基于小波包分解的滚动轴承故障信号频域特征提取方法研究

对轴承故障信号进行3层小波包分解,重构第3层所有节点,提取重构信号频谱的峰值作为故障特征点并构成特征空间,计算特征空间的平均欧氏距离,平均欧氏距离最小时对应的节点即为最优小波包节点,重构最优节点得到最优重构信号并从中提取特征点构成最优特征空间,最后,对最优特征空间进行K均值聚类。对4种转速下轴承的4种状态进行特征提取与模式识别试验,结果表明,运用该方法能有效提取轴承故障的特征,并使故障特征空间具有最低的类内离散度,获得了较高的模式识别准确率。     

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。     

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.     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。     

基于Hilbert-Huang变换的轴向柱塞泵故障诊断研究

采用Hilhert-Huang变换,提取轴向柱塞泵泵壳振动信号故障特征.该方法先对信号进行EMD分析和Hilhert变换,再提取信号Hilbert谱及能量谱.能量谱反映了信号能量的大小和分布的复杂性,为信号特征的提取提供依据.实验分析结果表明,提取的特征有效地刻画了故障信号,为故障模式的识别奠定了基础.     

基于最优小波基的轴承故障状态特征提取方法研究

针对轴承故障诊断中最优小波基的选取问题,通过计算SUMVAR值选取最优小波基。用不同小波基对轴承故障仿真信号和故障实验信号进行降噪处理,分析降噪后信号与原信号的能量比值,降噪后信号与原信号标准差,峭度等指标,验证所选小波基的优越性。并对使用最优小波基降噪后信号做希尔伯特包络解调分析,结果表明,该方法能准确提取轴承故障特征频率。     

周期稀疏导向超小波在风力发电设备发电机轴承故障诊断中的应用

机械故障特征提取的内积变换原理要求匹配基函数与目标特征之间的相似性。在缺乏故障特征的精确信息这一不利条件下,根据故障呈现出的确定性以及统计特性能够有效指导基函数的选择和构造针对发电机轴承发生故障时常伴随周期性特征的先验知识,提出冲击故障特征周期性稀疏为导向的超小波构造方法。所提出的超小波变换利用可调品质因数小波变换作为匹配字典库,从而改进经典的基于单一固定基函数的小波分析思想。在技术路线上:首先采用超小波字典库对信号进行分解,计算各小波尺度上的周期性稀疏故障特征能量权重指标;以该权重指标优化为目标函数作为评价超小波字典与微弱故障特征匹配相适度的依据选择的可调品质因数小波最优刻画参数(即最优超小波);利用最优的超小波基函数对信号进行最终分解,获取其中的关键故障特征。所提出方法成功地应用于某风力发电机组上发电机轴承故障诊断,从中提取振动信号中隐藏的微弱冲击性故障特征。     

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat, AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio, FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。     

最优共振频带提取的高速列车轴承故障诊断

在非高斯噪声与周期振动信号的干扰下,高速列车轴承的故障特征提取较为困难,针对这一问题,提出了一种新的最优故障频带的判别方法,并通过经验小波变换（Empirical Wavelet Transform,EWT）对故障频带进行提取,从而实现高速列车轴承故障的有效诊断。该方法首先提供了完整的频域分割框架,得到不同中心频率、不同带宽的频带分布;为了得到各频带所包含的故障信息含量,提出了新的故障特征指标HSIB,根据HSIB的变化趋势识别最优频带;最后进行经验小波变换,将选取的故障频带通过正交滤波器组,对得到的分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验数据验证,选取的最优频带包含了丰富的故障信息,可以准确地提取出轴承故障特征频率的基频和倍频成分,有效确定轴承故障。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

基于小波包变换和径向基神经网络技术的汽车后桥总成故障诊断研究

现代汽车工业中,汽车故障有近20％是由汽车后桥引起。后桥故障诊断的难度大并且技术落后,导致后桥总成故障率居高不下,给厂家带来了巨大的经济和名誉损失。为了替代落后的诊断方法,实现后桥总成故障诊断的囱动化和智能化,降低后桥总成故障率,本文基于小波包变换和径向基神经网络技术提出了一种新型的汽车后桥总成故障诊断算法。首先,介绍了小波包和径向基神经网络的基础知识并对常见后桥故障类型进行了分类,得到后桥总成故障模式;然后,实现了对重构后桥振动信号进行四层小波包重构,得到了各频率段能量特征向量,继而与重构信号的方差、偏度和峰度构成了特征输入向量;接着,使用适量的后桥振动样本数据进行建立并训练了用于故障诊断的径向基神经网络;最后,利用50套后桥验证数据验证了所建立的神经网络在故障诊断中的实际效果,网络的故障诊断率迭到了92％。     

小波包和小波脊线相结合的解调方法在液压泵故障诊断中的应用

针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点,提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法,将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析,明确故障振动信号反映出的能量集中频带带宽;根据确定的带宽和原始信号分析频率设定小波包分解的层数,采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构;利用小波脊线法对重构后的频带信号进行解调处理,通过信号的包络解调谱提取故障的特征频率,利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证,该方法能有效地对液压泵的故障信号进行解调,并能找出反映故障的敏感特征频率。     

小波包分析在轴承早期故障诊断中的应用

为了识别轴承早期损伤引起的故障信号,利用小波包对轴承的振动信号进行处理。小波包分析的实质是对小波分解的结果作进一步细分,因而具有比小波分解高得多的频域分辨能力。文中用小波包分析了两个存在早期轻微损伤的轴承的振动信号,并比较了自然序、Gray序以及移频算法的处理结果。这些分析结果表明,小波包分析能够有效地将隐藏在正常振动信号之中的早期弱故障信号提取出来,从而发现轴承的早期损伤。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

小波包在转子碰摩故障诊断中的应用

研究了旋转机械转静件早期碰摩故障信号的检测问题。根据小波包分解能在所有频率范围聚焦、对信号奇异性非常敏感的特性,对比分析了不碰摩和早期碰摩振动信号的特征,得出应用小波包分解和信号重构的方法不仅可对早期碰摩进行准确诊断,还可确定碰摩的位置的结论,证明了该方法对碰摩故障进行诊断的可行性和有效性。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

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。     

Fault diagnosis of rotating machinery based on improved wavelet package transform and SVMs ensemble

This paper presents a novel method for fault diagnosis based on an improved wavelet package transform (IWPT), a distance evaluation technique and the support vector machines (SVMs) ensemble. The method consists of three stages. Firstly, with investigating the feature of impact fault in vibration signals, a biorthogonal wavelet with impact property is constructed via lifting scheme, and the IWPT is carried out to extract salient frequency-band features from raw vibration signals. Then, the faulty features can be detected by envelope spectrum analysis of wavelet package coefficients of the most salient frequency band. Secondly, with the distance evaluation technique, the optimal features are selected from the statistical characteristics of raw signals and wavelet package coefficients, and the energy characteristics of decomposition frequency band. Finally, the optimal features are input into the SVMs ensemble with AdaBoost algorithm to identify the different abnormal cases. The proposed method is applied to the fault diagnosis of rolling element bearings, and testing results show that the SVMs ensemble can reliably separate different fault conditions and identify the severity of incipient faults, which has a better classification performance compared to the single SVMs.     

基于DT-CWT自适应Teager能量谱的轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波变换和Teager能量谱结合,提出了基于双树复小波自适应Teager能量谱的早期故障诊断方法。首先,利用双树复小波将采集到的振动信号分解为不同频带的子信号,并计算各子带的频带幅值熵;然后,将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳阈值,从而自适应并且有效地提取出共振带;最后,对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。