基于改进小波包变换的机械设备故障信号捕捉研究

为了避免机械设备出现非常规运行状态,其表现出的故障信号特征能够被准确提取,提出了基于改进小波包变换的机械设备故障信号捕捉的方法。通过定义小波包性质的方式,对机械设备故障信号实施分解处理,完成基于改进小波包变换故障特征的提取。在此基础上,计算机械设备的故障特征熵值结果,根据单值特征参数的实时数值水平,定义特征值捕获区间的范围,完成基于改进小波包变换的机械设备故障信号捕捉方法的设计与应用。实验结果表明,在改进小波包变换原理的作用下,既定机械设备元件在运行过程中表现出的奇异值水平明显降低,对故障信号特征的准确捕获与提取起到较强的促进性作用。     

基于小波包变换的油液磨损信号降噪研究

为提高油液分析对润滑系统磨损状态监测的准确性和可靠性,通过采用小波包变换(WPT)对光谱和直读铁谱检测信号进行降噪,得到反映稳态和奇异状态的近似系数、细节系数,为挖掘有效诊断特征作准备。结果表明,对于油液磨损信号的降噪,小波包变换有效,且Daubechies1小波基效果最好,噪声类型很可能是未知刻度白噪声。     

基于梯度阈值的往复压缩机振动信号小波包奇异值降噪

信号降噪是往复压缩机故障诊断的关键环节。文中首先对比分析小波包和奇异值降噪,认为对于光滑信号,奇异值降噪十分有效,对富含突变的信号,小波包降噪效果好。然后针对振动信号的不同特性,提出梯度值和梯度阈值的概念,若信号的梯度值小于梯度阈值,则采用奇异值降噪,否则用小波包降噪。并通过大量数据分析确定往复压缩机振动信号的梯度阈值。最后以曲轴轴承和阀的振动信号降噪为例,计算二者的梯度值,确定前者应用奇异值降噪,后者应用小波包降噪。结果表明,基于梯度阈值的降噪取得了令人满意的效果。     

改进小波包降噪与RSSD的滑动轴承声音诊断方法

针对滑动轴承故障特征在声音信号中体现非常不明显,且成分复杂、受干扰严重的问题,提出改进小波包降噪与共振稀疏分解的滑动轴承声音诊断方法。利用改进小波包降噪方法对滑动轴承声音信号进行降噪。利用共振稀疏分解分离出故障冲击成分。对低共振分量进行包络分析,确定滑动轴承的故障特征频率。实验结果表明,文中方法能够实现利用声音信号进行滑动轴承的故障诊断,为滑动轴承的故障诊断提供了新的思路。     

基于小波包-包络分析的故障特征提取方法

针对齿轮、滚动轴承等的早期损伤类故障，提出将小波包分解作为包络分析的前置处理手段以提取振动信号的故障信息特征。在简述小波包基本原理的基础上．通过仿真信号．对振动信号的具体处理过程进行分析，并对可能遇到的问题．提出处理办法．然后应用于诊断实例。结果表明，该方法能够自由确定振动信号的频带划分并全面获得各频带内隐含的故障特征，且易于实现，有一定的工程应用价值。     

齿轮振动信号特征的小波包频率表示法

通过对信号的小波包分解的研究．提出了信号特征的小波包频率表示方法．表示信号对分解节点和频率的功率谱分布;同时提出以小波包频率表示为依据的特征信号重建方法。齿轮振动信号特征的小波包频率表示表明该表示方法能有效展示齿轮的技术状况的变化。将功率谱集中的相邻的结点上的分解结果重构,得到的时域特征信号也能展示齿轮的技术状况。     

基于小波包变换的齿轮箱降噪方法研究

应用小波包变换理论和小波包降噪原理,对轧机齿轮箱的振动信号进行小波包降噪,有效地从含噪信号中提取出故障特征。通过对计算机仿真信号的降噪效果比较和实例分析,显示了小波包降噪的优越性。最后对齿轮箱降噪前后小波包各频带能量向量的比较,进一步表明了小波包降噪在消除高频干扰,凸显故障特征方面的有效性。     

