改进的EWT方法在轴承故障诊断中的应用

为了实现经验小波变换中Fourier谱的自适应分割,提出了一种基于能量的尺度空间经验小波变换(Energy Scale Space Empirical Wavelet Transform,ESEWT)方法,并将此方法应用于轴承故障诊断。首先使用尺度空间的方法对傅里叶谱进行自适应划分,得到各频带分界点;接着根据各频带能量筛选频带分界点,使其保留能量大于均值的频带,合并小于均值的相邻频带;然后在得到有效的频带分界点后,设计小波滤波器组,得到分量信号;最后对各分量信号进行Hilbert变换,提取轴承的故障特征频率。通过实验验证,ESEWT方法能够减少频带分界点,在一定程度上改善了频带破裂现象,并且能够精确提取出轴承故障特征频率,凸显了故障频率及其谐波成分,能有效的识别轴承故障。     

基于最优小波基的轴承故障状态特征提取方法研究

针对轴承故障诊断中最优小波基的选取问题,通过计算SUMVAR值选取最优小波基。用不同小波基对轴承故障仿真信号和故障实验信号进行降噪处理,分析降噪后信号与原信号的能量比值,降噪后信号与原信号标准差,峭度等指标,验证所选小波基的优越性。并对使用最优小波基降噪后信号做希尔伯特包络解调分析,结果表明,该方法能准确提取轴承故障特征频率。     

结合频谱聚类与经验小波的轴承故障诊断方法

实测轴承振动信号就有非平稳、非线性特征,因此,对该类信号的分析需要进行解调得到特征频率,在众多解调法中包络分析是最为常用的方法;为了使解调结果更加清晰,常在解调前进行滤波,达到滤除干扰成分可有效提升解调的效果.经验小波变换提供了基于频带划分的小波滤波框架,划分后频带可滤除部分干扰信号,突出故障信号.对此,受"箱型图"和层次聚类法的启发,对"突出值"聚类法进行频带划分,通过平方包络互相关系数选取合理的频带划分个数.最后选取平方包络峭度值最大的滤波子信号进行Teager能量算子解调,获取特征频率.文章针对不同工况下的不同故障类型轴承运行数据进行分析,验证算法的有效性.特别地,在复合故障分析中,利用动态阈值法到达分别突出不同轴承故障频率的效果.     

基于小波分析和Hilbert变换的滚动轴承故障诊断

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析对包含故障信息的信号进行分解、重构.应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断轴承故障模式.小波分析和希尔伯特(Hilbert)变换结合对滚动轴承局部损伤故障的检测是有效的.     

动车组转向架轴箱轴承故障及诊断研究

转向架轴箱轴承是高速列车动车组重要的旋转运动部件，它在复杂多变的工况下极易出现由疲劳、过载等原因导致的失效，因此，轴箱轴承的运转可靠性直接决定着列车的行车安全。为了满足动车组运营维护中动态化、系统化的安全保障需求，要对轴箱轴承故障诊断技术进行研究。通过分析轴箱轴承的结构原理和典型故障形式，挖掘故障与外界因素的关系。结合振动信号监测技术得出振动数据，采取时域分析与小波分析结合的故障特征频率提取方法，能对轴承外圈点蚀故障进行诊断。结果表明，时域分析法可快速准确获取故障特征信号，但不能定位故障产生的部位；而小波分析法可从包络谱图中直接看出故障特征频率，准确地提取轴承故障特征信息。综合使用时域分析与小波分析，可明显提高轴承故障诊断率，促进轴箱轴承故障诊断方法在动车组上的应用。     

基于小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及从小波包分解后的频带不能有效确定并自适应提取共振带的问题,提出了频带幅值熵的概念。在此基础上,将小波包变换和Teager能量谱结合,提出了基于小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用小波包对采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳熵阈值以及小波包最佳分解层数,从而自适应并且有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于小波—Hilbert解调的齿轮故障诊断方法

