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。     

基于参数优化Morlet小波变换的故障特征提取方法

针对轴承或齿轮箱等机械元件的故障振动信号表现为冲击衰减波形的特点,提出一种基于参数优化Morlet小波变换的故障特征提取方法。利用最小Shannon熵方法优化Morlet小波的形状参数,实现与冲击特征成分的最佳匹配,再对小波变换系数矩阵进行奇异值分解,根据奇异值曲线中主要反映突变信息的过渡阶段所对应的尺度范围求得最佳小波变换尺度,最后对信号进行Morlet小波变换提取故障特征。仿真试验和实际应用的结果表明,该方法能更有效地从强噪背景中提取故障特征。     

基于Morlet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题,提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上,将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明,该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析,可以同时表征奇异性信号的时间和频率信息。     

基于Modet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题，提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上，将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明，该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析，可以同时表征奇异性信号的时间和频率信息。     

连续小波变换的滚动轴承故障诊断

提出了用连续小波变换与傅立叶变换相结合进行轴承故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解,然后进行小波尺度一能量谱统计,再在有可能体现故障频率的尺度上对其获得的小波系数进行快速傅立叶变换来识别故障特征频率。对于非常微弱的内圈故障提出了通过共振解调法对特定尺度系数进行Hilbert包络提取故障频率的新方法。优点在于能够在强噪声背景下较为精确的识别故障。实际测试验证了新方法的正确性。     

基于连续小波变换的滚动轴承外圈故障检测

提出了用连续小波变换与傅里叶变换相结合进行轴承外圈故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解．再对其获得的小波系数进行快速傅里叶变换来识别故障特征频率。然后对不同信号做小波系数能量谱进行对比。优点在于能够在强噪声背景下较为精确的识别外圈故障。实际测试验证了新方法的正确性。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于EEMD-JADE的滚动轴承故障诊断分析

滚动轴承故障信号特征往往受背景噪声影响而难以准确提取,集合经验模式分解能将源信号有效分解出具有真实物理意义的本征模态分量,提高故障特征的诊断精度,盲源分离技术能够分离故障信号进而提取故障特征。将集合经验模态分解与盲源分离技术相结合,通过相关系数的计算和敏感因子的数值判断合理选用源信号的分量,构建出噪声信号,再通过盲源分离技术,分离噪声信号。仿真分析和实验表明,此方法可以成功的分离出典型的轴承故障特征,可有效提高轴承故障诊断效果。     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于谐波小波奇异熵的轴承故障实时诊断

将谐波小波变换、奇异值分解理论和信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法。对轴承振动信号进行谐波小波分解,将分解得到的小波系数分别以尺度为行、时间为列构建谐波小波时频分布矩阵,并对该矩阵进行奇异值分解,以分解得到的奇异值为划分标准进行信息熵计算,通过信息的熵值来诊断轴承故障,给出了基于谐波小波奇异熵的轴承故障实时诊断的具体方法和模型。通过对轴承内圈故障、外圈故障大量的试验研究表明:该方法能有效地对轴承故障进行诊断,具有很高的实时性,能对采样频率低于68kHz的诊断系统进行实时诊断,适用性很好。     

Morlet小波在数控机床预测中的应用研究

针对故障早期状态信号的微弱与包含脉冲突变成分对故障信号采集、去噪、预测等带来的极大挑战,分析了Morlet小波变换的滤波特性及其时频分辨率,提出了基于参数优化的Morlet小波变化的故障特征提取办法。利用最小Shannon熵方法和奇异值分解的周期检测方法分别对Morlet小波的形状参数β和尺度因子a进行优化。最终选择了最优Morlet小波作为滤波内核,对轴承早期状态进行震动检测与分析,从而完成对数控机床主轴轴承的早期状态监测与故障预测。仿真试验和实际应用的结果表明,实际f=232.7Hz,接近故障通过频235.6Hz,推测轴承外圈出现性能下降,完成故障预测。该研究有助于对机械突变故障信号的微弱信号检测和提取,对数控装备的故障诊断、预测及未来故障注入,BIT有重要研究意义。     

基于Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分.以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数.对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径.     

