基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析。针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法。自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进行包络与平滑处理后再分割,实现了自相关谱峭度图方法自适应分割频带的目的。通过仿真信号与实验数据分析,并将所提方法与快速谱峭度及自相关谱峭度图方法进行对比,结果表明,所提出方法能够准确地检测到合适的解调频带,同时其故障特征更加明显。     

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WVD的谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于Wigner-Ville分布的谱峭度法.将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障信息.将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析.分析结果表明,时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素.该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义.     

基于WVD谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于W igner Vil le分布的谱峭度法。将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障 信息。将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析。分析结果表明，时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素。该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义。     

滚动轴承故障诊断的改进小波变换谱峭度法

在Morlet小波变换谱峭度法的基础上做了相应改进,利用小波变换谱峭度法得到的谱峭度值,自动构造最优匹配滤波器。将此方法应用于滚动轴承故障诊断中,并与原小波谱峭度法进行比较。结果表明,基于小波变换的谱峭度法的效果对滤波器的选取比较敏感,具有更加优良的监测和诊断效果。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验...     

复解析最优小波解调法

针对齿轮箱故障信号的多分量多频调制特点,结合基于复解析小波变换的信号分量的包络幅值提取原理,提出了一种基于峭度和平滑指数的最优小波解调技术。首先,采用连续小波变换谱的能量熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波峭度计算法进行改进,结合平滑指数对最优小波变化尺度进行迭代搜索;最后,针对解调谱线繁杂密集无法分辨的问题,采用频谱细化的方法提高了复解析小波解调谱的频谱精度。应用试验结果表明,该复解析最优小波解调方法较传统的解调方法,可以更加准确有效地提出齿轮箱复杂信号中的微弱故障特征。     

运用小波包峭度包络的滚动轴承故障诊断

根据滚动轴承振动信号的性质,提出了一种基于小波包系数、峭度最大值原则及包络谱分析的滚动轴承故障自动诊断方法.首先,用小波包将信号分解到不同的频段上,再对不同频段的小波包系数计算其峭度值;然后,根据峭度值最大原则,自动确定由轴承缺陷所引起的共振频率所在的频带;最后,对该频带的小波包系数进行包络谱分析,以确定故障频率.此方法能够提高滚动轴承故障诊断的可靠性和便捷性.     

自适应谱峭度滤波方法及其振动信号检测应用

谱峭度滤波方法是一种在强背景噪声下也能有效提取振动信号中瞬态成分的方法。笔者针对谱峭度滤波方法中窗宽的自适应选择问题,提出一种自适应谱峭度滤波方法。该方法将小波相关滤波提取的振动信号特征频率作为Morlet小波滤波窗口中心频率,并按最大谱峭度原则自适应选择滤波小波窗口宽度,以确定最优带宽Morlet小波窗。通过强背景噪声下的瞬态成分的提取验证该方法的有效性,并与窗口融合自适应谱峭度滤波方法进行比较。针对轴承故障振动信号检测,应用该方法提取反映轴承故障的冲击响应成分,说明该方法能够实现轴承故障振动特征信号的提取。     

滚动轴承故障监测诊断中的自适应滤波算法

针对滚动轴承故障分析诊断中的载波带选择过程进行研究,提出了基于峭度指标的自适应最优滤波算法,仿真和试验台的研究结果表明,此算法不仅能够准确地诊断出轴承故障,以全自动的方式实现滤波过程,而且自适应最优滤波算法的故障诊断效果远远优于固定滤波算法和基于小波包变换的滤波算法。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

运用小波包变换与能量算子的气阀故障特征提取

针对目前往复压缩机气阀故障诊断中存在的问题,提出了基于小波包变换与能量算子相结合的包络解调技术对其振动信号进行包络分析,解决了对信号包络解调前需要人为确定载波带对信号进行带通滤波的问题.并将其用于往复压缩机气阀的故障诊断,实例数据的分析表明,把包络信号的歪度值和峭度值作为特征指标较好地区分了气阀的不同故障,并且表现出抑噪特性.     

结点阈值小波包变换语音增强新算法

人耳频率分辨率是非线性的,而小波包算法有灵活的时频分析能力,可较好的模拟人耳基底膜的频率分析特性。本文提出了一种新的基于结点阈值的小波包变换语音增强算法。采用Bark尺度小波包对含噪语音进行分解,在语音信号的子带层次上进行阈值操作,并采用软阈值方法进行阈值处理。采用谱熵法估计结点噪声。实验表明,该算法在多种噪声,尤其是有色噪声和非平稳噪声条件下均有较好的语音增强效果。     

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。     

Natural gas pipeline small leakage feature extraction and recognition based on LMD envelope spectrum entropy and SVM

As it is difficult to identify the scale and aperture of small leaks occurring in a natural gas pipeline, this paper proposes a small leak feature extraction and recognition method based on local mean decomposition (LMD) envelope spectrum entropy and support vector machine (SVM). First, LMD is used to decompose the leakage signals into several FM–AM signals, i.e. into product function (PF) components. Then, based on their kurtosis features, the principal PF components that contain most of the leakage information are selected. Wavelet packet decomposition and energy methods are used to analyze and then reconstruct the principal PF components. The Hilbert transform is applied to these reconstructed principal PF components in order to acquire the envelope spectrum, from which the envelope spectrum entropy is obtained. Finally the normalized envelope spectrum entropy features are input into the SVM as leakage feature vectors in order to enable leak aperture category identification. By analyzing the acquired pipeline leakage signals in field experiments, it shows that this method can effectively identify different leak categories.     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines

In the previous paper, the authors have demonstrated the high potential of the spectral kurtosis (SK) to detect and characterise non-stationary signals. The present paper brings together these ideas and shows how the SK can be efficiently used in the vibration-based condition monitoring of rotating machines. First, and in contrast to classical kurtosis analysis, the SK provides a robust way of detecting incipient faults even in the presence of strong masking noise. Second, the SK offers an almost unique way of designing optimal filters for filtering out the mechanical signature of faults. The first property is of practical importance for monitoring purposes, whereas the second one proves very useful in diagnostics. Another originality of the paper is the introduction of the concept of kurtogram, from which optimal band-pass filters can be deduced, for instance as a prelude to envelope analysis. All the original findings presented in the paper are illustrated using actual industrial cases.