基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。     

基于小波包移频算法的AR功率谱在滚动轴承故障特征信息提取中的应用

为克服经典的小波包迭代算法由于小波包分解过程中的隔点采样而发生的频率混叠现象，本文采用移频算法进行小波包分解与重构，以1#、2#、3#这3个608滚动轴承(其中1#轴承工作正常，而2#、3#轴承工作异常)进行分析。先通过小波包分解提取这3个轴承振动信号的频带能量特征以确定2#、3#轴承故障特征信息所在的频带。并按这些频带分别对2#、3#轴承的振动信号进行小波包重构。通过对重构信号的基于AR模型的功率谱分析以实现滚动轴承故障特征信息的自动提取．从而对2#、3#轴承的故障作出诊断。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

基于小波包变换的回转窑托轮轴承故障诊断

针对回转窑对象给出了水泥回转窑故障诊断框图。说明了水泥回转窑工艺流程和常见的水泥回转窑设备故障及原因。阐述了小波包分解方法和小波包分解的优缺点。阐述了基于小波包变换的水泥回转窑故障诊断算法,给出了基于小波包变换的轴承故障诊断流程图。对正常状态、外圈故障状态和内圈故障状态的轴承小波包变换进行分析。得到经小波包分解1~4层细节进行重构后的波形图,得到经4层小波包分解后各频带的能量分布以及重构信号的包络图。将正常状态下小波包分解后的能量频谱信号与故障状态下的进行比照,通过能量频谱信号的不同,确定正常状态和故障状态的特征信息。文中对采集到的振动信号进行小波包分解,对分解后不同频带上的信号进行功率谱计算,通过能量的改变表示某一种特征信号,再对提取到的特征信号进行Hilbert谱分析。最终,通过对特征信号的Hilbert谱分析来区分出不同的故障。     

小波包分析在轴承早期故障诊断中的应用

为了识别轴承早期损伤引起的故障信号,利用小波包对轴承的振动信号进行处理。小波包分析的实质是对小波分解的结果作进一步细分,因而具有比小波分解高得多的频域分辨能力。文中用小波包分析了两个存在早期轻微损伤的轴承的振动信号,并比较了自然序、Gray序以及移频算法的处理结果。这些分析结果表明,小波包分析能够有效地将隐藏在正常振动信号之中的早期弱故障信号提取出来,从而发现轴承的早期损伤。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

特征矢量优化的滚动轴承故障诊断

为提取小波包频带中的有效故障信息,基于Fisher线性测度提出一种新的特征矢量优化方法。轴承振动信号经小波包分解后,各子频带数据片段的能量值作为参数构建特征矢量。使用差异性和相似性优化相结合方法,分别选出不同轴承状态下Fisher距离较大的小波包频带,以及同种轴承状态下Fisher距离最小的频带,提取出易于区分不同轴承状态的故障信息。故障辨识使用连续型隐马尔可夫模型,在3种故障程度下实现了轴承正常状态、滚动体故障、内圈和外圈故障的有效判别,辨识精度大于94%。比较实验表明文中方法的辨识精度优于文献方法。     

基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法

针对往复泵动力端滚动轴承振动信号非平稳、非线性且含有大量噪声的特点,提出基于EEMD、距离因子、相关系数和小波包分解相结合的诊断方法。通过在轴承寿命试验台上测取轴承振动信号,利用EEMD对所测信号进行分解,根据距离因子和相关系数相结合的方法筛选并重构IMF分量,以突出故障特征信息且避免偶然误差影响,重构振动信号进行小波包分解后构造能量特征信号向量,然后计算特征向量的相关系数,通过比较所得相关系数的差值绝对值判断故障类型。此方法的故障识别率与直接对轴承振动信号进行相关系数分析相比,故障识别率有较大提高,而且无需像神经网络识别需要大量数据训练,是一种较好的轴承故障识别方法。