基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息。选择故障所处频带重构信号,对故障进行诊断。结合倒频谱方法可以有效地识别故障特征频率。结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。     

基于小波变换的故障电弧断路器设计

故障电弧是引起电气火灾的主要原因之一,故障电弧断电保护作为一项较新的电路保护技术,能较好地防止因故障电弧而引发的火灾.通过分析故障电弧特征信号,提出了一种故障电弧检测方法,设计了故障电弧断路器的硬件和软件.利用电流互感器采集电流信号,经滤波处理后送入MCU,利用Daubechies 4阶小波变换对检测到的电流信号进行处理分析,判断有无故障电弧产生并做出相应处理.经试验分析,表明该设计是有效的,该故障电弧断路器同时具有漏电保护功能,具有识别率高、误动作率低等特点,可最大限度地保护供电系统、用电设备和人员的安全.     

基于SVD和双树复小波包的低速设备故障诊断

在对低速重载设备进行故障诊断时,一般要采集较长的信号,而利用奇异值分解降噪时能处理的信号长度是有限的,针对这一问题,该文提出了一种融合双树复小波包和奇异值分解的低速重载设备故障诊断方法。首先,利用双树复小波包分解振动信号,得到若干个不同频带的小波包系数,选择包括故障信息最丰富的频带进行奇异值分解,根据奇异值最大突变点来确定奇异值重构个数。其次,对其进行SVD重构,再进行双树复小波重构。最后,利用希尔伯特变换得到准确的故障频率。工程应用表明,该方法可以有效地提取故障特征频率,实现对低速重载设备进行故障诊断的功能。     

柔性薄壁轴承的周期性冲击背景特性及其分离

柔性薄壁轴承的内外圈是椭圆,这使得它和普通滚动轴承的振动特性完全不同。这种轴承旋转过程中椭圆长短轴会对轴承造成周期性冲击,这种正常的周期性冲击和轴承元件损伤引起的故障周期性冲击混合在一起,掩盖了故障周期性冲击。分析了这种正常周期性冲击的频率分布特点,根据奇异值和频率的内在关系,提出利用奇异值分解（Singular Value Decomposition,SVD）来消除这种正常周期性冲击,选择正常周期性冲击的频率成分对应的奇异值进行SVD重构,可以准确地分离出这种正常冲击,从而消除其对故障周期性冲击的干扰。进而采用连续Morlet小波变换对消除了正常周期性冲击的柔性薄壁轴承振动信号进行故障冲击特征提取,选择峭度最大的尺度为故障特征尺度,清晰地提取到了柔性薄壁轴承的故障冲击特征,故障特征提取效果优于没有消除正常冲击时的故障特征提取效果。     

磁罗经/GPS系统中调频高斯小波变换的应用

提出了一种基于调频高斯小波变换的GPS软故障诊断算法.该算法可以对GPS失锁、方差奇异等软故障进行在线检测.以HMR3000磁罗经和BeeLine GPS实际系统跑车试验数据显示,利用调频高斯小波变换方法后,系统航向可用性从原来的72%提高到了100%;系统的误差减小到原来的60%.因此,调频高斯小波变换方法有效地解决了磁罗经/GPS中在线软故障检测的难题.     

基于小波奇异熵与SOFM神经网络的电机轴承故障识别

提出一种用小波奇异熵(WSE)和自组织特征映射(SOFM)神经网络进行电机轴承故障识别的建模方法。首先通过对电机驱动端和风扇端采集的故障振动信号的小波奇异熵的计算和比较来识别故障轴承的端位;在此基础上以故障端信号的小波包分解底层各结点能量为特征向量输入建立自组织特征映射神经网络模型来识别故障轴承内部的具体点蚀破坏位置。小波奇异熵和SOFM神经网络的结合实现了故障轴承端位及其内部点蚀位置的联合识别。分别对含有内外圈和滚动体点蚀故障的轴承进行建模和识别试验,结果表明:该模型可以有效地识别电机故障轴承的端位及其内部点蚀破坏位置;与传统支持向量机和BP神经网络识别模型相比,该模型故障识别准确率更高,识别稳定性更好,更适宜于故障识别这样的多分类问题。     

