全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足,结合设备状态检测和故障诊断中微弱振动信号难以提取的问题,在介绍全信息技术的基础上,提出新的信号处理方法——全信息小波包分析,用小波包变换对双通道信号分别进行分解,以提取信号中的微弱局部成分,把需要的对应小波包进行重构并用全矢谱技术进行融合,根据融合后的数据进行故障诊断。工程应用实践表明,全信息小波包分析是一种新的、较为实用的信号处理方法。     

全信息小波分析及其在旋转机械故障诊断中的应用

传统旋转机械故障诊断用单通道信号进行诊断,信息量不完整,容易导致误诊.在介绍全信息技术的基础上,结合小波分析的频带分离和刻画信号局部特征的能力,提出了一种全新的信号处理方法--全信息小波分析.用小波分析把信号分解到不同的频带,然后把双通道的对应频带的信号用全矢谱技术进行融合,根据融合后的数据进行故障诊断.用全信息小波分析技术对转子的摩擦故障进行诊断,取得了满意的效果.     

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。     

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。     

融合能量尺度熵及其用于旋转机械运行稳定性诊断研究

以连续小波变换和信息熵理论为基础,提出融合能量尺度熵用于旋转机械运行稳定性定量监测的新指标。用Bently转子试验台模拟实验,将融合能量尺度熵与单源数据的尺度熵对比,结果表明,融合能量尺度熵能较好地反映旋转机械发生故障时不同尺度的稳定性,克服了单源数据尺度熵的不足,可有效提高旋转机械故障诊断的准确率。     

非平稳空间域矢Wigner-Ville分布研究及其应用

大型旋转机械的转子运动是一空间运动.转子故障在发生或发展时,其运行过程具有明显非平稳特性的瞬态过程.通常针对单通道信息的时频分析并不能全面提取瞬态过程的特征信息.结合空间域矢谱(Vector-spectrum in spacedomain)分析和Wigner-Ville分布(Wigner-Ville Distribution,WVD)技术提出了空间域矢Wigner-Ville分布分析方法.它融合了转子同截面三通道图谱中各自存在的振动分量,能全面、准确地反映转子发生故障时的瞬态过程特征量变化.工程实践应用表明:空间域矢Wigner-Ville分布分析对于旋转机械故障诊断是一种新的、较为实用的信息融合方法.     

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。     

采用D-S证据推理的电机转子故障诊断

提出了采用D-S(Dempster-Sharer)证据理论对感应电机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子三相电流信号进行小波包分解,利用节点系数的均方根值构建电机转子故障的特征矢量(证据体);利用明氏距离测度构造基本可信度分配函数,求取证据体对转子故障所赋予的基本概率分配函数值,然后根据D-S证据融合规则进行融合处理,实现了对电机转子故障的准确识别.试验结果表明,该方法可实现转子断条故障的可靠诊断.     

基于矢分数阶傅立叶变换的旋转机械故障诊断方法的研究

论述了如今流行的非平稳信号处理的方法的基本思路,指出分数阶傅立叶变换的独特之处.然后结合旋转机械故障诊断中一般均是采用双通道采集信息,利用全信息融合的方法提高诊断的正确率的情况.提出矢分数阶傅立叶变换的旋转机械故障诊断方法,并利用调频信号加以验证.     

基于小波分析的旋转机械故障诊断技术及其试验研究

通过把转子试验台裂纹故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征,为计算机自动识别或专家系统的建立奠定了基础,从而达到了诊断的目的.结果表明,对于旋转机械的非平稳信号来说,利用小泼变换方法进行故障诊断是行之有效的.     

基于时频奇异谱和RVM的柴油机故障诊断研究

提出一种基于双树复小波包时频奇异谱和关联向量机的柴油机故障诊断方法,针对连续小波时频分布计算量大,分析速度慢,运用双数复小波包分解提取柴油机缸盖振动信号中的时频分布特征,并进行奇异值分解,结合柴油机运行的时域特点,通过特征优选,形成组合特征集,输入关联向量机多类分类器,从而实现柴油机的故障诊断.试验结果表明,该方法分析...     

基于小波包能量谱齿轮振动信号的分析与故障诊断

小波包是继小波分析之后提出的一种新型的多尺度分析方法,解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果.测试了齿轮传动系统在几种不同故障类型下的振动信号,利用小波包变换的分解和重构算法,有效地提取出齿轮故障特征信号,得到试验结果.通过比较时域分析、频域分析和小波包分析对齿轮振动信号进行的特征提取,...     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

小波包时频分析及其特性

在两种典型的非平稳信号分析方法--小波包变换与短时傅里叶变换的基础上,综合两种方法的优点,提出了小波包时频方法.建立了相应的小波包时频分量谱、小波包时频分量幅度谱、小波包时频谱、小波包时频幅度谱等概念.证明了小波包时频分析的能量守恒性,形成了一套较完善的分析体系.算例表明,该分析方法在诊断奇异、检测信号深层次细节等方面具有一些独特性质.     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

A fault identification method of rotating machinerybased on t-SNE

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.     

A fault identification method of rotating machinerybased on t-SNEEI北大核心CSCD

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。