基于复Morlet小波和系数相关的齿轮故障特征提取

针对大型机械测取的振动信号信噪比低,故障特征不明显,故障定位难度大,提出了基于复Morlet小波和系数相关的齿轮故障特征提取方法。该方法利用了复Morlet小波的幅值、相位组合信息对信号突变点具有更好的敏感特性和小波系数相关降噪特性,对被测信号进行复Morlet小波变换,再分别将小波系数的实部和虚部进行自相关处理,并将相关后系数的幅值和相位进行组合。该方法在对齿轮传动弱故障信号特征提取的试验结果表明,该方法与直接的复Morlet小波变换相比,能够有效去除噪声,更好地突出故障特征,对故障特征点进行更精确地定位。     

基于连续小波变换的齿轮故障诊断方法研究

根据连续小波变换具有较二进离散小波变换和小波包变换更精细的尺度分辨率的特点，提出了基于Ｍｏｒｌｅｔ连续小波变换的时间平均小波谱的概念，同时建立了两种基于时间平均小波谱的故障诊断方法：谱形比较法和特征能量法。将这两种方法应用在变速箱齿轮故障诊断中，结果表明，时间平均小波谱可以有效提取齿轮故障特征信息；谱形比较法和特征能量法能够准确诊断齿轮故障程度，且特征能量与齿轮故障程度成二次曲线关系。为齿轮故障诊断提供了一种新途径，对于其他复杂机械设备的故障诊断同样具有参考价值。     

基于小波分析的齿轮箱振动信号消噪处理

基于小波变换具有良好时频分析的特点,介绍了小波变换用于去除噪声的原理和方法,建立齿轮箱齿轮人工点蚀故障模拟实验台,通过Matlab对故障振动信号进行小波分析,并且和没有经过信号消噪就进行小波分解进行对比,从而得出对含噪声的非平稳信号进行消噪,再进行小波分解可以较好的提取齿轮点蚀故障特征频率的结论。     

基于最大提升格形态小波变换的齿轮故障特征提取

针对齿轮故障特征提取问题,提出了一种基于最大提升格形态小波变换的信号分解方法。最大提升格形态小波是在数学形态学和提升方案的基础上提出的一种非线性小波变换方法,具有信号局部极值保持和计算快速的优点。提出将最大提升格形态小波用于齿轮发生故障时所产生的非平稳、非线性振动加速度信号的分析,提取故障的特征信息。通过对仿真信号和实际的齿轮断齿故障信号的分析结果,证明了所采用方法的有效性。同时,与采用传统的线性小波分解分析结果相比,最大提升格形态小波变换能够在较高分解层次下十分有效地保留信号的冲击特征,能够利用较少的系数实现对故障信号的特征提取,而且最大提升格形态小波变换算法只涉及加减和取极大、极小运算,运算简单,执行高效,非常适于齿轮故障的在线监测和诊断。     

双密度双树复小波变换及其在机械故障微弱特征提取中的应用

为改善经典小波变换在机械设备早期微弱故障特征提取中的不足,通过在滤波器组中引入适当的冗余度设计出双密度双树复小波基。双密度双树复小波变换具有两个尺度函数和四个小波函数,其中小波函数构成两组近似希尔伯特变换对,使双密度双树复小波基具有高度正则性、较小频带混叠和近似平移不变性等优良性质。频带分解上,双密度双树复小波变换的子频带中心频率处于经典小波变换相邻子频带的过渡区间上,能对经典小波变换难以处理的过渡带特征进行有效提取。将双密度双树复小波变换应用于重型卧式车床出厂检测,诊断出一处装配缺陷。同时结合平稳双密度双树复小波变换与相邻系数收缩策略提出改进消噪算法,将其应用于热轧机组减速箱齿轮故障特征提取中,检测出同一齿轮上的两处齿面损坏。     

小波分析在齿轮产品质量检测中的应用

提出了一种基于小波变换的齿轮产品质量检测方法，用Daubechies小波速波器实现了齿轮产品的高精度自动化检测。     

基于频率切片小波变换时频分析的齿轮故障诊断

为了在强噪声中有效提取齿轮的故障特征,提出了一种基于频率切片小波变换时频分析的齿轮故障诊断方法。先对信号进行频率切片小波变换,得到在全频带下的时频分布,然后在此基础上分割出含有故障特征的时频区域,再通过对该区域进行时频阈值滤波和逆变换重构分离出有效的故障特征。仿真实验和实测信号分析表明,这种方法可从噪声信号中分离出有效的特征分量,在齿轮故障诊断方面取得了较好的应用效果。     

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。     

提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。     

小波一神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型。     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

改进的小波神经网络在异步电机故障诊断中的应用

根据异步电机的复杂故障特点,结合小波变换技术,提出了一种改进的小波神经网络用于异步电机的故障诊断。利用小波变换技术提取异步电机特征信号作为小波神经网络的输入向量,并对小波神经网络算法进行优化,提出了动量系数和学习率自适应调整的小波神经网络算法,给出了动量系数和学习率的调整方法。通过实际测试数据的诊断结果说明该方法的有效性和可行性,具有诊断准确率高、收敛速度快、泛化能力强等优点。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

多尺度分析在微孔钻削状态监测中的应用

采用小波变换对微孔钻削振动加速信号的功率谱进行了多尺度分析,取得了满意的结果,为微孔钻削加工过程提供了有效监测方法。本方法对其他设备或过程的状态监测和故障诊断亦有应用价值。     

基于子小波布置和系数融合的轴承故障诊断

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于子小波布置策略和小波系数融合的故障诊断方法。首先,布置子小波并进行小波变换;然后,根据峰度指标对多尺度小波系数进行融合集成;最后,运用自相关谱抑制噪声,突出故障信息。通过仿真信号和实际信号对该方法进行了验证,结果表明,该方法能够提取出微弱的故障特征,实现滚动轴承的早期故障诊断。     

小波分析技术在汽轮机故障诊断中的应用研究

本文就小波分析技术在汽轮机故障诊断应用中的故障特征提取问题进行了深入研究，提出了基于小波能量分布的故障特征提取方法，并在转子试验台上进行了验证。实践检验证明，该实现方法能够满足汽轮机振动信号分析的需要，是一种灵活有效的特征提取方法。     

基于改进经验小波变换的行星齿轮箱故障诊断

行星齿轮箱振动信号具有复杂多分量和调幅-调频的特点。幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析,有效识别故障特征频率。经验小波变换通过对信号Fourier频谱的分割构造一组正交滤波器组,能提取具有紧支撑Fourier频谱的单分量成分,再对单分量成分运用Hilbert变换即可实现信号的解调分析。经验小波变换能够有效分离出调幅-调频成分,不存在模态混叠现象,具有完备的理论基础,自适应性好、算法简单、计算速度快。将改进的经验小波变换应用于行星齿轮箱振动信号的解调分析;提出了一种单分量个数的估算方法,解决了经验小波变换中的Fourier频谱划分问题;给出了对故障敏感的信号分量的选取方法,提高了分析的针对性。将改进方法应用于行星齿轮箱振动仿真信号和实验信号分析,验证了该方法的有效性。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

基于多尺度Hermitian小波包络谱的轴承故障诊断

提出了一种基于多尺度Hermitian小波包络谱的轴承故障诊断方法。该方法综合利用了Hermitian小波和包络谱分析技术的优点,首先对轴承故障振动信号进行Hermitian连续小波变换,得到小波分解的实部和虚部,然后计算振动信号的多尺度包络谱。对齿轮箱轴承故障振动信号的分析表明,该方法在强噪声环境下能有效识别轴承内圈故障和外圈故障。     

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。