早期故障信号基于调制随机共振的核主元检测

针对淹没在强噪声中具有高频多周期成分的早期故障信号,提出了并联调制随机共振与核主元分析系统.将信号的特征频率通过调制共振系统进行增强,并将功率谱组成多元统计向量,通过非线性映射,在高维空间进行特征提取,利用T2统计量和F分布的控制限进行检测.利用仿真的轴承转子振动信号与滚动轴承冲击信号进行了验证,实验表明系统能够及时地对早期故障进行预警.     

基于小波变换的内燃机瞬时转速信号的分析

使用非线性离散序列的小波变换(DTWT)对同时存在高频噪声和高斯白噪声的内燃机瞬时转速信号进行去噪．通过对此信号进行频谱分布的分析，用Donoho的阈值去噪法去除高斯白噪声之后，根据小波变换的多分辨率思想，提出了仅使用小波变换的尺度系数进行小波反变换来去除高频噪声，然后运用小波反变换来恢复内燃机瞬时转速信号的方法．实验结果表明，此方法能够较精确的去除噪声，恢复内燃机瞬时转速信号．     

基于改进小波变换和包络分析的滚动轴承故障诊断

采用改进的小波分解和重构算法与包络分析相结合的方法,提取滚动轴承振动信号的故障特征频率。改进的小波分解和重构方法避免了Mallat算法频率混淆的缺陷,通过对重构信号特定频带进行包络分析,更加准确地提取了滚动轴承的故障特征频率。通过对无故障滚动轴承和内圈、外圈有故障的滚动轴承振动信号的分析,说明这种方法能够有效诊断滚动轴承的故障,并将该方法成功应用于某型航空发动机主轴承故障诊断。     

基于小波消噪技术的轧机轴承早期故障诊断

由于背景噪声的影响,滚动轴承的冲击故障只有发展到一定程度后,才会在频域中体现明显的倍频特征．因此,直接采用频谱分析无法实现早期故障的特征提取．利用小波变换的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解信号的单支重构可以将噪声与可用信号进行成功分离;采用预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的．针对现场采集的轧机轴承振动信号,采用多种方式消嗓后的信号处理结果表明,含有故障特征的低频信息被成功提取,从消噪信号的频谱图中可以及早辨识故障轴承的特征频率,实现早期故障的精确定位．     

基于小波包自相关的能量算子旋转机械故障诊断

针对在强噪声背景下轴承振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于小波包熵与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,其次用自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,最后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,实现对故障类别的推断。     

基于小波包分析的数控机床主轴滚动轴承故障诊断

滚动轴承损伤类故障的分析诊断基础是提取故障信息。利用小波包分析对机床主轴滚动轴承振动信号进行分解,求出各频段的能量,提取了轴承故障的特征频率并对故障进行定位,表明了小波包分析方法在滚动轴承故障诊断的有效性和优良性。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于超声信号的轴承润滑状态监测研究

介绍了一种基于超声信号的轴承润滑状态监测与故障识别的方法。通过对不同润滑状态下轴承发出的超声信号特征的提取和分析,研究基于超声信号轴承润滑状态监测与故障诊断的可行性。试验结果显示超声信号幅值直方图可以反映轴承的润滑状态;超声信号幅值与轴承故障程度呈线性关系;不同故障状态下超声信号的特征分析显示有效值和排序熵可以作为特征用于轴承故障的自动识别。     

小波包算法在异步电机故障检测中的应用

对电机故障信号利用小波包算法进行分解，应用小波包频率分辨率高的特性，提取出包含电机故障特征频率分量的局部频段进行分析，通过对小波包分解系数与正常无故障时的分解系数相比较，判断有无故障的发生，并在Maflab环境下进行了仿真实验．     

基于虚拟仪器的滚动轴承振动故障诊断系统

介绍了小波变换在滚动轴承故障特征提取中的应用．结合小波变换研制了一套滚动轴承故障诊断虚拟仪器系统．通过对滚动轴承振动信号的小波变换分析,可提取滚动轴承运行状态的特征向量,分析滚动轴承的振动信号,诊断轴承的故障．     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及其于多分辨分析的信号小波的分解算法，研究了信号局部奇异性的小波变换下的特性；根据故障信号的局部奇异性在小波变换下模的极大植及其在不同尺度上的传播特性，对308型滚动轴承振动加速度故障信号进行分解，对故障特征信号进行时域定位，并提取了故障特征频率f=46.88Hz，这与实际的故障特征频率相近，说明该方法适用于滚动轴承的在线监测和故障诊断。     

小波分析与Hilbert分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析技术,对检测的信号进行分解,并对含有故障特征的信号进行重构,实现故障信号的提取.应用Hilbert变换进行解调和细化频谱分析,得出故障信号所对应的频谱,从而判断轴承故障模式.通过Matlab仿真证明了小波分析结合Hilbert分析法在滚动轴承故障诊断中提取特征频率的应用价值.     

