小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于小波包移频算法的AR功率谱在滚动轴承故障特征信息提取中的应用

为克服经典的小波包迭代算法由于小波包分解过程中的隔点采样而发生的频率混叠现象，本文采用移频算法进行小波包分解与重构，以1#、2#、3#这3个608滚动轴承(其中1#轴承工作正常，而2#、3#轴承工作异常)进行分析。先通过小波包分解提取这3个轴承振动信号的频带能量特征以确定2#、3#轴承故障特征信息所在的频带。并按这些频带分别对2#、3#轴承的振动信号进行小波包重构。通过对重构信号的基于AR模型的功率谱分析以实现滚动轴承故障特征信息的自动提取．从而对2#、3#轴承的故障作出诊断。     

基于小波包变换的回转窑托轮轴承故障诊断

针对回转窑对象给出了水泥回转窑故障诊断框图。说明了水泥回转窑工艺流程和常见的水泥回转窑设备故障及原因。阐述了小波包分解方法和小波包分解的优缺点。阐述了基于小波包变换的水泥回转窑故障诊断算法,给出了基于小波包变换的轴承故障诊断流程图。对正常状态、外圈故障状态和内圈故障状态的轴承小波包变换进行分析。得到经小波包分解1~4层细节进行重构后的波形图,得到经4层小波包分解后各频带的能量分布以及重构信号的包络图。将正常状态下小波包分解后的能量频谱信号与故障状态下的进行比照,通过能量频谱信号的不同,确定正常状态和故障状态的特征信息。文中对采集到的振动信号进行小波包分解,对分解后不同频带上的信号进行功率谱计算,通过能量的改变表示某一种特征信号,再对提取到的特征信号进行Hilbert谱分析。最终,通过对特征信号的Hilbert谱分析来区分出不同的故障。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

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...     

基于小波包和Hilbert包络分析的隧道掘进机主轴承故障诊断方法研究

隧道掘进机施工中,主轴承故障对掘进施工影响严重。该文提取主轴承振动信号,采用小波包和Hilbert包络分析相结合的方法,对信号进行分析,获得轴承故障信息。利用小波包变换滤波方法提取轴承高频固有共振频带信号,对所提取的信号进行重构,滤除其中的干扰成分;对重构信号进行Hilbert包络谱解调,去除高频固有共振成分,获得轴承故障信息。通过对振动传感器采集的轴承径向振动信号分析,有效地获得了轴承故障特征,验证了理论方法的正确性。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

多尺度主元坐标变换在轴承故障声发射信号增强检测中的应用

针对轴承微弱故障声发射信号处理中,故障特征微弱难以有效提取识别的问题,引入多尺度主元坐标变换对故障特征进行增强。首先对信号进行小波包分解并重构各子频带分量,然后通过主成分分析将各分量变换到新的线性空间,实现信号故障特征的增强。通过仿真信号及实验信号对该方法进行验证,结果表明该方法在轴承故障增强检测中效果明显。     

一种轴承故障诊断的时频综合分析法

针对旋转机械中最常见的滚动轴承问题,提出了一种基于小波包分析和Hilbert包络分析的时频综合分析法对轴承进行故障诊断。首先利用小波包分析将轴承故障信号分解到不同的节点,然后求出各个频带的能量谱,确定故障频带范围并对其进行信号重构,最后采用Hilbert变换对故障频带的重构信号进行包络谱分析,从而诊断出轴承故障。通过对轴承外圈故障信号的分析验证了该方法在轴承故障诊断中的有效性。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法

针对往复泵动力端滚动轴承振动信号非平稳、非线性且含有大量噪声的特点,提出基于EEMD、距离因子、相关系数和小波包分解相结合的诊断方法。通过在轴承寿命试验台上测取轴承振动信号,利用EEMD对所测信号进行分解,根据距离因子和相关系数相结合的方法筛选并重构IMF分量,以突出故障特征信息且避免偶然误差影响,重构振动信号进行小波包分解后构造能量特征信号向量,然后计算特征向量的相关系数,通过比较所得相关系数的差值绝对值判断故障类型。此方法的故障识别率与直接对轴承振动信号进行相关系数分析相比,故障识别率有较大提高,而且无需像神经网络识别需要大量数据训练,是一种较好的轴承故障识别方法。     

基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增 强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为 一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比 信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提 取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟 试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表 明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。     

基于小波包时延相关解调的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且容易被强烈的背景噪声淹没,提出基于小波包时延相关解调的分析方法,实现滚动轴承的故障特征提取及故障诊断。首先,以信噪比SNR和均方根误差RMSE为准则,对比小波包阈值的降噪效果,选取最优小波包参数,以增强振动信号的信噪比。然后将降噪后的信号进行重构。最后,通过时延相关解调分析提取去噪重构信号的故障特征。通过仿真和试验数据分析,验证了所提算法能够较准确地提取轴承故障特征频率。基于与包络分析和小波包络分析进行的对比,证明了所提方法能够获得更高精度的故障特征参数,进而更加有效地实现滚动轴承的早期故障诊断。     

基于小波包分析的风机故障诊断

根据故障信号特征和小波包变换多尺度分解性质选取小波包分解层次,得到能正确地反映风机的运行状态的特征向量;参照特征向量的组成方法,提出并构建基于小波包分析的韶钢4号风机典型故障特征表。对待检信号选用db10小波进行6层小波包分解,利用待检状态的特征向量与典型故障特征表,通过模糊模式识别方法进行风机故障诊断。     

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．     

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。     

特征矢量优化的滚动轴承故障诊断

为提取小波包频带中的有效故障信息,基于Fisher线性测度提出一种新的特征矢量优化方法。轴承振动信号经小波包分解后,各子频带数据片段的能量值作为参数构建特征矢量。使用差异性和相似性优化相结合方法,分别选出不同轴承状态下Fisher距离较大的小波包频带,以及同种轴承状态下Fisher距离最小的频带,提取出易于区分不同轴承状态的故障信息。故障辨识使用连续型隐马尔可夫模型,在3种故障程度下实现了轴承正常状态、滚动体故障、内圈和外圈故障的有效判别,辨识精度大于94%。比较实验表明文中方法的辨识精度优于文献方法。