基于小波降噪和改进HHT的滚动轴承故障诊断方法研究

提出了一种基于小波域阈值降噪和改进Hilbert-Huang变换的滚动轴承的振动信号分析方法。利用小波域阈值消噪的方法对振动信号进行降噪,采用基于包络极值延拓和相关系数法的HHT方法得到信号的Hilbert谱和Hilbert边际谱,根据谱图幅值特性判断轴承的状态。该方法能够有效地提取信号特征,具有良好的诊断效果。     

基于HHT和SVM的矿山轴承故障在线监测技术

矿山轴承故障是矿业安全生产的隐患之一,轴承故障信号在线监测能够及时诊断轴承故障,排除安全隐患。采集轴承运行时的振动信号,通过希尔伯特黄变换方法分析振动信号。将振动信号首先进行EMD分解得到轴承故障信号的多层IMF分量,然后进行Hilbert变换得到信号的瞬时频率和边际谱频带能量。将各层IMF分量的平均频率MIF与各层IMF分量的能量比作为特征量,送入SVM中进行训练,可以实现矿山轴承的故障在线监测。     

基于HHT变换和SVM的齿轮箱故障诊断

提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

基于EMD的鼠笼式异步电动机偏心故障诊断研究

在经验模态分解鼠笼式异步电动机横向、纵向振动信号的基础上,得出合理的内禀模态分量,分离信号的频率族,取得物理意义的频率分辨效果。再对各分量进行Hilbert变换,并分析信号的Hilbert边际谱,找出偏心故障电动机的特征频率成分。研究表明,用HHT方法能够很好提取偏心电动机故障的特殊故障频率。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于HHT时域边际谱的滚动轴承故障诊断

HHT(Hilbert-Huang变换)是一种适合处理非平稳和非线性过程的信号处理方法。提出了一种基于HHT的时域边际谱方法。该方法与传统Hilbert边际谱不同,代表单位时间内幅度的累加,体现信号时域特性。在滚动轴承的实验中,能够成功辨识滚动轴承内圈和外圈的故障特征,验证了该方法处理滚动轴承故障的可行性。     

BSS和SVM在齿轮箱智能故障诊断中的应用

齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。阐述了盲源分离(BSS)的基本模型及其算法,模拟了变速箱的4种常见故障,对实验室中获得的振动信号进行BSS预处理,提取小波包能量向量之后应用支持向量机算法进行智能故障分类,故障识别率达到85%以上。     

BSS和SVM在齿轮箱智能故障诊断中的应用

齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。阐述了盲源分离(BSS)的基本模型及其算法,模拟了变速箱的4种常见故障,对实验室中获得的振动信号进行BSS预处理,提取小波包能量向量之后应用支持向量机算法进行智能故障分类,故障识别率达到85%以上。     

小波包-包络分析在滚动轴承故障诊断中的应用

滚动轴承故障诊断是机械故障检测中一个重要方面。使用小波包分析和包络分析相结合的方法提取轴承微弱振动信号 ,克服了传统包络分析方法易丢失信号有效成分的缺点。包络信号的细化谱较好体现了轴承故障信息     

滚动轴承组合故障的诊断方法

机械设备的组合故障由于其故障的多样性、强弱的不平衡、故障间的相互影响等特性,给全面准确的诊断造成困难。根据机械设备中故障诊断机理,将Hilbert-Huang及EMD方法应用于具有组合缺陷的滚动轴承故障诊断实验中。验证了信号边际谱与故障特征之间的联系,辨析出滚动轴承外圈缺陷和滚动体缺陷的特征量,证明了其分析轴承组合故障的可行性。     

基于小波频谱分析的滚动轴承故障诊断研究

提出了一种基于小波频谱分析的滚动轴承故障诊断方法。利用小波默认阈值方法进行数据消噪处理,并对消噪后振动数据进行了5层小波分解。根据轴承故障特征频率,对故障特征频率所在层进行小波重构,计算功率谱密度。对滚动轴承故障的振动信号的仿真结果表明,该方法能有效识别滚动轴承的内圈、外圈和滚动体故障。     

煤矿通风机轴承振动故障诊断技术的研究及应用

介绍了基于共振解调技术的滚动轴承故障诊断原理及方法,并研究了煤矿通风机典型故障的轴承特性振动频率。通过采集振动信号和频谱分析,有效、可靠地诊断出某矿通风机轴承的故障、类型和部位,及早发现了故障,避免了事故进一步恶化的危险。案例分析证明了共振解调技术在滚动轴承故障诊断中的可行性。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于Hilbert-Huang变换的齿轮箱故障诊断

针对齿轮箱故障振动信号的非平稳特征,提出一种基于Hilbert-Huang变换的齿轮箱故障诊断方法。使用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,再对IMF分量进行FFT变换,实现在频域的分析,得到故障特征信号。依据IMF分量的频谱图和时域信号的边际谱图,判别齿轮箱的故障类型。实验证明是一种有效地处理齿轮箱故障诊断方法。     

基于EMD的电机轴承故障识别研究

将经验模态分解(EMD)和支持向量机(SVM)方法相结合应用于电机滚动轴承故障诊断中,该方法利用EMD将电机滚动轴承振动信号分解为有限个内禀模态函数(IMF)之和,对表征高频信息的IMF分量取其能量作为故障特征向量,以此作为多项式核函数(2阶)SVM分类器的输入参数来区分电机滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对电机滚动轴承的工作状态和故障类型进行分类,实现电机滚动轴承故障自动识别。     

基于频谱分离与小波包分析相结合的滚动轴承故障诊断

针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后信号的功率谱,从而从功率谱中识别出滚动轴承的故障特征频率,达到滚动轴承故障诊断的目的,并结合实验数据对该方法进行验证,结果证明了该方法的有效性。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于EMD和相关的滚动轴承故障包络谱分析

提出了一种基于EMD和相关的滚动轴承故障包络谱分析方法。根据相关函数的性质,对测得的振动信号进行相关分析,以实现一次降噪。把信号的自相关函数通过EMD分解成不同特征时间尺度的固有模态函数(IMF),再对包含主要信息成分的IMF分量进行Hilbert变换求其包络,通过对包络信号进行频谱分析,提取滚动轴承故障特征频率。某型坦克变速箱上的7216滚动轴承滚动体点蚀故障的试验结果表明,该方法能有效地识别滚动轴承的故障。     

基于改进阈值小波结合稀疏自动编码器的煤矿提升机轴承智能故障诊断方法

提升机是煤矿生产的关键设备,轴承作为提升机的核心旋转部件,其良好的健康状况是设备安全运行的必要保障。针对滚动轴承振动信号数据不稳定、耦合度高而导致特征提取和故障类型识别困难等问题,提出一种基于改进阈值小波结合稀疏自动编码器的煤矿提升机轴承智能故障诊断方法。实验结果表明,该方法可以有效提高小样本条件下轴承故障诊断的效率。