基于无量纲指标与小波变换的轴承故障诊断研究

鉴于滚动轴承在运转过程中能够产生冲击振动信号,将无量纲指标、小波变换与Hilbert包络分析相结合,实现对滚动轴承的故障诊断。将采集到的滚动轴承振动信号进行裕度指标、峭度指标等无量纲指标分析,来定性判断轴承是否存在故障,通过小波变换减小白噪声等干扰信号的影响,通过Hilbert包络谱解调分析,获取能够反映故障频率的振动信号。实例表明,该方法能够简单有效地实现滚动轴承的故障判断。     

煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

基于小波神经网络的煤矿提升机轴承故障诊断

轴承故障严重地影响设备的使用寿命、效率及安全性。以某型煤矿提升机轴承为研究对象,采集煤矿提升机轴承实时数据,基于小波神经网络建立煤矿提升机轴承故障诊断模型,运用MATLAB对煤矿提升机小波神经网络模型进行数值计算,对煤矿提升机轴承故障进行诊断。诊断结果表明,不同运行时间下,煤矿提升机轴承振动信号不同;基于小波神经网络可以精确、高效对煤矿提升机轴承故障进行诊断。该研究为煤矿提升机轴承故障诊断、维修等方面提供理论依据。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于小波变换的行星轮系点蚀故障信号分析

为获取煤矿机械行星轮系点蚀故障信号特性,建立行星轮系的虚拟样机模型,通过仿真生成3种状态下太阳轮和行星轮的啮合力信号。利用小波变换、Hilbert解调和谱峭度分析等方法,对啮合力信号进行了全面分析。结果表明:通过小波变换结合Hilbert解调,能够对行星轮系的点蚀故障特征进行较好的识别;点蚀越严重,小波细节信号的包络谱峭度值增大越明显。研究结果可为行星轮系的早期故障诊断提供一定的理论参考依据。     

强背景噪声下滚动轴承轻微磨损故障特征提取方法

针对轴承轻微磨损故障信号容易被强背景噪声淹没，故障特征微弱难诊断的问题，提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解，基于峭度最大准确选择最优本征模态函数，以最优本征模态函数的功率谱熵最小为目标，设定提前终止准则，实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数，选择峭度最大的本征模态分量进行包络解调分析，结合快速傅里叶变换得到包络谱，实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析，结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征，实现轴承轻微磨损故障的准确诊断，验证了该方法的有效性。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于频谱分离与小波包分析相结合的滚动轴承故障诊断

针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后信号的功率谱,从而从功率谱中识别出滚动轴承的故障特征频率,达到滚动轴承故障诊断的目的,并结合实验数据对该方法进行验证,结果证明了该方法的有效性。     

小波包-包络分析在滚动轴承故障诊断中的应用

滚动轴承故障诊断是机械故障检测中一个重要方面。使用小波包分析和包络分析相结合的方法提取轴承微弱振动信号 ,克服了传统包络分析方法易丢失信号有效成分的缺点。包络信号的细化谱较好体现了轴承故障信息