Morlet小波在数控机床预测中的应用研究

针对故障早期状态信号的微弱与包含脉冲突变成分对故障信号采集、去噪、预测等带来的极大挑战,分析了Morlet小波变换的滤波特性及其时频分辨率,提出了基于参数优化的Morlet小波变化的故障特征提取办法。利用最小Shannon熵方法和奇异值分解的周期检测方法分别对Morlet小波的形状参数β和尺度因子a进行优化。最终选择了最优Morlet小波作为滤波内核,对轴承早期状态进行震动检测与分析,从而完成对数控机床主轴轴承的早期状态监测与故障预测。仿真试验和实际应用的结果表明,实际f=232.7Hz,接近故障通过频235.6Hz,推测轴承外圈出现性能下降,完成故障预测。该研究有助于对机械突变故障信号的微弱信号检测和提取,对数控装备的故障诊断、预测及未来故障注入,BIT有重要研究意义。     

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。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分.以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数.对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径.     

基于Morlet小波-SVD和VPMCD的故障诊断方法研究

如何在含有噪声的振动信号中提取特征参数,是轴承故障诊断的关键问题,为此提出一种基于Morlet小波-奇异值分解(Singular Value Decomposition,SVD)和变量预测模型模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)的故障诊断方法。首先对时域采样信号进行Morlet小波变换预处理,将所得时频系数矩阵进行SVD分析,根据奇异值曲率谱特征滤除噪声,以提取相应尺度下的微弱故障信息;然后自适应选取最佳尺度附近的分量信号,并将Shannon能量熵作为特征参数,以此构建特征向量,用于建立基于VPMCD的故障识别模型。实验采用5折交叉验证法及Jackknife检验法对所提方法进行检验,结果证明了所提方法的有效性。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于复Morlet小波的列车走行部轴承故障监测系统北大核心CSCD

文中针对列车走行部中轴承的故障设计了一种故障监测系统,实时监测轴承的状态,提高轴承故障诊断的精度。该系统将数据采集与处理分离,对轴承的温度和振动数据进行采集,传给处理板进行诊断,使用谱峭度提取振动信号中的共振频率,以此确定复Morlet小波的中心频率和尺度,使用小波变换对信号进行处理。该算法能自适应提取信号的共振频率,有效过滤外界噪声的干扰,提高轴承故障诊断的精度。通过模拟轴承故障对该系统进行验证,该系统能有效检测走行部轴承的故障。     

时频等高图在旋转机械振动故障信号检测中的应用

提出用基于Morlet小波变换的时频等高图检测信号中奇异性的方法。旋转机械某些故障发生时将产生具有奇异性的非平稳信号，检没出振动信号中的奇异性对于设备状态监测和故障早期诊断很有意义。小波变换在时域和频域内同时具有局部化能力，是分析故障信号奇异性的有利工具，为旋转机械故障检测提供了新思路。文中通过对仿真的旋转机械转子各类振动突变信号进行分析，说明Morlet小波时频等高图能直观表示信号中的微弱奇异成分，可以有效提取信号中的微弱奇异特征。     

基于小波包分析的汽车发动机轴承故障诊断方法

本文旨在研究小波包分析在汽车发动机轴承故障诊断中的应用,根据小波包展开的结构材料早期损伤监测较为简单,可以灵敏的监测到早期故障损伤。对失效破坏的故障发射信号进行分析,在此基础上,采用小波包分解技术,实现对汽车发动机轴承故障振动特征参数的有效提取,并将其应用到汽车发动机轴承故障诊断方法中。通过实验验证,实现对汽车发动机轴承故障的高效诊断。     

BSS与Morlet小波变换在轴承声学故障诊断中的研究

声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,但其信噪比较低,因此提出了基于盲源分离技术和自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用小波包将单通道的声音信号分离成2个虚拟通道的声音信号,再用盲源分离技术将信号进行源信号的提取,然后利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。