基于小波脊线的解调方法及其在旋转机械故障诊断中的应用

通过分析小波脊线与信号瞬时频率和瞬时幅值的关系,提出一种利用小波脊线进行旋转机械故障特征提取的新方法.针对小波脊线迭代提取算法中存在的迭代发散问题,提出一种在发散点处自适应改变迭代阈值的改进脊算法;通过仿真分析表明了该算法具有较好的抗噪特性,进而研究其在提取多分量信号小波脊线中的特性;将该方法应用于齿轮箱和滚动轴承的故障诊断中,结果表明,基于小波脊线的解调方法能有效地提取旋转机械故障振动信号的特征.     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

发动机汽缸振动信号的小波包分解与故障诊断

通过一种改进的小波包分解算法，有效解决了小波包分解过程中出现的混频现象。利用该算法对振动信号进行实例分析，通过对信号进行小波包分解和重构，可看到信号的概貌和细节，并能捕获到携带设备运行状态和故障特征的奇异信号，便于进行深层信息处理，以查找故障源。     

小波包分析在故障诊断中的应用

分析了用小波包能量分析方法提取故障信号特征向量的方法，并改进算法解决了小波包分解中的混频现象，根据最佳分解树进行了特征选择。通过实例证明本方法行之有效。     

小波变换在滚动轴承故障诊断中的应用

采用小波包分解和信号重构的方法,提取滚动轴承振动信号中被噪声所掩盖的由滚动表面剥落磨损所引起的冲击成分,并且加以分析。通过对滚动轴承出现内圈剥落、外圈剥落和正常情况下振动信号的分析,说明了这种方法可以有效地用于滚动轴承的故障诊断。     

小波包分解及其在旋转机械故障诊断中的应用

简述了小波包分析原理，阐明其具有良好的时频局部化特性，能对非平稳信号进行有效识别，可有效区别不同故障。结合实例验证了其用于故障诊断的优越性。     

改进的小波包变换方法在齿轮箱故障诊断中的应用

介绍了小波包变换的改进方法,将其应用于齿轮箱的故障诊断中,避免了混频现象,有效地提取出齿轮箱故障特征,提高了故障诊断的准确率。     

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。     

小波包能量与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.     

基于小波包能量谱-神经网络的液压泵故障诊断

针对利用振动信号进行液压齿轮泵故障诊断，介绍了振动信号的小波包能量谱分析，指出了振动信号的小波包能量谱分析可以进行齿轮泵故障模式的识别，研究了利用RBF网络对振动信号的小渡包能量谱进行模式学习和识别的方法，并建立了相应的RBF网络。试验表明小波包能量谱分析一RBF网络方法可对液压齿轮泵的常见故障进行识别和诊断。     

基于小波包的全信息解调方法及其应用

针对旋转机械故障信号的振动特点,将小波包络解调与基于数据融合技术的全矢谱相结合,提出一种诊断旋转机械调制信号的分析方法。首先,对安装在转子同一截面不同方向上的传感器信息同步整周期采样,对来自不同方向的时域信号分别采用小波包进行分解并重构,以实现带通滤波的效果;然后,采用全矢谱技术对两组重构信号进行数据融合;最后,对合成后的信号做包络解调分析。通过仿真研究和工程实例分析可以得出,对来自同一截面、不同方向的时域信号分别作小波包络谱分析时,两者在能量分布和频谱结构上存在着较大差别,以致造成提取故障信息的不完整或造成误判、漏判。基于小波包的全信息解调分析方法通过对同源的双通道信号的有效融合,可全面地反映出信号中包含的不同调制信息。与基于全矢谱的传统包络解调分析进行对比分析,具有较好的分析结果和可信度。     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在齿轮故障诊断中的应用

在基于多尺度线调频基稀疏信号分解的基础上,提出一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速状态下的齿轮故障诊断.广义解调可以将时频分布呈曲线变化的多分量非平稳信号转化为时频分布平行于时间轴的平稳信号,因此非平稳信号经广义解调后满足傅里叶分析对平稳性的要求,而如何获取多分量信号的广义解调相位函数是广义解调方法的关键和难点.对信号进行基于多尺度线调频基的稀疏信号分解,得到分量信号的相位函数,再对分量信号进行广义解调和频谱分析得到齿轮故障特征频率.该方法非常适合于分析转速波动齿轮的多分量调幅-调频振动信号,仿真算例和应用实例说明了方法对变速齿轮箱故障诊断的有效性.     

旋转机械振动信号的小波包分解及故障检测

研究了旋转机械振动信号的特点，指出传统的波形分析和频谱分析存在的问题。提出了从小波包分解序列图和小波包能量分布图两个方面对振动信号分析的方法，赋予小波变换和小波包分解的结果以明确的物理意义，通过测试数据分析旋转机械的三种典型故障在时域、步域及时频域所反映的信息特征，从而表明了该方法的可行性及对故障检测的有效性。     

基于改进HHT和小波包理论的液压泵故障特征提取

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解(EMD)和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分.通过两种方法的对比可以得出:两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少.     

冗余小波包改进及其在齿轮箱故障诊断中应用

针对小波包分解广泛存在频率折叠、频带重叠与频带错位缺陷,分析了其产生的根源,并以此提出了一种改进的冗余小波包分解算法。该算法通过交换偶数位置子带小波包分解后的两子带顺序来消除频带错位缺陷,通过引入两算子依据傅里叶变换滤波原理分别从频域滤去低、高频子带理论频率范围外的频率成分来避免频带重叠缺陷。分别使用仿真信号与某直升机中减速器疲劳试验的故障数据对该算法进行了仿真验证与试验验证。分析结果表明:相对于Mallat小波包算法和通常的冗余小波包算法,改进的冗余小波包分解算法确实成功消除了频率折叠、频带重叠和频带错位等三类缺陷,因此该算法能更有效地提取淹没在强噪声和其他强干扰背景下微弱故障特征,具有一定的工程应用价值。     

Demodulation Based on Harmonic Wavelet and Its Application into Rotary Machinery Fault Diagnosis

The harmonic wavelet transform(HWT) and its fast realization based on fast Fourier transform(FFT) are introduced. Its ability to maintain the same amplitude-frequency feature is revealed. A new method to construct the time-frequency(TF) spectrum of HWT is proposed, which makes the HWT TF spectrum able to correctly reflect the time-frequency-amplitude distribution of the signal. A new way to calculate the HWT coefficients is proposed. By zero padding the data taken out, the non-decimated coefficients of HWT are obtained. Theoretical analysis shows that the modulus of the coefficients obtained by the new calculation way and living at a certain scale are the envelope of the component in the corresponding frequency band. By taking the cross section of the new TF spectrum, the demodulation for the component at a certain frequency band can be realized. A comparison with the Hilbert demodulation combined with band-pass filtering is done, which indicates for multi-components, the method proposed here is more suitable since it realizes ideal band-pass filtering and avoids pass band selecting. In the end, it is applied to bearing and gearbox fault diagnosis, and the results reflect that it can effectively extract the fault features in the signal.     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。