VMD-模平方阈值与PNN相结合的齿轮故障诊断

针对故障齿轮振动信号的非平稳和调制特性,提出了在变分模态分解(VMD)-模平方阈值降噪的基础上利用概率神经网络(PNN)进行齿轮故障诊断的方法。首先,利用VMD将原始振动信号分解为若干个本征模态函数分量,采用模平方阈值方法对各分量处理后并重构;然后,提取重构信号的峭度和均方根作为特征值组成特征向量;最后,将特征向量输入PNN实现故障类型识别。通过齿轮故障试验分析,将其与基于EMD-模平方阈值、LMD-模平方阈值和EEMD-模平方阈值的BP神经网络故障诊断方法相比较。结果表明,该方法能有效的提取特征信息,故障诊断准确率高达96.875%,证明了所提方法的可行性和有效性。     

基于小波多分辨率分析的风力发电机的故障特征提取与识别

利用小波多分辨率分析的方法对风力发电机振动信号进行分析,并运用小波变换对测得的信号进行处理,达到对风力发电机组故障的诊断识别。将提取的振动信号映射到小波基函数上,经平移和伸缩具有正交性的小波函数,然后再经小波变换归一化得到小波分解序列的幅值,以此作为诊断识别的特征值,实现了在多尺度下特征信息的提取与故障识别,说明该方法行之有效。     

基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用

针对齿轮升降速过程中故障振动信号为多分量的调制信号以及故障特征频率随转速变化的特点,将局部均值分解（LMD）与阶次跟踪分析相结合,提出了一种新的齿轮故障诊断方法。首先采用阶次重采样将齿轮的时域振动信号转换为角域平稳信号,然后对角域信号进行LMD分解,得到若干个乘积函数（PF）分量,最后对各个PF分量的瞬时幅值进行频谱分析来提取齿轮的故障特征。通过对齿轮齿根裂纹故障试验振动信号的分析可知,该方法能有效地提取齿轮故障特征。     

改进WMRA在滚动轴承故障诊断研究中的应用

针对滚动轴承初期故障诊断时故障特征信号微弱,且传统的包络谱分析方法需要预先依靠经验确定出分析频段的问题,提出了基于经验模态分解(EMD)和改进的小波多分辨率分析(WMRA)的诊断方法。首先通过对滚动轴承故障振动信号进行EMD分解,利用峭度系数和振动固有频率特征参数对分解后的本征模态函数(IMF)分量进行了分类,筛选出了最佳IMF分量,然后通过希尔伯特变换(HT)计算得到了所选IMF分量的包络信号,最后利用改进后的WMRA对包络信号进行了重构,所得到的包络谱明显地突出了故障特征频率。实验结果表明:相比单独的EMD或传统的WMRA,该方法有效地提高了信号分析的准确性。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

基于小波分析的机械系统振动信号故障诊断

提出利用小波变换的时一频局部化特性及基于多分辨率分析的信号小波分解算法,辅以去噪手段,对微弱机械振动信号进行分析.有效地完成了微弱信号的提取,实现了早期故障诊断;对故障特征信号进行了时域定位;提取了故障特征频率.仿真结果表明了该分析方法的有效性.     

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

滚动轴承故障诊断系统的设计与应用

分析了滚动轴承典型故障机理及其振动特征,提出了将包络分析作为小波分解的前置处理手段以提取信号故障特征的思想,设计出一套新的诊断方案,开发了适用于铁路货车的滚动轴承故障诊断仪。仪器主要采用时域分析与频谱分析相结合来完成故障诊断工作,信号分析程序使用VisualC 6.0,不仅可以准确地分析出轴承故障所在的部位,更保证了数据采集的实时性。现场应用证明:该方法准确有效,适用于滚动轴承的检测和诊断。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于SVD降噪和谱峭度的滚动轴承故障诊断

提出将奇异值分解(SVD)和谱峭度结合的滚动轴承故障诊断方法.首先,将原始振动信号构造为Hankel矩阵,进行奇异值分解,并利用奇异值差分谱进行有效的消噪;然后,利用谱峭度所得的峭度图选择最佳的带宽和中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行平方包络和Fourier变换得到包络解调谱,即可实现故障特征的提取.对滚动轴承故障试验信号的分析表明,该方法可以有效地提取故障特征频率,实现故障诊断.     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

基于小波消噪的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点，采用小波分析进行消噪处理，利用具有紧支结构的小波函数进行分解和重构消除检测信号中的干扰成分，有效提取故障特征，从而实现液压泵配流盘偏磨故障及滑靴磨损故障的高效故障诊断。试验结果表明，小波包分析能够将信号进行多层次的划分，根据被分析的信号的特征，自适应地选择相应的频带，从而提高信号的时—频分辨率，在时域和频域上有效突出故障信息，实现微弱故障的高效诊断。     

基于 ZigBee 无线通信技术的机械主轴轴承振动检测

为了明确当前机械运转过程中可能出现故障的位置和危险程度,提出了基于 ZigBee 无线通信技术的机械主轴轴承振动检测方法。将采集的现场信号转为电信号,使用内核型号为 51 的 CC2430 异步串行端口进行逐字传输,结合 C 语言建立无线传感循环传输通信基站。使用时域指标方式计算峭度指标、裕度指标和有效值,利用结构参数和几何模型提取振动特征频率,针对不同频率下振动信号,使用小波分组和小波重构方程组消除噪声,借助频带运行能值判断当前振动类型。对比实验通过分析小波分解功率值与能值,验证所构模型的自适应能力,结果表明,提出的检测方法从主轴振动频谱入手,能够准确找出故障原因,具有较高的可行性。     

改进小波包多阈值去噪法及其工程应用

针对机械振动信号提取时面临的去噪问题,在小波包多阈值准则去噪法的基础上,提出一种改进的小波包多阈值准则综合去噪方法(改进FMC去噪法)。该方法首先采用探测插值法对机床原始振动信号进行预处理,剔除受外界干扰产生的突变噪声信号;再以小波包分析为基础,根据有用信号的最小频率确定最大分解层数,并按最小代价原理确定信号分解的最佳小波包基;最后采用小波包多阈值降噪准则对振动信号进行重构,得到去噪后的机床振动信号。针对含噪blocks信号、doppler信号及模拟的含噪振动信号进行的仿真实验结果表明,改进后的FMC去噪法去噪效果优于传统方法。将该方法应用于气囊修整机振动信号分析中,结果表明,改进FMC去噪法能够有效剔除振动信号各频段的噪声,提高信号特征的可分离性。     

突变性故障特征识别的两种实用小波技术

研究了小波方法分析的基本原理和方法。然后给出小波分析在故障诊断中的两种用法。一种是通过提取故障信号的突变信息,以识别故障特征,另一种是把最新的小波包变换与传统的故障树分析法相结合,形成一种精细的故障诊断方法。     

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。     

基于小波分析的旋转机械故障诊断技术及其试验研究

通过把转子试验台裂纹故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征,为计算机自动识别或专家系统的建立奠定了基础,从而达到了诊断的目的。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。     

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。     

基于小波分析的多通道信息融合技术的研究

在数字信号处理的过程中,以小波分析技术为基础建立了多通道信息融 合的数学模型。通过采集车辆变速箱的多通道振动信号,将测试信号进行小波包分解与重构,对感兴趣的频带进行数据层信息融合,并进行图形显示和分析,获得其测试信号的特性参数。将小波技术与信息融合技术巧妙地结合,这为齿轮变速箱的振动信号分析提供了新的方法。