基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

时频特征降维和多层次聚类相结合的轴承故障诊断新方法

从含噪信号中判断滚动轴承是否发生故障,同时确定故障发生位置和缺陷程度,针对这一轴承工作状态监测的核心问题,提出一种结合小波频带剖分、主成分分析、多层次聚类的滚动轴承故障诊断方法。首先,利用小波最优分解层数将获取的原始信号进行小波包分解得到小波能量谱;然后另取18个时域频域特征指标共同构成特征参数集,再经主成分分析处理,将参数集降到合适的维数;最后利用最佳类间距、样本间距组合和聚类有效性评价建立多层次聚类挖掘系统。实验和应用案例表明：该方法能够准确有效地诊断滚动轴承的不同故障类型和损伤程度,准确率达99.3%,可为轴承状态监测与智能故障诊断提供有效的理论参考。     

基于自适应频带冲击强度的滚动轴承故障量化评估

滚动轴承故障程度量化评估是实现其有效剩余寿命预测和状态维修的基础,目前广泛研究的基于距离和概率相似度量的故障定量评估方法存在计算复杂且易于过早饱和等缺点,不利于在线监测应用。常规时域统计指标如均方根值(Root Mean Square,RMS)因具有计算简单且与故障发展趋势一致性较好等优点,在工程实际中得到广泛应用,但RMS对早期故障不够敏感。针对上述不足,提出了一种新的故障量化评估指标——自适应频带冲击强度(Shock Value of Selected Frequency Band,SVSB)。首先利用提出的包络谱谱峰因子(Crest of Envelope Spectrum,EC)对复平移Morlet小波滤波器的中心频率和带宽参数进行优化选择,得到自适应最优滤波器并对分析信号进行滤波;再将滤波信号的RMS值与EC值的乘积作为故障程度评估指标。该指标包含的RMS和EC分别反映了滤波频带内信号的总强度和冲击分量所占比例,因此能有效反映滚动轴承循环冲击故障特征的强弱,从而量化评估冲击类故障程度。人工植入故障实验数据和滚动轴承疲劳试验数据分析表明该方法能够有效跟踪轴承故障发展趋势并对早期故障敏感。     

基于小波脊线的滚动轴承故障诊断方法

滚动轴承发生故障时的振动信号会呈现丰富的非线性动力学特征。基于小波脊线对非线性、非平稳信号分析优势,提出了基于小波脊线的混沌程度刻画方法用于滚动轴承多类故障诊断。通过对故障振动信号共振频带包络信号提取小波脊线,并与故障振动信号K熵对比。结果表明,小波脊线不仅能识别滚动轴承故障类型,亦能由小波脊线表征的混沌程度反映故障严重与否。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

小波方法在滚动轴承振动信号分析中的应用

通过分析滚动轴承表面损伤类故障信号的特点，提出了基于小波包分解和信号重构技术的滚动轴承故障精密诊断方法。试验表明，该方法是有效的，适用于滚动轴承早期故障的振动监测和诊断。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

基于LMS和Fast-Kurtogram的滚动轴承早期故障诊断

针对滚动轴承早期故障特征提取困难的问题,本文提出一种LMS（Least Mean Square,LMS）算法降噪、Fast-Kurtogram选频和共振解调技术相结合的滚动轴承故障诊断方法。首先对采集到的信号进行自适应降噪,减弱背景噪声的影响;然后利用谱峭度值对故障信号中瞬态成分敏感的特性,通过计算降噪后信号的快速峭度图,确定滤波器最优频带中心和带宽;最后进行共振包络解调提取出滚动轴承早期故障特征。通过仿真和实验验证分析,验证了该方法在滚动轴承早期故障诊断中的适用性和有效性。     

基于小波包能量矩阵的轴承信号特征提取

为通过振动信号识别轴承的工作状态,结合小波包变换和矩阵特征值理论,提出了一种新的轴承信号特征提取方法。引入了能量值方法,对小波包分解信号进行分层分段能量计算,组成能量特征矩阵,求得矩阵特征值;定义基于特征值的振动信号特征参数,并探讨了特征参数与轴承运行状态间的联系。最后在特征提取基础上,提出了故障早期模式识别的对应系数相乘方法。结果表明：最大值特征参数能够敏感的反映轴承工作性能的变化,可作为轴承状态监测特征量;对应系数相乘法可以作为故障部位诊断的有效方法。     

基于最大相关峭度解卷积和谱峭度的滚动轴承声信号故障特征增强

采用滚动轴承的声学信号进行状态监测及故障诊断时,环境噪声、传递路径以及其它设备噪声会严重干扰目标信息的提取。针对这一问题,提出一种基于最大相关峭度解卷积和快速谱峭度图的滚动轴承声信号故障特征增强方法。该方法首先利用最大相关峭度解卷积算法对滚动轴承声信号进行解卷积,增强信号中每旋转一周时出现的脉冲信号,削弱噪声信号;然后将谱峭度作为指标,利用快速谱峭度对信号进行滤波分析,获得包含轴承故障信息最丰富的频带;最后对该频带进行包络提取特征频率。仿真及实验结果表明,相较于传统的包络解调,该方法在滚动轴承声信号故障特征提取方面具有更好的降噪性能和故障特征增强效果。