基于小波包分解提取刀具振动信号特征向量

主要介绍了3种基于小波包分解的以不同方式进行提取刀具磨损振动信号特征向量的方法。刀具振动信号通过小波包分解后重构成不同频段的信号系数。在此基础上,首先提取各个频段能量基于总能量比值的特征向量;其次对其进行功率谱分析,提取特定频段幅值的特征向量;最后,利用奇异值分解将不同频段的信号映射到正交子空间中,从中选取信号的奇异值作为特征向量。最终将得到的特征向量组合成一个特征向量输入支持向量机中进行刀具磨损识别。     

基于改进小波阈值的激光陀螺漂移信号降噪

针对固定阈值法对激光陀螺漂移信号去除噪声会出现"过扼杀"小波系数的现象,提出一种称为E-median的小波阈值.信号进行平稳小波变换,计算各尺度高频小波系数的E-median阈值,采用软阈值法修正高频小波系数,通过平稳小波逆变换重构信号.对激光陀螺漂移仿真信号和实测信号去除噪声,该阈值均能保留原信号的特征并有效去除噪声...     

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...     

小波包去噪与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)进行特征提取,通过经验模态分解(empirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode function,简称IMF)后,利用IMF与EMD分解前信号的相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

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。     

基于小波包频带能量分析的电机振动故障信号特征提取

本文在分析了小波包分解用于信号特征提取的基础上,研究了基于小波包分解的电机振动故障信号特征提取的频带能量分析法、分析了这种方法的特点,与Fourier分析进行了比较,结果表明该方法优于常规的Fourier分析以电机的不平衡和不对中故障验证了这种方法的可行性,并提出了继续完善这种方法的方案,展望了其应用前景.     

基于自相关分析和LMD的滚动轴承振动信号故障特征提取

滚动轴承的故障信号是非平稳的、多分量的调制信号,特别是故障早期,由于调制源弱,早期故障信号微弱且受周围设备的噪声干扰,导致故障特征难以识别。采用自相关分析和局域均值分解（LMD）方法提取故障特征。首先采用自相关分析提取信号中的周期成分,消除噪声的干扰,然后利用局域均值分解方法将多分量的调制信号分解为若干个PF分量之和,再结合共振解调技术对PF分量进行包络分析以提取故障特征频率。实验证明了方法的有效性。     

基于小波包变换的电磁超声接收信号特征提取

使用改进的功率谱函数对电磁超声缺陷信号进行了缺陷的定性分析,使用小波包能量谱对电磁超声缺陷接收信号进行了特征提取,从小波包的小波函数选取、分解层次及特征参数的噪声鲁棒性3个方面开展了讨论分析.结果表明:通过选择适当的小波函数和小波包分解层次,小波包能量谱的能量比可以精细地反映信号的特征;基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对EMAT不同损伤类型的判别.     

基于LMD-MS的滚动轴承微弱故障提取方法

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。     

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。     

基于改进HHT和小波包理论的液压泵故障特征提取

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解(EMD)和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分.通过两种方法的对比可以得出:两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少.     

基于小波包特征能量提取的变压器绕组变形故障诊断

变压器绕组发生不同类型和程度的故障时,在不同频带内的信号能量会发生改变,可以通过计算不同工况下绕组响应信号的各频带能量来诊断是否发生故障,故提出了一种基于频率响应法(Frequency Response Analysis,FRA)和小波包特征能量提取的变压器故障诊断方法,将待分析信号与小波基之间的最大互相关系数作为选择小波基的依据,对变压器绕组短路和径向移位进行研究,并进行了试验验证.试验结果表明,基于小波包的特征能量提取方法能有效地区分绕组故障类型和程度,提高了诊断的灵敏度.