全矢改进连续谐波小波包滚动轴承故障特征提取

滚动轴承在旋转类机械设备中运行时,会产生成分复杂的振动信号。现有滚动轴承信号处理方法多使用单通道信息,无法反映整个截面故障状态。本文提出了一种基于全矢改进连续谐波小波包变换的故障特征提取方法。首先使用相互正交的两个传感器,实现滚动轴承某一截面上双通道振动信号采集;其次利用全矢谱技术将所采集的同源双通道信号进行融合;然后使用改进连续谐波小波包变换分解融合后的信号;再从各子带中提取能反映各类故障特征的能量值组成特征向量;最后利用美国凯斯西储大学滚动轴承实验台的一组实测故障数据验证该方法的正确性。     

滚动轴承复合故障特征分离的小波-频谱自相关方法

为解决从单通道振动信号中实现复合故障特征分离的问题,提出基于小波框架理论的小波-频谱自相关方法.该方法采用正交小波基函数将复合故障信号分解为多个不同尺度的子信号后,对各子信号分别进行频谱自相关分析.研究表明:频谱自相关方法能够去掉时域自相关方法产生的拖尾现象,能量集中性更高、抗噪能力更强,能够突出复合故障信号中能量较大的冲击故障特征.对6220轴承内、外圈复合故障试验信号分析的结果表明:小波-频谱自相关方法将复合故障特征分解到不同通道后,有效地抑制各子信号中能量较弱的故障特征,实现了内、外圈复合故障特征分离.在相同的小波分解条件下,小波-频谱自相关方法比小波-包络谱的特征分离效果更好,具有较高的工程应用价值.     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

滚动轴承故障特征的小波提取方法

分析了有故障的滚动轴承在运转中的振动信号特征 ,采用一种无频带错位的小波包算法进行滚动轴承的故障特征信号提取 ,清晰地刻画出轴承故障冲击的特征函数 ,通过试验证明了该方法的有效性 ,且具有很高的信噪比     

基于小波分析的滚动轴承的故障特征提取技术

提出了一种新的滚动轴承电流信号的故障特征提取方法,利用电流传感器把测得的电流信号转变成电压信号,并对该信号进行小波降噪处理,有效地剔除噪声的干扰,提高了信号的信噪比.用小波分析提取降噪后电流信号的能量特征参数,以表征滚动轴承故障特征,在频谱图中建立起故障频带能量与滚动轴承状态的映射关系,为进一步应用神经网络进行故障诊断奠定了基础.     

基于小波包能量神经网络的滚动轴承故障诊断方法

针对单一的信号处理诊断方法难以实现滚动轴承故障准确诊断的局限性,提出一种基于小波包能量神经网络相融合的滚动轴承诊断方法。搭建MPS-ICP滚动轴承振动信号的数据采集平台,利用小波包变换对滚动轴承内环、外环及滚动体的故障信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征。将提取的能量故障特征分别输入至建立的BP、RBF和Elman神经网络的诊断系统中,实验分析表明,三种神经网络都能较好的诊断电机滚动轴承的故障类型,且与实际滚动轴承的故障类型较吻合,但就诊断误差和时间综合而言,BP神经网络诊断系统更适合电机滚动轴承故障的检测。     

基于谐波小波和Hilbert的滚动轴承故障诊断方法

主轴滚动轴承是数控机床的重要部件,它的运行状态往往直接影响整套机械设备的性能。为了提高主轴滚动轴承的故障诊断可靠性,针对数控机床主轴轴承振动信号非平稳的特点,利用谐波小波滤波的方法对现场采集的振动信号进行滤波,并提出对滤波后的信号进行Hilbert包络分析,从而提取出故障激发的共振信号。实例验证表明,谐波小波具有良好的滤波效果,Hilbert包络分析能有效地提取滤波后信号的故障特征,此方法提高了数控机床主轴滚动轴承故障诊断的准确性。     

