机械故障诊断内积变换原理与验证

工程实际常用的快速傅里叶变换、短时傅里叶变换、小波变换、第二代小波变换和多小波变换等先进信号处理方法,为关键设备运行监测与故障诊断奠定了基础。为深刻认识其共性问题,对机械故障诊断信号处理方法物理本质与关键技术等基础问题进行研究。指出它们的变换原理都是内积变换,探求信号中包含与"基函数"最相似或最相关的分量,关键在于构造和选择动态信号中与故障特征波形相匹配的基函数,实现科学、正确的状态监测与故障诊断。通过仿真试验和工程案例,对机械故障诊断的内积变换原理进行验证,证明该原理的正确性和可靠性。同时,根据试验现象得出若干基函数性质对内积变换的影响规律,补充和完善了机械故障诊断内积变换原理。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于互信息的小波特征提取方法及其在机械故障诊断中的应用

通过将小波方法与互信息——一个基于信号所有各阶统计量构建的统计测度相结合，形成了一种基于互信息分析的小波特征提取新方法。该方法克服了传统小波方法的不足，可由时域信号直接获取小波分解的低维量化特征，用于后续故障模式分类器的训练与设计，从而为构建自动化的智能机器故障诊断系统奠定了基础。实验结果表明，该方法简单有效，在机械故障诊断中具有较大的应用潜力。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

基于小波变换的引擎故障诊断方法研究

小波分析是近年来迅速发展起来的一门理论,在图像处理和故障诊断等方面都取得了成功的应用。本文从诊断理论和故障信号特点两方面说明对引擎故障信号进行小波分析是引擎故障诊断过程的内在要求;阐述了小波分析的理论基础,得到适合故障信号分析的小波母函数;应用了基于“能量-故障”的引擎故障诊断模式识别方法。通过小波包变换,成功提取了转子振动平台预设故障状态下的特征向量,通过模拟实验验证了该方法的可行性。     

基于小波变换的柱塞泵故障诊断方法

基于柱塞泵的脉动分析模型,提出了一种基于小波变换的柱塞泵故障诊断方法。以泵出口处的压力信号作 为分析信号,利用小波变换将该信号进行频谱分解,可有效地提取压力信号中所包含的故障信号。仿真与试验结 果均表明:基于小波变换对泵出口压力信号的分析可实现泵的故障诊断。     

基于线调频小波变换的旋转机械故障诊断

小波变换在设备故障信号处理中得到广泛地应用,然而,小波变换只能消除白色噪声,对有色噪声不起作用.线调频小波变换统一了短时Fourier变换和小波变换的时频分析,是信号的时间-频率-尺度变换,能根据信号的特点自适应生成新的时频窗口.它不仅具有小波变换良好的时频局部性特点,而且它的时频窗口比小波变换的时频窗口更加灵活.本文应用线调频小波变换对旋转机械故障信号进行消噪,效果明显.     

基于连续小波变换的齿轮故障诊断方法研究

根据连续小波变换具有较二进离散小波变换和小波包变换更精细的尺度分辨率的特点，提出了基于Ｍｏｒｌｅｔ连续小波变换的时间平均小波谱的概念，同时建立了两种基于时间平均小波谱的故障诊断方法：谱形比较法和特征能量法。将这两种方法应用在变速箱齿轮故障诊断中，结果表明，时间平均小波谱可以有效提取齿轮故障特征信息；谱形比较法和特征能量法能够准确诊断齿轮故障程度，且特征能量与齿轮故障程度成二次曲线关系。为齿轮故障诊断提供了一种新途径，对于其他复杂机械设备的故障诊断同样具有参考价值。     

基于小波变换的离心风机故障诊断方法

异常振动是离心风机故障的主要表现形式,严重时影响生产运行。引起风机振动的原因很多,本文运用小波变换对离心风机振动故障进行分析,总结出引起离心风机振动超标的主要原因,对故障点进行检修。     

基于小波变换的故障诊断

本文详述了傅立叶变换与小波变换的本质与区别,以及它们在故障诊断中的应用。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于平移不变多小波变换的齿轮故障诊断

机械设备发生故障时,反映设备故障特征的振动信号常淹没在背景噪声中,直接做频谱分析,很难提取其故障特征。将平移不变多小波降噪方法应用到仿真加噪冲击信号,提取出隐藏在噪声中的冲击特征。然后将该方法应用于齿轮箱试验台信号分析中,试验结果表明,平移不变多小波降噪方法能够有效地提取出齿轮箱断齿故障的冲击特征频率,诊断出齿轮箱的断齿故障,为故障诊断提供了准确的依据。仿真与试验分析验证了平移不变多小波降噪方法在故障诊断中的有效性。     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

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。     

基于小波变换的轴心轨迹特征提取

回转机械的轴心轨迹包含着反映其运行状态的丰富信息，但由于各种噪声干扰严重，使轴心轨迹非常杂乱，难以从中得到有用信息。本文将小波变换用于提纯轴心轨迹，剔除干扰，提取故障特征，取得了良好的效果     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

基于迭代经验小波变换的齿轮故障诊断方法

齿轮故障振动信号具有多分量和调幅-调频等特点,导致振动信号耦合程度高、数据特征提取和识别难度大。提出了一种基于迭代经验小波变换(EWT)和稀疏滤波(SF)的振动信号故障特征提取和诊断方法。首先,利用尺度空间表示将齿轮振动信号的Fourier频谱自适应的划分为若干频带,并利用EWT将输入信号分解为若干本征模态函数(IMF);其次,利用互信息能量熵方法迭代去除振动信号中的噪声干扰成分,并重构振动信号;再次,建立基于稀疏滤波的无监督神经网络模型,将重构的振动信号作为神经网络模型的输入并学习故障特征,利用softmax辨识故障信息;最后,利用建立的故障诊断模型辨识齿轮故障测试数据并验证本文方法的有效性。结果表明,所提方法能够有效辨识故障特征。     

异步电动机故障诊断的小波变换等高图方法

用Morlet小波作为小波基，对异步电动机鼠笼转子故障时的定子电流信号进行多尺度分析，将获得的小波变换系数用等高图表示，从中能清楚地识别出异步电机鼠笼转子不同断条的故障。较基于傅立叶变换的故障诊断，该方法对异步电动机故障的辩识能力有显著提高。     

基于图形显示算法的小波变换在机械故障诊断中的应用研究

针对广泛应用的Mallat快速算法在小波变换中存在的随分解层数增大数据长度成倍减小,使得对信号进行精细分析、提取微弱故障信息受到限制的问题,研究应用图形显示算法与Mallat算法相结合解决这一问题的方法。介绍了图形显示算法的基本原理,推导了正交小波的图形显示算法。给出了应用该算法对斜轴式柱塞泵振动信号进行分析,在强振动背景下提取微弱故障特征的实例。方法可有效地用于信号的深层信息处理和微弱故障信息的提取。     

基于小波变换的隐Markov模型离心泵故障诊断方法研究

根据离心泵故障振动信号的特点,本文提出了一种结合小波变换与隐Markov模型(HMM)的离心泵故障诊断方法。小波变换具有多分辨率分析并且在时频两域都具有表征信号局部特征能力的特点,利用Daubechies小波对振动信号进行一维8尺度的小波分解,然后从中提取一维信号的低频系数作为特征向量,将其输入到各个状态HMM进行训练,其中输出概率最大的状态即是离心泵的运行状态,从而实现离心泵的故障诊断。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。