基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于小波及AR模型的机车滚动轴承故障特征提取

滚动轴承失效是机车牵引传动系统的主要故障源之一。为了有效诊断滚动轴承故障,提出了基于小波变换及AR模型参数的机车滚动轴承特征提取方法,以提取能准确反映滚动轴承运行状态的特征信息。首先,通过小波变换对滚动轴承运行时产生的非平稳振动信号进行分解重构,得到不同尺度下的重构信号;然后对重构信号建立AR模型,提取AR模型的自回归参数作为表征滚动轴承运行状态的特征;最后采用支持向量机分类器对提取的特征进行故障分类与识别。仿真结果表明机车滚动轴承故障得到了有效诊断。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

Implementation of Envelope Analysis on a Wireless Condition Monitoring System for Bearing Fault Diagnosis

 Envelope analysis is an effective method for characterizing impulsive vibrations in wired condition monitoring (CM) systems. This paper depicts the implementation of envelope analysis on a wireless sensor node for obtaining a more convenient and reliable CM system. To maintain CM performances under the constraints of resources available in the cost effective Zigbee based wireless sensor network (WSN), a low cost cortex-M4F microcontroller is employed as the core processor to implement the envelope analysis algorithm on the sensor node. The on-chip 12 bit analog-to-digital converter (ADC) working at 10 kHz sampling rate is adopted to acquire vibration signals measured by a wide frequency band piezoelectric accelerometer. The data processing flow inside the processor is optimized to satisfy the large memory usage in implementing fast Fourier transform (FFT) and Hilbert transform (HT). Thus, the envelope spectrum can be computed from a data frame of 2048 points to achieve a frequency resolution acceptable for identifying the characteristic frequencies of different bearing faults. Experimental evaluation results show that the embedded envelope analysis algorithm can successfully diagnose the simulated bearing faults and the data transmission throughput can be reduced by at least 95% per frame compared with that of the raw data, allowing a large number of sensor nodes to be deployed in the network for real time monitoring.     

灰色极限学习机在滚动轴承故障预测中的应用

针对较强噪声环境下的滚动轴承故障预测问题,为提高轴承故障预测的精度,提出并研究了一种新的滚动轴承预测技术;采用将灰色模型和极限学习机(ELM)相结合的方法,针对轴承运行状态值的非线性特点,先将样本数据进行灰色处理,解决数据的随机性和波动性问题,然后代入学习速度快,泛化精度高的ELM神经网络进行训练;在训练完毕后,对未来的轴承运行状态数据进行分析,将其与轴承设备的理论诊断标准相比较以达到故障预测的目的。     

基于小波变换的泄露故障特征提取研究

为研究液压系统管路泄漏对压力脉动信号的影响,提出利用改进的小波消噪算法和小波包对压力脉动信号进行消噪和特征提取;针对传统小波变换阈值函数在去噪处理中存在的恒定偏差、不连续等缺点,提出一种改进阈值函数和新阈值相结合的新方法,将该方法与平移不变量方法相结合,避免了传统小波变换去噪时在不连续点存在的Pseudo-Gibbs现象;通过利用改进小波消噪方法和小波包对FESTO试验系统采集的正常和故障压力脉动信号进行分析比较,研究结果表明,不同工况下压力脉动信号3个主要能量频带的分布特性,可以作为泄露检测和识别的故障特征。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

基于灰关联理论的滚动轴承故障诊断研究

针对实际工程中滚动轴承故障的复杂灰特性以及不确定性问题,提出了基于灰关联理论故障诊断方法。灰关联理论具有"小样本、贫信息、不确定性"问题处理能力强、计算复杂度低等优点。通过对灰关联原理、灰关联系数与分辨系数的关系,以及分辨系数的性质和取值原则的研究,成功地将灰关联理论应用于滚动轴承的故障诊断。仿真实例研究结果表明,灰关联故障诊断方法计算简单、诊断结果与定性分析结论一致,便于形成知识库中的规则,对工程实践具有理论指导作用,且对样本数量及其分布规律没有特殊要求,有较大实用价值。     

基于融合分析的感应电机轴承故障检测方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性,求出三相电流的Park矢量模信号,并将其与电机滚动轴承振动信号经解调处理后的包络信号进行融合分析。可以从振动信号与电流信号的融合谱图中有效地提取轴承故障特征信息,并将其作为故障识别的依据。实验结果表明,本文检测方法具有较高的信噪比,提高了诊断的可靠性。     

基于ICA和小波变换的轴承故障特征提取

应用独立分量分析方法和小波变换分离轴承的振动信号，提取其状态特征。并对信号进行自相关预处理，突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立。采用基于负熵的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分。对ICA处理后的分量信号进行小波变换，完成信号检测，消噪，频带分析，以获取故障信号特征，确定故障的位置和强度。研究结果表明，独立分量分析方法和小波变换能提取明显的轴承故障信号特征。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。     

基于小波变换的脉象信号特征提取方法

为了较好地区分正常人与心脏病人的脉象信号,利用小波变换奇异性检测功能与多尺度分辨特性,提出了两种提取脉象信号特征的方法：连续小波变换法和二进小波变换法。在此基础上,构造了两种特征向量：小波变换系数的尺度——主波峰值和小波变换的尺度——能量值。经过对临床采集的235例脉象信号的处理与分析统计,所得数据具有较好的重复性与稳定性,可以作为用于脉象信号识别的特征向量。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

混沌振子在滚动轴承故障特征提取中的应用

滚动轴承的故障信号往往是微弱的周期信号,而混沌振子对特定频率的微弱周期信号十分敏感,可以有效地检测出故障信号.介绍了混沌振子的数学模型和基本检测原理,以及策动力临界阈值的确定方法.将混沌振子检测法应用于滚动轴承外圈、内圈和滚动体故障信号的检测中,通过输出相图的变化来判断故障信号是否存在,有效地实现了对滚动轴承故障信号的检测.     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,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Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型;首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的3种常见故障;通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

滚动轴承局部故障的特征倍频诊断方法

建立了以故障特征倍频为基础的分析方法,以诊断滚动轴承局部故障。此方法引入故障特征倍频代替目前普遍应用的故障特征频率,在计算故障特征参数的时候剔除转速的影响,将不同转速下的故障判断标准统一起来,用几个确定参数来表征滚动轴承主要的局部故障类型,进而建立起能够综合分析不同转速下的故障信号的包络谱阵分析方法。依据轴承故障冲击振动包络频谱的本质分布形态,采用故障特征倍频背景,为数据分析和故障判断提供了直观、准确的参考。在实验中的应用表明,利用该方法诊断滚动轴承局部故障简捷有效。     

模拟电路故障特征提取的小波基选取方法研究

小波技术在高维故障特征数据的压缩及敏感信号提取已被广泛应用,但小波基的选取没有一个统一的标准;通过实际采样信号数据的小波分解、特征向量计算、波动性函数比较等技术对小波基函数的选取进行了研究;最后通过综合小波分析、神经网络等技术的模拟电路故障诊断系统的诊断实例验证了所提选取方法的有效性;使用9种常用小波基函数,分别对采样信号进行分解并计算波动性函数,并在模拟电路故障诊断系统进行验证;小波基函数bior2.2的波动较小且与诊断结果一致。     

Leveraging Large Data with Weak Supervision for Joint Feature and Opinion Word Extraction

Product feature and opinion word extraction is very important for fine granular sentiment analysis. In this paper, we leverage large-scale unlabeled data for joint extraction of feature and opinion wor...