小波包消噪提高小波网络故障识别性能

针对强噪声背景的高频振动信号,给出一种利用小波包消噪和频带分割技术,根据信号能量在小波包空间的分布特性,提取故障信号特征信息的方法．在小波包空间自适应软阈值去噪,消除白噪声;运用频带分割消除有色噪声,计算各子空间的能量,抽取低维特征矢量,作为小波网络的输入．该方法既提高了小波包神经网络的故障识别性能,又简化了决策网络结构,提高了收敛速度．     

小波变换及其在滚动轴承故障诊断中的应用

小波变换不仅具有良好的时频局部化特性,而且它的时域分辨率和频域分辨率随着分解尺度变化而变化．广义的小波分析包括多分辨率分析和小波包分析,本文采用小波分解和信号重构的方法,提起了噪声掩盖下滚动轴承振动信号中的故障信息,并计算出406滚动轴承外圈故障下的故障特征频率,通过对比由公式求取的故障特征频率,从而对滚动轴承的故障进行诊断．     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

基于小波变换的内燃机瞬时转速信号的分析

使用非线性离散序列的小波变换 (DTWT)对同时存在高频噪声和高斯白噪声的内燃机瞬时转速信号进行去噪 .通过对此信号进行频谱分布的分析 ,用Donoho的阈值去噪法去除高斯白噪声之后 ,根据小波变换的多分辨率思想 ,提出了仅使用小波变换的尺度系数进行小波反变换来去除高频噪声 ,然后运用小波反变换来恢复内燃机瞬时转速信号的方法 .实验结果表明 ,此方法能够较精确的去除噪声 ,恢复内燃机瞬时转速信号 .     

基于局域波及相关性分析的滚动轴承故障诊断

振动信号是轴承工作信息的载体,为了对齿轮减速器内轴承的运行状态进行故障监测和诊断,对振动加速度信号进行了局域波分解,提取了近似熵及相关性参数,利用近似熵及局域波分解所得到的趋势项快速区分正常与故障状态,根据相关性参数的变化特点寻求滚动轴承的故障信号主导模态分量,准确提取故障部位的特征频率.将该方法应用于齿轮减速器JZQ250的故障诊断中,经过对大量实测数据的处理和分析,能够准确诊断出减速器的正常运行状态、内圈故障、外圈故障和保持架故障的运行状态,具有一定的工程实用价值.     

基于切片双谱分析的滚动轴承故障识别研究

针对滚动轴承故障识别问题，提出基于共振解调理论和高阶谱分析相结合的新方法.讨论了双谱理论和双谱对角切片的特性，分析了故障滚动轴承振动信号的特点.利用希尔伯特（Hilbert）变换构造原始振动信号的解析信号，求取信号的包络，计算包络信号的对角切片双谱，提取由于滚动轴承二次相位耦合产生的非线性特征，得到滚动轴承的故障特征频率，识别滚动轴承的故障模式.试验和理论分析表明，利用该方法可以有效地将正常轴承和内滚道伤轴承、外滚道伤轴承的振动信号进行分离.该方法保留了信号的相位信息, 并且能够有效地抑制噪声，在降维的同时简化了算法.     

基于补充总体局部均值分解的轴承故障诊断方法

为了弥补局部均值分解(LMD)在处理非平稳、非高斯信号的不足,提出一种基于补充总体局部均值分解(CELMD)和频谱分析相结合的轴承故障诊断方法.该方法向原信号成对地添加符号相反的白噪声,首先对含噪信号进行LMD分解,得到一系列的乘积函数(PF),再选取包含最丰富故障信息的PF分量,最后对该PF分量进行FFT变换,提取故障特征频率,实现对轴承状态和故障类型地识别.通过对仿真信号和轴承振动信号地分析,表明该方法不仅能消除残留白噪声和抑制模态混叠还可以提高故障诊断的准确性和有效性.     

基于改进EMD和滑动峰态算法的滚棒轴承声发射信号故障特征提取

采用小波包对滚棒轴承声发射信号降噪,对降噪后的信号进行经验模式分解,选取特定本征模分量,采用滑动峰态算法提取其中的冲击分量,即提取滚棒轴承声发射信号的故障特征分量。改进的EMD方法剔除了某些虚假本征模分量,更准确地表征原始信号。通过仿真信号验证,成功提取了混合信号中的冲击分量,证明了该方法对冲击信号提取的有效性。对外圈故障的滚棒轴承声发射信号进行分析,滚棒轴承的故障特征频率及其倍频明显,对轴承故障的诊断具有重要的意义并可推广到航空发动机主轴轴承的故障诊断。