提出了一种小波分析与Hilbert解调谱相结合的分析方法,并应用于齿轮故障特征的提取。依据齿轮箱故障机理和频谱特征,采用小波变换将信号分解后在不同频带进行分析,实现齿轮故障中的非线性耦合特征频率的提取,然后对特征频率进行Hilbert解调以得到准确的故障信息。将其应用于汽车领域,结果表明提出的方法可以有效提高频率分辨率,实现故障特征的准确提取,对于汽车变速箱的齿轮故障诊断具有一定的价值。     

电机与负载轴承耦合故障的谱峭度诊断方法

当机电传动系统中电机轴承与负载轴承同时发生故障时,呈现出振动信号复杂、轴承故障信号信噪比差、故障特征不明显的特点。针对上述问题,提出了基于小波和谱峭度相结合的轴承耦合故障诊断方法。首先,通过小波分解可以将耦合故障的多频带故障特征分解到各个子频带中,减少不同故障之间的相互影响;其次,根据谱峭度最大原则自动选择最佳带通滤波进行滤波,对滤波后的信号进行包络分析,从包络谱中对故障特征频率进行快速有效的识别,进而确定故障类型和故障位置;最后,利用支持向量机实现电机轴承耦合故障的模式分类。实验结果表明,利用该方法能够有效地滤除噪声干扰,提取强谐波信号下的弱故障特征,效果优于传统谱峭度分析方法。     

小波变换在滚动轴承故障分析中的应用

采用离散小波变换对滚动轴承进行故障诊断,通过对测试到的故障轴承的振动速度信号进行分析,分别绘出故障信号的频谱图,对结果进行分析比较表明,离散小波分析技术在滚动轴承内圈及滚动体故障特征频率提取方面有较大的优越性。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法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,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

基于DT-CWT自适应Teager能量谱的轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波变换和Teager能量谱结合,提出了基于双树复小波自适应Teager能量谱的早期故障诊断方法。首先,利用双树复小波将采集到的振动信号分解为不同频带的子信号,并计算各子带的频带幅值熵;然后,将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳阈值,从而自适应并且有效地提取出共振带;最后,对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

基于EMD—Gabor变换的发动机故障诊断

以连杆轴承为研究对象,对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)分解得到若干本征模态函数(Intrinsic Mode Function,IMF),通过能量占比法选出最优的IMF分量并对其进行Gabor变换,提出了一种基于EMD—Gabor变换的信号分析方法。通过分析频带能量累加曲线随连杆轴承不同故障程度的变化,提取出能够反应连杆轴承不同故障程度的频带能量,以此作为特征向量结合BP神经网络算法进行故障识别。     

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。     

内积型和卷积型小波变换对信号处理效果的研究

内积型和卷积型小波变换是小波变换的两种定义形式,由于其迭代算法不同,因而对同一信号有不同的处理效果。以对一个轴承振动信号的处理为例,详细分析了这两种小波变换形式的频带分离效果和对信号中故障特征的提取效果,结果表明,卷积型小波变换对信号的处理效果要优于内积型,不仅其频带分离效果比内积型优越,而且它所提取的故障特征信息也比内积型小波变换要明显得多。最后对比较结果从理论上给予了解释。     

DT-CWT相关滤波在齿轮箱故障诊断中的应用

根据小波系数的相关分析理论,提出了基于双树复小波变换的小波相关滤波法。该方法根据相邻层小波系数的相关性,通过迭代过程自适应地进行滤波,能够在达到良好降噪效果的同时保留微弱故障特征信息。对降噪后的信号进行希尔伯特包络分析便可准确得到故障特征频率。试验信号分析与工程应用结果表明,该方法能够有效提取强背景噪声下的齿轮箱轴承早期故障特征信息。     

基于LDA模型的滚动轴承故障类型检测

将小波包变换与LDA算法相结合,提出了一种基于LDA模型的滚动轴承故障类型检测新方法。首先通过小波包变换提取轴承振动信号的能量特征及其所包含的故障信息特征,并用"词袋"模型将故障信息特征表示成视觉词向量,然后利用LDA模型对轴承故障类型进行判别。试验表明,该方法能精确提取轴承的故障信息特征,快速检测出轴承的故障类型,与SVM等方法相比检测精度更高,鲁棒性更强,具有很好的故障检测效果。