基于S变换和改进SVD的滚动轴承智能诊断方法

对于滚动轴承而言,工程实际中存在诊断样本与训练样本故障类型相同(如均为滚动体故障)但故障程度却不同的现象,同时滚动轴承发生故障时其振动信号表现出明显的非平稳性,因此文中提出一种基于S变换和改进奇异值分解的滚动轴承故障程度鲁棒的智能诊断方法。首先利用S变换得到滚动轴承振动信号时频分布矩阵,再利用改进奇异值分解方法对时频矩阵进行降维进而得到约简的特征向量,最后将提取到的故障特征向量作为支持向量机的输入,利用支持向量机识别轴承所属的故障类型。实验结果表明,该方法能有效地解决滚动轴承训练样本与测试样本故障程度不一致时的诊断问题,效果优于传统滚动轴承诊断方法。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

强噪声背景下的滚动轴承故障微弱信号检测新方法

分析共振解调技术和小波变换在滚动轴承故障诊断中存在的不足,提出一种用于提取滚动轴承微弱信号的新方法,该方法将时间序列模型(AR模型)和多重自相关方法应用于滚动轴承信号降噪,再利用小波包络分析,提取出反映滚动轴承故障的特征频率。通过对新方法包络谱特征的自动提取,实现了基于支持向量机(SVM)的智能诊断。实际试验验证了新方法的正确有效性。     

基于谐波小波包能量熵的轴承故障实时诊断

将谐波小波包变换与信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法.对故障振动信号进行谐波小波包分解,将分解的小波系数按尺度进行排列,计算不同尺度的能量,以尺度能量为划分标准,计算故障信号的能量熵,通过能量的熵值诊断轴承故障.给出谐波小波包能量熵的轴承故障的具体诊断方法和模型.对不同...     

航空发动机轴承微弱故障特征提取技术研究

轴承是航空发动机支承传动系统的主要部分,其性能与质量的好坏将直接影响到发动机的寿命与可靠性。围绕轴承典型故障的信号分析问题,开展实验室条件下航空发动机中介轴承典型故障实验,主要研究小波与小波包络谱分析轴承典型故障信号特征及最佳诊断方法。通过采集微弱故障与明显故障滚动轴承的机匣信号数据,用小波变换降噪并且提取特性信号,再分别使用包络谱分析和小波包络谱分析方法得到故障特征信号及特性峰值频率,以达到准确诊断轴承故障及其位置的目的。通过理论计算,证明小波变换与包络谱均是有效的诊断技术。     

基于盲源分离与小波降噪的旋转机械故障分析

基于小波降噪和盲源分离相结合对机械信号进行分离与故障诊断。首先使用经分析选择的较好小波阈值对非平稳振动信号进行降噪,然后运用盲源分离技术分离出激振信号,结果表明利用小波阀值降噪后进行盲源分离时分离信号与源信号相似系数优于直接盲源分离;将小波降噪和盲源分离相结合应用于某燃气轮机的实测故障信号提取,诊断出转子发生了不平衡及碰摩等故障现象,与实测情况相符,有效说明了该方法在旋转机械故障诊断中的实用性。     

一种变转速下滚动轴承振动信号盲源分离方法

确定性随机分离(DRS)是一种有效的滚动轴承振动信号盲源分离方法,但其只能处理稳速工况下的信号,无法实现变转速信号的盲源分离,为此结合角域重采样技术解决上述问题。首先通过角域重采样将时域变转速信号转化为角域稳态信号,减少转速变化的影响,再应用DRS对角域稳态信号进行分离,提取信号中的确定性成分,最后将角域确定性信号反向转换回到时域,实现变速信号的盲源分离。通过轴承故障模拟试验证明所提方法能够实现变转速下滚动轴承振动信号盲源分离,并从随机成分中可有效提取轴承故障特征。     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。