故障诊断的新方法。H ilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换应用于齿轮箱中齿轮磨损故障诊断的研究,通过选取表征齿轮磨损故障的IM F分量进行边际谱和能量谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明,H ilbert-Huang变换时频分析方法,能有效地诊断齿轮的磨损故障。     

基于形态小波去噪的齿轮故障诊断

针对在强背景噪声情况下,齿轮故障信号信噪分离难,给故障诊断带来麻烦的问题,提出了一种基于形态小波去噪的齿轮故障诊断方法。方法结合了数学形态学的特征识别和小波分解的多分辨率分析特性,先采用形态小波方法对齿轮的振动信号进行消噪预处理,再计算信号的时频谱和功率谱,提取故障特征。给出了形态小波方法在齿轮故障诊断中的应用原理、方法步骤和评价指标。仿真和实验结果表明,方法可以有效地去除强噪声的干扰,提高信噪比,突现出信号的故障特征,提高了齿轮故障诊断的精度。     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。     

液压泵故障的小波变换诊断方法

分析了小波变换的时 -频局部化特性及基于多分辨分析的信号小波分解重构算法 ,研究了信号局部奇异性在小波变换下的特性。根据故障信号和噪声的局部奇异性在小波变换下的模极大值在不同尺度上的传播特性不同的特点 ,并利用小波分解重构算法 ,对泵壳振动加速度信号进行了分解、去噪和重构。大大改善了监测信号的信噪比 ,对故障特征信号进行了时域定位 ,提取了故障特征频率。     

NEW TECHNOLOGY FOR FAULT DIAGNOSIS BASED ON WAVELET DENOISING AND MODIFIED EXPONENTIAL TIME-FREQUENCY DISTRIBUTION

0 INTRODUCTIONWhen failure diagnosis of mechanical equipmentis put in practice, a lot of vibration signals should beprocessed and signal features must berevealed. However every vibration signal containsvarious intefference components, such as vibration ofneighborhood machine, electric interference andtransmitted noise while detecting. Useful informationoften sinks in the complex vibration signal.Wavelet multi-resolution analysis(wavelet MRA)and exPOnential time-fmpuency distribution (E…     

基于时频分布的行星齿轮箱滚动轴承故障诊断研究

齿轮箱滚动轴承缺陷的两个主要特征不仅与频率有关,而且与时间有着密切的关系.如果单从时域或者频域分析滚动轴承的故障信号,很难获得故障信号的特征全貌.使用时间和频率的联合函数来表示信号,将联合时频分析引入滚动轴承的故障诊断,进行信号分析,会更符合实际.文中结合实例对行星齿轮箱滚动轴承的各种振动信号进行分析,结果表明,通过对信号作伪Wigner-Ville分布(pseudo-Wigner-Ville distribution,PWD),能形象、直观地反映出轴承故障的时-频域信息,而且对故障信息具有较强的判别能力,得到比较理想的诊断结果,为机械振动的非平稳时变信号的分析提供了方便可行的手段.     

基于提升模式的非抽样小波变换及其在故障诊断中的应用

由于传统离散小波变换在分解信号时采用抽样操作,使原始信号的部分时域特征不能保留在分解结果中;另外,分解结果的平移可变,使得分解结果不能完美地描述故障的时域特征。为了克服上述缺陷,根据非抽样小波变换的原理,提出一种基于提升模式的非抽样小波变换框架。首先,通过信号变换方法去除提升小波变换的剖分环节,得到提升模式下的非抽样小波变换框架;在此基础上,建立提升模式下非抽样小波变换与抽样小波变换的预测器和更新器之间的转换关系,提出非抽样提升小波变换的分解和重构算法。采用这种非抽样小波变换从齿轮箱的振动信号中有效提取幅值调制和瞬态冲击的摩擦故障特征。     

SINGULARITY ANALYSIS USING CONTINUOUS WAVELET TRANSFORM FOR BEARING FAULT DIAGNOSIS

In this paper, wavelet transform is applied to detect abrupt changes in the vibration signals obtained from operating bearings being monitored. In particular, singularity analysis across all scales of the continuous wavelet transform is performed to identify the location (in time) of defect-induced bursts in the vibration signals. Through modifying the intensity of the wavelet transform modulus maxima, defect-related vibration signature is highlighted and can be easily associated with the bearing defect characteristic frequencies for diagnosis. Due to the fact that vibration characteristics of faulty bearings are complex and defect-related vibration signature is normally buried in the wideband noise and high frequency structural resonance, simple signal processing cannot be used to detect bearing fault. We show, through experimental results, that the proposed method has the ability to discriminate noise from the signal significantly and is robust to bearing operating conditions, such as load and speed, and severity of the bearing damage. These properties are desirable for automatic detection of machine faults.     

基于一种新的时频分布的机械故障诊断

在巧妙构思核函数的基础上,给出了一种新的时频分布(TFC)及其离散算法,并将该TFD应用于机械故障诊断。结合两个诊断实例,同时与Winger-Ville分布(WVD)进行对比,发现该分布具有良好的时频聚集性,并且能够有效的抑制交叉项。事实证明,该分布能够刻画出传统Fourier变换和WVD所不能反映的故障特征信号,能够较好的进行故障诊断。