共查询到20条相似文献,搜索用时 0 毫秒
1.
基于小波系数包络谱的滚动轴承故障诊断 总被引:25,自引:0,他引:25
提出了基于正交小波变换诊断滚动轴承故障的新方法,利用正交小波基将滚动轴承故障振动信号变换到时间-尺度域,对高频段尺度域的小波系数进行包络细化谱分析,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 相似文献
2.
3.
基于Hilbert边际谱的滚动轴承故障诊断方法 总被引:15,自引:15,他引:15
Hilbert-Huang变换是一种新的自适应信号处理方法,它适合于处理非线性和非平稳过程。通过对信号进行Hilbert-Huang变换,可以得到信号的。Hilbert边际谱,它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数,并以此作为滚动轴承的故障特征向量,建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本方法可以有效地提取滚动轴承故障特征。 相似文献
4.
5.
小波变换域双谱分析及其在滚动轴承故障诊断中的应用 总被引:15,自引:3,他引:15
工程信号不仅会受到高斯噪声干扰,而且也会受到非高斯噪声干扰。而传统双谱分析方法从理论上仅能抑制高斯噪声,但对非高斯噪声是无能为力的。针对传统双谱存在的不足,将小波变换和双谱分析结合,提出了一种基于小波变换域非参数化双谱故障诊断方法,并应用到滚动轴承故障诊断中。考虑到滚动轴承信号幅值调制特点,在本方法中,对处理信号采用了希尔伯特变换技术,以进行解调。实验结果表明,小波域双谱优于传统双谱,特别是在非高斯噪声情况下,小波域双谱更有优势;研究为滚动轴承故障诊断提供了一种新的有效方法。 相似文献
6.
论述了小波包分解及其能量谱处理超越离合器故障的原理与方法,应用小波包分解及其能量谱直观地识别出故障的特征频带,并进行了量化分析,结果表明,小波包及小波包分解能量谱比传统的傅里叶分析方法具有更大的优越性及实用价值。 相似文献
7.
基于时—能密度分析的滚动轴承故障诊断 总被引:3,自引:1,他引:2
根据滚动轴承局部故障振动信号的特征,提出了基于小波变换的时-能密度分析的新方法。轴承旋转元件通过故障部位产生的脉冲力的频率决定了模态频率带信号能量随时间的分布情况。利用小波基将滚动轴承故障振动信号变换到时间-尺度域,对模态频率区间的时-能密度作谱分析,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部位。 相似文献
8.
9.
为了更有效地对轴承故障进行监测和诊断,提出了一种基于同步压缩-交叉小波变换的滚动轴承故障特征增强方法。该方法首先将信号分成长度相等的两路信号,然后分别进行同步压缩小波变换,并将得到的同步压缩小波系数作为交叉小波变换的输入,进而获得交叉小波尺度谱,实现轴承故障特征频率的增强。将该方法应用于滚动轴承的故障诊断,与连续小波变换、交叉小波变换和同步压缩小波变换方法相比,所提方法可有效提取轴承在时频域内的细节特征,使轴承特征频率在时频域上的可读性增强,进而实现轴承故障的精确可靠诊断。 相似文献
10.
在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。 相似文献
11.
基于小波变换的多尺度主元分析在传感器故障诊断中的应用 总被引:3,自引:0,他引:3
讨论了多尺度主元分析方法在传感器故障诊断中的应用问题.为了解决传统的多尺度主元分析方法不能实现对传感器故障的全面检测问题,本文结合小波变换在相关传感器信号的各个尺度上建立主元分析模型,使这种方法能够同时检测到低频故障和高频故障.实际应用中设计了固定窗长的移动窗口,根据最后一个尺度系数计算残差空间的平方预报误差统计量进行故障检测;在检测到传感器故障后,再采用传感器有效度指标这种具有定量辨识标准的参数对故障传感器进行辨识.最后,通过液体火箭发动机试车台液氢供应系统的传感器故障诊断验证了这种方法的实用性和有效性. 相似文献
12.
基于小波系数11/2维谱的滚动轴承故障诊断 总被引:2,自引:2,他引:2
提出了基于小波系数11/2维谱的滚动轴承故障诊断的新方法。小波分析能有效地提取滚动轴承故障引起的突变振动信号,11/2维谱保留了滚动轴承故障振动信号的相位信息且能够有效地抑制噪声。利用正交小波基将滚动轴承故障振动信号变换到时间-尺度域,对高频段尺度域的小波系数进行11/2维谱分析,不仅能检测到滚动轴承的存在,而且能有效地识别滚动轴承的故障模式。 相似文献
13.
14.
15.
16.
17.
基于EMD与神经网络的滚动轴承故障诊断方法 总被引:27,自引:17,他引:27
针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic Mode function,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析,由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。 相似文献
18.
19.
20.
基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用 总被引:6,自引:5,他引:6
针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。 相似文献