基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。     

基于小波包分析的铜/钢异种材料摩擦焊接头质量的超声无损评价

对铜/钢异种材料摩擦焊接头的强度无损评价方法进行了研究,利用小波包分析的方法对铜/钢摩擦焊接头的超声A扫描信号进行处理,计算出各频带上的能量值,找出了频带能量与微剪切强度之间的联系。研究表明,对超声A扫描信号进行小波包分析后,通过研究各频带上的能量值可判断接头局部区域的剪切强度情况,从而判断接头的结合质量。     

基于共振解调和小波包能量谱的声发射信号特征提取

将小波包能量谱分析和共振解调法相结合,应用于声发射信号的特征提取中。首先,将声发射信号进行小波包分解,得到若干个子频带;然后计算各个子频带所包含的能量,描述出各子频带能量占信号总能量百分比;再将其与正常声发射信号能量谱对比,分析出变化较为明显的子频带;最后运用共振解调技术,对该频带做Hilbert包络谱分析,得出信号特征。结果表明:该方法可以有效提取出声发射信号的特征,是声发射信号特征提取的一种新方法。     

基于DAQ系统和虚拟仪器的某型装备溢流阀故障分析

选取某型装备溢流阀为研究对象,根据实际需求设计了DAQ硬件平台,并结合LabView虚拟仪器对采集到的数据进行小波包分析,将信号的能量分解到各个频带,通过能量柱形图反映出不同故障时的能量变化,并提取了故障的特征参量,为故障预测打下基础.     

往复压缩机网状气阀故障诊断研究

往复压缩机故障类别繁多,而气阀故障占总故障的36%。研究往复式压缩机气阀常见的3种故障：阀片断裂、弹簧失效、阀片密封面失效;在2D 90往复式压缩机上针对网状吸气阀进行故障模拟实验,通过在阀座上安装加速度传感器,采集然后分析阀座振动加速度信号的时域波形和频谱能量分布,找出故障特征信号与气阀工作状态的对应关系,为往复式压缩机气阀故障诊断提供参考。     

基于小波包和支持向量机的液压泵故障诊断

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用.论述齿轮泵的典型故障设置及其数据采集.针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法.实验结果表明:基于小波包一支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求.     

基于小波包能量谱的工业机器人智能故障诊断北大核心

实际工业机器人在恶劣工作环境中易出现故障,传统的故障诊断大多都是通过振动信号进行,但是振动数据在实际工厂难以采集,给工业机器人的故障诊断造成了极大困扰。针对这一问题,提出一种基于小波包能量谱(WPES)与卷积神经网络(CNN)的工业机器人电流数据的智能故障诊断模型。该模型通过小波包将原始电流信号分解为多个子频带,计算每个子频带对应的能量特征,当工业机器人出现故障时,能量特征会发生变化,并将能量谱特征转化为二维矩阵用于设计、训练和测试所提出的模型。实验结果表明:采用WPES-CNN模型进行故障诊断,故障识别率达到了99.9%以上。     

印花机液压系统的故障诊断与检测技术研究

在现场实测圆网印花机液压系统的故障数据中,液压系统的磁场信号和振动信号具有短时非平稳的特点。在功率谱分析的基础上,采用小波神经网络技术,对各分布式液控阀产生的振动信号、磁场信号进行小波包能量谱分解,从而获得各类故障在不同频带的能量分布特征向量;应用WNN神经网络建立从特征向量到故障模式之间的数学映射模型,并结合Zigbee网络通讯技术对分散数据进行二次融合辨识。实验结果表明:该系统能够完成对圆网印花机液压系统的无线实时监测,故障定位准确,且体积小巧、通讯可靠性高,能够满足企业及时抢修的需要。     

数控机床刀具磨损状态特征参数提取

基于振动信号小波包分解理论对不平稳信号特征提取的优势,提出了一种利用振动信号的能量变化来监测刀具磨损状态的方法.该方法利用db4小波基对振动信号进行4层小波包分解,并将分解后的各频带能量值作为刀具磨损状态判断的特征参数.在新刀和刀具磨损的状态下提取特征向量,并根据频段能量的变化判断刀具磨损程度.试验结果证明该方法在刀具磨损状态判断中的可行性.     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于信号时频熵的往复式压缩机故障诊断

从特征信号提取的角度出发,采用局域波时频分析和信息熵结合的方法进行往复式压缩机故障诊断。对信号进行局域波分解后,建立基于时频分布的信息熵,以此作为故障识别的参数。以往复式压缩机填料泄漏故障为例,采用信息熵的方法进行分析,证明了信息熵能够对往复式压缩机的工作状态进行有效的评价。     

基于模糊PID算法的往复压缩机监控系统设计

根据实验室往复压缩机试验台的运行现状,基于S7-300 PLC、上位PC机、触摸屏和变频器组态设计一种往复压缩机自动监控系统,在控制部分采用模糊PID控制算法,并以变频控制为辅助,实现压力的稳定输出。详细论述该系统的结构组成、硬件和软件设计流程、模糊PID算法在MATLAB中的仿真及变频调速技术。实际运行结果显示:该监控系统可实现自动监控压缩机运动过程中的热力学性能参数和故障情况,仿真结果显示经过模糊控制系统响应快,更平稳,出口压力稳定性提高,大大提高了往复压缩机的使用效率。     

往复式压缩机气阀故障模拟实验与数据处理

研究往复压缩机气阀故障原理,在2D-90MG两列一级往复压缩机实验平台上对进气阀、排气阀进行一系列破坏性实验,模拟气阀的各类故障,最大限度地保证采集到的振动信号与实际情况相符。通过设计气阀故障模拟实验,搭建实验平台,采集气阀振动信号数据。通过分析所采集到的振动信号的时域波形与频谱,总结气阀振动信号特征,对气阀故障类别进行初步诊断。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于CEEMDAN和RCMDE的往复压缩机轴承故障诊断方法

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。     

基于声发射信号模式的齿轮特征识别研究

鉴于声发射信号对齿轮早期裂纹具有独特的敏感性,对早期齿轮声发射信号的特征识别具有重要意义。介绍小波变换理论及其原理,建立齿轮疲劳试验平台,利用小波阈值降噪对不同工况下齿轮声发射信号进行预处理,获取高能量频段的信号并提取时域、频域特征参数,将其作为BP神经网络的输入,以识别不同工况下的声发射信号。实验结果表明：与去噪后的全频段信号相比,基于高能量频段信号所提取的特征参数具有更高的识别率,为早期齿轮故障信号分析和检测提供借鉴。     

OVMD与三维奇异谱特征融合的往复压缩机气阀故障识别方法

针对往复压缩机气阀断裂型故障危害下故障振动波形的变异特点，为提高常见的气阀阀片失效后期断裂型故障的识别率，提出一种基于最优变分模态分解(OVMD)和三维奇异谱融合的诊断算法。通过VMD参数优化，利用多重分形去趋势波动分析(MFDFA)提取模态分量的三维奇异谱参数分析，结合核主分量分析降维提取不同工况模态分量的特征值，并建立完整的OVMD＿MFDFA融合诊断识别方案。模拟试验和算法对比证实，该法能有效提高环状气阀阀片断裂故障诊断效率和准确性。