小波分析算法研究及在齿轮与滚动轴承故障诊断中应用

分析了齿轮与滚动轴承故障振动信号的特征,利用小波变换的分解和重构算法,有效地提取出齿轮与滚动轴承故障特征信号,得到实验结果.通过比较频谱分析和小波分析的特点,有效地证明了小波分析在微弱故障信号提取中的优势.     

奇异值分解结合频率切片小波变换的轴承故障提取方法

针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点,提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理;继而利用频率切片小波对降噪信号进行分析,得到全频带时频图后,对能量集中的时频区域进行细化分析;通过频率切片小波逆变换得到相应的重构信号;最终可以从重构信号的波形图中提取出轴承故障特征频率信息。仿真信号和实测信号分析表明,该方法能够实现滚动轴承运行状态的准确判别,对实际工程应用具有重要意义。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

滚动轴承故障诊断的仿真研究

研究滚动轴承故障诊断问题,故障振动信号具有非平稳性、突变性。由于运行中噪声影响识别故障信号,传统傅立叶变换或单一小波分析难以对特征信号进行准确提取,导致滚动轴承故障诊断正确率较低。为了提高了滚动轴承故障诊断正确率,提出一种小波分析和Hilbert变换的滚动轴承故障诊断方法。首先采用小波分析对采集滚动轴承信号进行分解,消除噪声信息,然后采用Hilbert变换对信号进行进一步精细分解。利用MATLAB软件对滚动轴承故障进行仿真,仿真结果表明,改进算法提高了滚动轴承故障诊断正确率,很适合处理滚动轴承的故障信号。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于小波变换及HHT的轴承故障诊断应用研究

为研究滚动轴承故障问题,将小波变换及HHT(Hilbert-Huang变换)相结合的分析方法,应用于强噪声背景下轴承信号故障的提取.首先将轴承故障信号利用小波变换进行降噪处理,然后应用HHT得到希尔伯特边际谱,从中提取故障特征信息.为准确诊断故障,将方法应用于分析采集的分别具有外圈和内圈损伤的滚动轴承振动信号,并与直接运用HHT分析作比较.结果表明,方法降低了噪声对HHT对振动故障信号分析的干扰,能够更有效的提取轴承故障特征信息,提高轴承故障诊断率.     

一种推挽式电路故障诊断方法的仿真研究

提出了基于小波变换和神经网络的推挽式电路故障诊断方法。先仿真得到各种故障状态下的输出电压信号,然后对输出电压信号进行Daubechies小波变换获取多尺度低频系数和高频系数,并对小波系数进行处理提取故障特征量,最后利用故障特征矢量训练神经网络确定了推挽式电路故障诊断的神经网络模型。仿真结果表明基于小波变换和神经网络的推挽式电路故障诊断方法取得了较好的效果。     

基于马田系统的设备健康监测技术研究

提出了一种基于马田系统的设备健康检测与故障分类方法,利用设备运行的振动信号作为信号源进行了验证;首先介绍了马田系统的实施步骤,提出了基于马田系统的设备故障诊断与分类方案;其次,分别利用信号小波变换模极大值估计得到的Lipschitz指数和Hilbert-Huang变换进行特征提取;最后利用凯斯西储大学电气工程实验室的轴承振动数据对方法进行了验证,采用滚动轴承的5种状态振动信号:正常,滚动体故障(轻微、严重),内圈故障(轻微、严重),基于信号奇异性特征的故障检测率为100%,故障分类率为81.8%,基于信号能量特征的故障检测率和故障分类率均为100%;结果表明了方法的正确性,利用Hilbert-Huang变换提取特征进行诊断和分类的正确率更高。     