基于改进谐波小波包的柔性薄壁轴承背景周期性冲击分离

柔性薄壁轴承是一种特殊的轴承,其内外圈是椭圆,在旋转时椭圆的长、短轴会对轴承产生一种周期性冲击,这种周期性冲击和轴承元件的故障周期性冲击混合在一起,对故障周期性冲击是一种极大的干扰。为消除这种干扰,通过分析椭圆长短轴引起的周期性冲击的特点,结合谐波小波的盒形频率特性,提出一种改进的谐波小波包来消除这种周期性冲击。普通谐波小波包的子带频率范围是根据分解层数确定的,而改进的谐波小波包的各个子带频率范围则针对椭圆长短轴引起的周期性冲击的频率分布特点而设计,可以有效地提取到这种冲击的每一个谐波分量,从而可准确地分离出整个周期性冲击。对实际柔性薄壁轴承振动信号的处理结果表明,改进的谐波小波包从混合的复杂周期性冲击中准确地分离出了椭圆长短轴引起的周期性冲击,而故障周期性冲击却被完好保留,从而消除背景周期性冲击的影响,实现对柔性薄壁轴承损伤的正确识别。     

基于EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.     

小波包原理在滚动轴承声发射检测技术中的应用

详细分析了小波滤波原理。在大量实验分析和理论分析的基础上，提出了使用基于特征频率的小波滤波方法。从而解决了由噪声引起的检测故障滚动轴承误判的问题，并为下一步的信号特征提取打下了坚实的基础。     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

基于参数自适应特征模态分解的滚动轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方法。首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络谱特征能量比(FER-SES)的网格搜索方法自动地确定FMD的模态个数n和滤波器长度L;随后,采用参数优化的FMD将原轴承振动信号划分为n个模态分量,并选取具有最大FER-SES的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方包络谱来提取故障特征频率,从而判别轴承故障类型。通过仿真信号和工程案例分析验证了提出方法的有效性。与变分模态分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

小波消噪在滚动轴承故障诊断的应用研究

滚动轴承振动信号容易受到随机噪声的污染,如何去噪成为滚动轴承故障诊断的关键问题之一。而传统的消噪方法可能会将信号中一些能量小的有用信号当作噪声消除,本文即提出一种改进的小波消噪方法,并用仿真信号和实测滚动轴承振动信号对额方法和传统消噪的方法进行性能比较。结果表明,在消噪方面,小波消噪能更好地提高信噪比,为进一步故障诊断决策提供了可靠的依据。     

基于小波包和分形盒维数的滚动轴承故障诊断

为诊断滚动轴承不同部件产生的故障,针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数。实验结果表明,滚动轴承不同的故障类型具有不同的盒维数。正常滚动轴承盒维数最大,依次为滚珠故障盒维数、内环故障盒维数,外环故障盒维数最小。分形盒维数能定量地识别滚动轴承不同部件的故障,提高滚动轴承故障诊断的准确率,为滚动轴承智能故障诊断提供可靠依据。     

起重机用滚动轴承有限元分析及故障检测

针对起重机用滚动轴承故障率高且难以检测的问题,首先采用Ansys软件对起重机用滚动轴承进行基于实际接触状态的有限元分析,然后采用基于小波包能量法和Hilbert变换方法对滚动轴承进行信号处理、分析以及故障检测。结果表明:滚动轴承的滚动体与内外圈接触部位存在较大应力集中,最易在此处首先发生破坏;根据轴承故障特征频率与内圈、外圈、滚动体三种故障类型所对应的频谱特征和能量谱相比较,可有效判断轴承故障类型。研究所采用的检测方法可为起重机用滚动轴承的故障预防和检测提供一定理论依据和指导作用。     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...     

Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA

Compound fault characteristics in single-channel vibration signals of rolling bearings are difficult to separate. On the basis of improved harmonic wavelet packet decomposition and fast independent component analysis (FICA), this study proposes a new method to address this problem. First, a series of mutually independent frequency bands are obtained after harmonic wavelet packet decomposition of the initial vibration signal to satisfy the requirement that the number of observed signals must be larger than the number of source signals in the FICA algorithm. Second, the optimal frequency bands are selected based on the maximum kurtosis index and used as the input matrix of the FICA algorithm to separate the compound fault characteristics further. Lastly, accurate separation and extraction of the compound fault characteristics of the rolling bearings are realized. Results show that the proposed method can effectively separate the compound fault characteristics in the single-channel vibration signals of the bearings.

     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.