基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验...     

基于鲁棒性小波包峭度图的滚动轴承故障诊断

由于基于小波包变换滤波器的设计方法仍然是采用基于样本四阶矩的谱峭度,因此在实际应用中可能会存在非鲁棒性等问题。在此基础上定义了具有鲁棒性的谱峭度系数,提出了基于小波包变换的具有鲁棒性的峭度图算法。滚动轴承的实测信号验证了所提出的方法不仅能够真实地反映谱峭度大小,而且能够准确过滤出故障瞬态冲击成分,有利于基于包络谱分析轴承故障特征频率检测,说明其具有较好的应用前景。     

基于峭度与小波包络分析的滚动轴承故障诊断

针对滚动轴承振动信号具有变频和冲击的特征,采用峭度指标、小波分解和Hilbert包络分析相结合的方法对滚动轴承进行故障分析。首先对运行中的滚动轴承振动信号进行峭度指标分析,进行早期故障判断,进而小波分解消除噪声和干扰信号,再重构能量集中频段的小波信号,最后进行Hilbert包络谱解调分析,得到反映故障特征频率的包络信号。仿真实例表明,该方法可以有效地对滚动轴承进行故障诊断。     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.     

基于谱峭度的滚动轴承包络分析

介绍了一种基于谱峭度和复平移Morlet小波的滚动轴承诊断包络分析法,该方法可根据谱峭度值自适应确定共振解调所用的带通滤波中心频率及带宽,使包络分析得到简化,但存在计算量大的不足.对此提出了一种改进的计算方法,该方法利用相邻不同级滤波器组中具有交叠频带的滤波器滤波和谱峭度计算结果的相关性,有效减少了实际需要构建的小波带通滤波器数量和相应的带通滤波、包络提取及谱峭度计算,降低了计算量,使该方法更适合于工程应用,仿真和实际测试验证了该方法的有效性.     

基于峭度-小波包分析的滚动轴承故障诊断

理论分析和实例证明,峭度指标等滚动轴承振动时域统计参量可以判定轴承工作是否正常,但不能给出更多信息.通过小波包分析对振动信号进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为滚动轴承的故障诊断提供了一种快速有效的途径.     

小波包和峭度在轴承早期故障分析中的应用

为实现轴承故障的精确诊断,提出一种基于小波包与峭度准则的包络解调方法。当信噪比较小时,该方法可以剔除含噪信号,与现阶段经常使用的细节系数能量方法相比,可更为有效地提取轴承的故障信息。该方法首先利用小波包将振动信号分解,突出小波包降噪效果的明显性;然后以峭度准则提取降噪后信号所需的细节系数并对其重构;最终进行包络谱分析,准确地检测出轴承故障,提高轴承故障诊断的精确度。     

基于小波包和AR谱分析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性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

滚动轴承故障诊断的改进小波变换谱峭度法

在Morlet小波变换谱峭度法的基础上做了相应改进,利用小波变换谱峭度法得到的谱峭度值,自动构造最优匹配滤波器。将此方法应用于滚动轴承故障诊断中,并与原小波谱峭度法进行比较。结果表明,基于小波变换的谱峭度法的效果对滤波器的选取比较敏感,具有更加优良的监测和诊断效果。     

一种轴承故障诊断的改进型小波包包络方法

小波包包络法是轴承振动信号分析中的一种重要方法,使用该方法可以对包含有故障特征频率的各频段信号进行分析,能够滤去噪声信号,有效地提取轴承的故障信息。在小波包分解时,对小波包细节信号的选取目前常用的是基于细节系数能量的方法,但该方法在信噪比较小的情况下对信号分析效果一般,结合自相关和互相关的特性,提出了一种改进型的小波包包络方法,为小波包分解中细节信号的选取提供了一定的理论依据,提高了小波包在轴承故障诊断中的判断准确度。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

基于改进经验小波变换的机车轴承故障诊断

机车轴承在噪声较大的背景下工作,发生故障时,难以有效地提取其故障特征,针对这一问题,提出了经验小波变换（EWT）方法。为克服经验小波变换方法中噪声分量干扰子频带划分的问题,提出一种采用信号时频峭度谱局部极小值划分频带的方法,基于子频带构造正交小波滤波器组对信号进行EWT分解。仿真实验和工程应用表明,改进后的EWT能够较好地克服噪声分量对子频带划分的干扰,有效地分离出机车轴承损伤故障的特征。     

连续小波变换的滚动轴承故障诊断

提出了用连续小波变换与傅立叶变换相结合进行轴承故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解,然后进行小波尺度一能量谱统计,再在有可能体现故障频率的尺度上对其获得的小波系数进行快速傅立叶变换来识别故障特征频率。对于非常微弱的内圈故障提出了通过共振解调法对特定尺度系数进行Hilbert包络提取故障频率的新方法。优点在于能够在强噪声背景下较为精确的识别故障。实际测试验证了新方法的正确性。     

基于平滑指数和小波的滚动轴承故障诊断

分析了Morlet小波的外形及其适合于分析冲击信号的特点,将平滑指数法引入滚动轴承的故障诊断中,结果表明,平滑指数法明显优于对信号的直接频谱分析,不但检测到了故障特征频率,而且检测到了故障特征频率的倍频,可以简单直观地判别出轴承故障部位.     

基于最大小波奇异谱的轴承故障诊断方法

研究小波奇异谱在轴承故障诊断中的应用问题,针对小波奇异谱熵无法有效实现故障诊断的不足,提出以最大小波奇异谱为特征的轴承故障诊断方法。该方法利用小波变换后的系数矩阵的最大奇异值作为故障诊断特征,并将试验结果与以小波奇异谱熵为特征的方法进行比较。结果表明,该方法在识别性能上有显著提高。试验从小波基、窗口宽度两个层面对该方法的诊断性能进行了分析,证明该方法具有较强的稳定性和鲁棒性。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。