基于小波时频框架分解方法的滚动轴承故障诊断

损伤点通过其它元件时引起的周期性冲击是判断滚动轴承局部损伤故障的关键特征信息.针对滚动轴承的振动特点,设计了小波时频框架,利用框架分解方法在匹配信号特征结构,直接提取特征信息方面的优势,分析了滚动轴承的振动信号.根据框架分解结果,在时频联合域内清晰直观地提取了滚动轴承局部损伤故障的周期性冲击特征,识别了滚动体、内圈和外圈的单点缺陷,与小波变换的对比验证了框架分解在检测滚动轴承局部损伤故障方面的有效性.     

小波奇异熵在燃气轮机传感器周期故障检测中的应用

燃气轮机电厂实际运行中,利用传感器得到的数据来进行燃机的状态评估。而传感器的状态直接影响到各个热参数的观测值。常见传感器故障中的周期故障由于故障幅值较小,易被噪声掩盖而无法检测到。应用小波奇异熵(Wavelet Singular Entropy,WSE)构建传感器周期故障检测的方案。介绍小波奇异熵的定义和计算方法,并通过仿真的方法,比较小波奇异熵相对小波变换在周期故障检测方面的优势,并证明小波奇异熵与故障幅值无关。以实验室的小型燃机的燃烧室出口温度传感器为实例进行验证,证明该方法对燃机传感器的周期故障检测有较好的工程应用价值。     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于多尺度高阶奇异谱熵的信号特征提取方法

提出了基于变分模态分解(VMD)的高阶奇异谱熵的特征提取方法,并应用在滚动轴承故障诊断中。首先,使用4阶累积量切片代替奇异谱熵分析(SSEA)的协方差矩阵,引入VMD分解实现方法多尺度化,提出信号多分辨高阶奇异谱熵分析(M-HSSEA)方法;通过信号分析,VMD解决了模态混叠的问题,且能够实现信号滤波,同时该方法提取的熵特征向量增强了相空间重构参数鲁棒性;通过和小波奇异谱提取特征的方法对比,结果表明所提出的方法在克服频率混叠现象,提取的特征点总体离散度小等方面更具优势;最后,结合深度信念网络分类器实现了对故障的分类,实验结果验证了所提方法的有效性和可行性。     

On-line fault detection and diagnosis obtained by implementingneural algorithms on a digital signal processor

A measurement instrument for on-line fault detection and diagnosis is proposed. It is based on the implementation of a neural network algorithm on a processor specialized in digital signal processing and provided with suitable data acquisition and generation units. Two specific implementations are detailed. The former uses the neural-network to simulate on-line the correct system behavior, thus allowing the fault detection to be achieved by comparing the neural network output with the measured one. The latter uses the neural network to classify on-line the system as correct or faulty, thus allowing the fault detection and diagnosis to be achieved simultaneously. These two implementations are applied to detect on-line and diagnose faults on a real system in order to point out different fields of application and to highlight the performance of the measurement apparatus     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

基于改进主元分析方法的空调系统传感器故障检测和诊断研究

传感器在空调系统中主要起着监测和控制的作用,影响空调系统的正常运行,从而带来能耗增加等不良影响。本文提出了结合小波变换的数据优化,以及基于神经网络的故障诊断优化的改进主元分析方法,用于空调系统传感器故障检测和诊断研究。通过对比数据优化前后主元分析的结果,发现同样0. 850 0累计贡献率原则上,采用小波变换去除噪声后,主元个数减少了两个,蒸发器进口温度传感器的固定偏差、漂移、精度下降等故障检测效果分别提升了0. 020 7、0. 020 8、0. 041 5,风量传感器固定偏差故障检测效果提升了0. 160 6。为了进一步找出故障源,在小波变换和主元分析的基础上,将求得的主元作为神经网络的输入,对5个传感器固定偏差故障进行测试,故障诊断结果分别为0. 766 7、0. 866 7、0. 900 0、1. 000 0、1. 000 0。