一种新的能量转换表达在轴承故障诊断中的应用北大核心

针对传统包络方法中存在的不足,提出一种新的能量转换表达。该种新的能量表达主要基于高阶对称能量算子。这种新的表达可以跳过求包络信号这一步,而直接得出故障信号的能量,从而从能量谱中分辨出轴承故障特征及其倍频。同时,由于采用了对称高阶求导方法,大大增强了检测轴承微弱信号的能力,可以从受到严重污染的测量信号中提取出轴承故障特征,因此它具有更好的鲁棒性。将该方法应用到仿真模拟信号与实际轴承故障信号中,并与传统的解调算法Teager能量算子和希尔伯特变换进行对比,证明了该方法的实用性和优越性。     

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。     

EWT分解和SVD消噪在轴承故障诊断中的应用

针对经验模态分解在轴承的故障诊断中存在着固有模态函数频谱繁多杂乱的问题,提出了一种基于经验小波变换(empirical wavelet transform(EWT))和奇异值分解(singular value decomposition,SVD)相结合的轴承故障诊断方法。该方法首先利用EWT分解的自适应性特点,对故障信号进行分解,得到各分量信号,从而有效地减少模态混叠现象;再对各分量信号进行SVD分解重构,减少噪声的影响以消除随机干扰,最后对经过SVD重构后得到的各分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验验证,EWT和SVD相结合的新算法可以准确地提取出轴承故障特征频率的基频和倍频成分,有效地确定轴承故障。     

小波包分析在轴承早期故障诊断中的应用

为了识别轴承早期损伤引起的故障信号,利用小波包对轴承的振动信号进行处理。小波包分析的实质是对小波分解的结果作进一步细分,因而具有比小波分解高得多的频域分辨能力。文中用小波包分析了两个存在早期轻微损伤的轴承的振动信号,并比较了自然序、Gray序以及移频算法的处理结果。这些分析结果表明,小波包分析能够有效地将隐藏在正常振动信号之中的早期弱故障信号提取出来,从而发现轴承的早期损伤。     

DTCWPT-TV在高速列车齿轮箱轴承故障诊断中的应用

齿轮箱轴承作为高速列车转向架上的关键部件,其故障特征主要体现在其振动信号中,但是列车运行过程中存在强电磁噪声。针对强背景噪声下信号中故障特征频率的提取,提出双树复小波包变换(Dual Tree Complex Wavelet Package Transform,DTCWPT)和全变差(Total Variation,TV)结合的算法。该算法利用DTCWPT将齿轮箱轴承振动信号分解为不同尺度的信号分量,通过峭度指标选择冲击特征最显著的一个信号分量;针对含噪声的冲击特征,通过对该信号分量的全变差进行稀疏追踪从而得到信号的稀疏优化表示,使得振动信号中的冲击特征得到显著增强。通过构造一仿真信号对稀疏追踪算法的有效性进行了验证,并将该方法与DTCWPT结合并应用于齿轮箱轴承故障诊断中,结果表明:该方法能够很好地提取出信号中的冲击特征,并且频谱中的故障表征明显,能够有效地指导故障诊断。     

齿轮振动信号分解及其在故障诊断中的应用

对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。     

小波变换在故障诊断中的应用

小波变换是一种日益获得广泛应用的信号分析方法。介绍了小波变换基本原理和利用小波变化来检测信号的奇异特征的原理,证实了小波变化在检测奇异信号方面的有效性。结果表明基于小波变换的去噪方法是非常有效的。     

小波变换在故障诊断中的应用

小波变换是一种日益获得广泛应用的信号分析方法。介绍了小波变换基本原理和利用小波变化来检测信号的奇异特征的原理，证实了小波变化在检测奇异信号方面的有效性。结果表明基于小波变换的去噪方法是非常有效的。     

HHT新方法及其在齿轮箱故障诊断中的应用

为了克服Hilbert-Huang transform(HHT)中的端点效应,利用基于掩模信号法的端点处理方法,对信号进行外延后再进行empirical mode decomposition(EMD),在一定程度上克服了EMD方法的端点效应问题.同时利用掩模信号对intrinsic mode function(IMF)分量进行延拓后,再进行Hilbert变换,有效地抑制了Hilbert变换中的端点效应.系统仿真信号以及实测信号的验证结果表明该方法是有效的.     

希尔伯特变换原理在轴承故障诊断中的应用

阐述希尔伯特变换及解调的基本原理，并据此对振动信号进行幅值及相位解调与分析，为旋转机械故障诊断提供早期和准确的故障信息。     

频谱分析技术在超声检测中的应用

对超声检测技术中频谱分析技术的基本原理及应用方向进行介绍,指出频谱分析技术应用过程中的影响因素,为应用该技术时的器材选择提出指导建议,列举出常用的平频谱分析方法,通过应用实例说明该技术的先进性并且对其应用前景进行了展望。     

μ-SVD降噪算法及其在齿轮故障诊断中的应用

为了提取机械设备被强背景噪声淹没的故障特征,采用一种具有通用意义的基于奇异值分解(Singular value decomposition,SVD)的子空间降噪算法对信号进行处理,即?-SVD降噪算法。传统的SVD降噪算法是?-SVD降噪算法中拉格朗日乘子??0时的一种特殊情况。?-SVD降噪算法包含滤值因子,能够抑制以噪声贡献占主导的奇异值对降噪后信号的信息贡献量。?-SVD降噪算法涉及延迟时间、嵌入维数、降噪阶次、噪声功率和拉格朗日乘子等5个参数。讨论了?-SVD降噪算法的参数选择方法,并着重研究降噪阶次和拉格朗日乘子对降噪效果的影响。齿轮故障仿真信号和齿轮早期裂纹故障振动信号的试验结果表明,?-SVD降噪算法在降噪效果方面要优于传统的SVD降噪算法,可以在强背景噪声情况下更好地提取出齿轮的故障特征。     

边缘检测及二值化算法在车牌定位中的应用

比较若干不同的边缘检测算子及二值化算法,讨论了其在车辆牌照识别中的应用.文中用Matlab软件对这些算法进行了仿真,并根据结果选取了适用于车牌定位的算法,得到了较好的定位结果.     

小波变换在滚支轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换，能较好地分离出所要分析的高频固有振动信号，然后对高频振动信号进行包络分析，从包络谱图中提取故障特征频率分量，就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明，这种诊断方法是有效的。     

VPRS在轴承故障诊断中的应用

将变精度粗糙集(VPRS)理论引入到轴承的故障诊断中,提出了一种故障决策规则提取方法。首先用等间距法对连续属性进行离散化,然后根据实际,选取不同的β(正确的分类率),利用变精度粗糙集的近似分类质量进行条件属性约简,得到β近似决策规则,最后通过轴承故障实例验证了此方法的有效性和实用性。     

小波分析在大轴承故障诊断中的应用

从Fourier分析和卷积滤波入手,从工程角度来讨论小波分析的基本原理,并利用小波带滤波方法对大轴承的振动信号进行时频分析,确定了大轴承故障的部位、类型和程度,经现场拆卸验证,结论是正确的。     

提升小波变换在轴承故障诊断中的应用

提升小波变换可以通过设计预测系数和提升系数获得具有某种特性的小波基函数,因而对信号的适应能力更强.介绍了提升小波变换的原理,提出了一种自适应阈值小波去噪方法,并将其应用于轴承故障诊断中.