一种谱峭度和Morlet小波的滚动轴承微弱故障诊断方法

提出一种基于谱峭度和Morlet小波的滚动轴承微弱故障诊断新方法。该方法利用Morlet小波的滤波特性,基于谱峭度表征的Morlet小波系数最大化原则,采用频带平移及外扩的方法自适应地在全频范围内定位由冲击信号激起的各个共振频带,再利用谱峭度和带宽这两个参数有选择地利用一个或若干个共振带进行轴承微弱故障诊断。与原有的谱峭度快速算法相比,该方法能有效避免一个共振带被人为分割为多个频带以及将非共振频带并入共振频带中的现象,从而提高了轴承故障诊断效果。另外,该方法避免了传统方法只利用一个共振带而丢弃其他频带的做法,可以利用找到的不同共振频带的轴承信息进行微弱故障特征增强,以提高微弱故障诊断性能。滚动轴承微弱故障实验证明了新方法的有效性。     

基于WT与LSSVC的信号消噪方法及其在转子故障诊断中的应用

噪声是影响转子早期故障特征有效识别与准确提取的主要因素.针对转子故障信号的消噪问题,提出一种基于最小二乘支持向量分类器的小波消噪方法.该方法以信号与噪声在小波域内的统计特征为理论依据,通过构造最小二乘支持向量分类器,以分类方式实现小波域内的信号与噪声判别,并对信号与噪声小波系数采取衰减策略以弱化噪声污染.模拟信号消噪分析与转子故障信号消噪实例表明,该方法可有效抑制信号中的噪声干扰,在信噪比与均方误差意义下的消噪性能优于小波阈值消噪方法.     

基于最优Morlet小波和自项窗的混合时频分析方法研究

提出一种基于最优Morlet小波和自项窗的混合时频分析方法。对和机械冲击信号波形相似度较高的Morlet小波进行改进,采用交叉验证法和Shannon熵方法设计了改进Morlet小波参数和小波变换尺度,对信号进行连续小波变换(CWT)以实现滤波消噪;然后,设计了自适应自项窗函数,对Wigner-Ville分布(WVD)交叉项进行移除,消除WVD交叉项的干扰。仿真和实验验证了所提出的方法可以有效地对含噪信号进行滤波消噪、并去除WVD中干扰项的影响,提高时频分析的分辨率和能量聚集性。     

基于最优Morlet小波和隐马尔可夫模型的轴承故障诊断

摘要：提出一种从信号时频域提取故障特征的新方法,先将振动信号作Morlet小波变换,再将小波系数顺序划分成多个子列,各子列协方差矩阵的特征值为所需的特征参数。为了更有效地提取信号的振动特性及周期性成分,使用了最小香农熵准则和奇异值分解技术选择Morlet小波参数,并用比较实验证明了参数优化的有效性。状态辨识使用了连续型隐马尔可夫模型,在三种故障程度下分别实现了轴承正常状态,滚动体故障,内圈和外圈故障的正确辨识,平均精度都大于93%。     

基于变分模态分解和最大重叠离散小波包变换的齿轮信号去噪方法

针对齿轮故障信号易受噪声干扰导致故障特征难以提取的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和最大重叠离散小波包变换(maximal overlap discrete wavelet packet transform,MODWPT)相结合的信号去噪方法.采用V...     

基于小波时频框架分解方法的滚动轴承故障诊断

损伤点通过其它元件时引起的周期性冲击是判断滚动轴承局部损伤故障的关键特征信息.针对滚动轴承的振动特点,设计了小波时频框架,利用框架分解方法在匹配信号特征结构,直接提取特征信息方面的优势,分析了滚动轴承的振动信号.根据框架分解结果,在时频联合域内清晰直观地提取了滚动轴承局部损伤故障的周期性冲击特征,识别了滚动体、内圈和外圈的单点缺陷,与小波变换的对比验证了框架分解在检测滚动轴承局部损伤故障方面的有效性.     

基于第二代小波和EMD的解调方法及其应用研究

针对复合故障中滚动轴承微弱冲击性故障特征难于提取的问题,提出基于第二代小波和EMD的解调方法,进行复合故障的耦合特征分离和轴承损伤性故障微弱信号的特征提取研究.该方法首先应用第二代小波分解与重构原始信号,针对分解与重构出的高频段信号进行经验模式分解(Empirical Mode Decomposition, EMD),得到若干个本征模函数(Intrinsic Mode Functions, IMFs),然后针对本征模函数中的高频成分进行Hilbert包络解调,准确提取高频调制故障特征.仿真及实验结果表明该方法的有效性和实用性.     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度场内奇异值分解相结合的边缘检测方法.首先在图像预处理阶段,为了提取准确的边缘特征,文中利用小波变换的时频局部化特性,对图像进行小波变换.该文对用小波求取的梯度场使用局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出并且能够达到抑制噪声的目的.实验证明该文方法既能在无噪声影响的图像中提取出清晰完整的单边缘,又能在有噪声干扰的情况下提取出理想的边缘.     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于变分模态分解和奇异值分解的频率相近信号分离方法

频率相近信号分离是故障诊断的难点问题。变分模态分解(VMD)作为一种新的信号时频分析方法,对频率相近信号具有较高的分辨率,能够实现频率相近信号的分离。VMD分解时先指定分解层数,层数选取的优劣将直接影响分解效果,过分解时容易产生虚假频率成分,反之,欠分解则容易丢失有用频率成分。基于此,提出一种基于变分模态分解和奇异值分解相结合的相近频率信号分离方法。首先选择适当的分解层数对信号进行VMD过分解,然后对分解得到的分量进行奇异值分解,通过奇异值分解检测并剔除虚假信号成分,从而实现频率相近信号的有效分离。利用仿真信号和滚动轴承故障信号证明了该方法的有效性和可行性。     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

探测信号中周期性冲击分量的奇异值分解技术

机械设备振动信号中是否存在周期性的冲击分量是其有无故障的重要标志。通常检测的机械振动加速度信号 ,由于信噪比太低 ,即使存在周期性的冲击分量也往往被淹没在强的背景噪声之中。通过时域波形和频谱等基本分析手段来探测振动加速度信号中的周期性冲击分量往往是困难的。本文在总结基于奇异值分解的信号周期分量探测原理的基础上 ,针对现有信号奇异值分解技术存在的问题 ,对信号奇异值分解矩阵的构造方法作了重大改进。通过应用实例显示 ,用改进后的信号奇异值分解技术探测振动加速度信号中的周期性冲击分量是可行的     

基于ITD-SVD和MOMEDA的故障特征提取方法

为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。