基于VMD-WPT和能量算子解调的滚动轴承故障诊断研究

针对滚动轴承早期故障振动信号具有能量小、易受背景噪声干扰,导致故障特征提取困难等问题,提出基于变分模态分解(VMD)和小波包变换(WPT)相结合的方法来提取故障特征。首先将振动信号进行VMD分解,得到若干本征模态分量(IMF);其次,通过峭度准则选取峭度值较大的分量进行重构;最后将重构分量采用WPT方法进行分解,并计算小波包的能量、选取能量集中的频段进行能量算子解调,从而提取故障特征信息。将该方法应用到滚动轴承实测数据中,并与目前最常用的方法 EEMD-WPT对特征信号的提取效果作对比。实验结果表明该方法可以更精确地提取出的故障特征频率,验证了其有效性。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

随机森林在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的“集成”思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、kNN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

基于小波包和AGA-LSSVM模型的滚动轴承故障诊断

为了解决滚动轴承故障特征提取和故障类型识别问题,提高诊断准确率,提出了一种基于小波包与自适应遗传算法优化最小二乘支持向量机(AGA-LSSVM)相结合的故障诊断模型.首先由小波包分解与重构获取振动信号中能反映不同故障状态的能量特征向量,其次,由经过自适应遗传算法优化的LSSVM模型对滚动轴承常见故障进行诊断.Matlab运行结果表明,相较于传统LSSVM方法,所采用的方法可靠度较高,可以较好地实现对轴承故障的诊断.     

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）和Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于Boosting RBF神经网络的滚动轴承故障诊断

提出了一种新颖的基于RBF神经网络滚动轴承故障诊断方法。以滚动轴承动态信号的能量信息作为特征,RBF神经网络作为分类器进行滚动轴承故障自动分类与诊断。为了进一步提高神经网络的泛化能力和故障诊断的准确性,采用Boosting方法,进行网络集成。对七类滚动轴承进行了实验,结果表明该方法具有很好的故障诊断效果。     

基于EMD小波包和ANFIS的滚动轴承故障诊断

为了有效识别出滚动轴承的内圈故障、外圈故障、滚动体故障三种故障类型,提出一种基于经验模态分解EMD的小波包去噪和自适应神经模糊推理系统ANFIS的诊断方法。对故障信号进行去噪预处理,对已处理的信号利用ANFIS进行故障识别。结果表明,采用基于EMD的小波包去噪方法能有效地提高信噪比,在去噪的基础上,采用ANFIS进行故障诊断,诊断结果的误差低,能很好地识别出上述三种故障类型。     

改进集成深层自编码器在轴承故障诊断中的应用

针对滚动轴承振动信号故障特征难以自动提取和故障类别难以自动准确识别的问题,提出一种改进集成深层自编码器(IEDAE)方法.首先,改进自编码器的损失函数并设计3种小波卷积自编码器;其次,利用区分自编码器、小波卷积自编码器等5种自编码器构造相应的深层自编码器,并设计“跨层”连接以缓解深层网络的梯度消失现象,实现对轴承振动信号的无监督预训练和有监督微调;最后,通过加权平均法输出识别结果,以保证诊断结果的准确性和稳定性.实验结果表明,改进集成深层自编码器方法能有效地对滚动轴承进行多种工况和多种故障程度的识别,较好地摆脱了对人工特征提取的依赖,特征提取能力和识别能力优于现有其他方法.     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

协同训练算法在滚动轴承故障诊断中的应用

针对单个分类器方法在滚动轴承故障诊断中精度较低、故障样本标记稀缺、特征空间维度高等问题，提出一种将协同训练与集成学习相结合的Co-Forest轴承故障诊断算法。Co-Forest是半监督学习中的协同训练算法，包含多个基分类器，通过投票实现协同训练中的置信度估算。从滚动轴承的振动信号中提取时域、频域特征指标。利用少量带标签和大量未标记样本重复地训练基分类器。集成基分类器，实现对滚动轴承故障的诊断。实验结果表明，与同类型的协同训练算法（Co-Training、Tri-Training）相比，Co-Forest算法在轴承故障诊断中具有更高的正确率，与当前针对特征向量高维、标记样本稀缺问题的ISS-LPP算法，SS-LLTSA算法相比，Co-Forest算法在保持很高诊断正确率的情况下，不需要降维、参数设置简单，具有一定的实际应用价值。