基于小波包分解的船舶发电机轴承故障检测

为了实现对船舶发电机轴承进行故障检测,通过对三相定子电流的Park失量模信号进行小波包分解,求相应子频带小波包分解的均方根值(RMS)作为表征电机轴承的故障特征,以此作为发电机轴承故障诊断的依据。在实验室条件下,选择一款发电机并人为设置轴承故障进行试验验证,实验结果表明,提出的方法能够有效的识别发电机的轴承故障。     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

小波包分析在滚动轴承故障诊断中应用

根据小波包多分辨原理,对齿轮减速器JZQ250内的轴承振动信号进行处理,在分析滚动轴承振动机理的基础上,利用小波包进行多尺度分解,根据信号与噪声随尺度增加的不同传播特性,低频部分代表信号的发展趋势,正常状态信号趋势单调递增,故障状态信号趋势则单调递减,初步判定轴承的运行状态是否正常。当判定为故障时,选择小波包分解重构后特殊层的信息进行频谱分析,提取其故障特征频率。经对大量实测数据的处理和分析,能够比较准确地识别和诊断出减速器的正常运行状态,内圈、外圈和保持架故障运行状态,具有一定的工程实用价值。     

基于EMD和小波包的轴承故障特征提取

提出了一种将经验模态分解(EMD)和小波包(Wp)分解相结合的方法,提取某些电机信号非平稳特征.首先对电机振动信号作EMD分解,再对其分解结果单模态函数作WP包络谱分析,从而得到精确度较高的轴承内圈故障频率.最后,通过仿真和实例,将本方法和已有文献中的方法进行对比,结果表明,该方法不仅具有较高的可行性,而且可以准确地提取出故障信息.     

基于小波包分解的方差非线性均衡下的轴承故障特征提取

当轴承发生不同故障时,振动信号在不同频段的方差分布并不均衡。为了有效提取不同故障信号的特征,针对轴承故障信号小波包分解得到的频段分量,提出一种非线性均衡的方差均衡化方法,实现故障特征的更高区分度。实验中,基于凯斯西储大学轴承数据中心实测的轴承振动数据,用该方法对4种转速之下的正常轴承信号、内圈故障轴承信号、外圈故障轴承信号和滚动体故障轴承信号提取的方差参数进行了分析,结果表明均衡后的不同故障信号的方差参数具有更好的区分度,能有效地实现轴承故障类型的区分。     

强噪声背景下动车组轴承微弱故障信号检测

动车在高速行驶中,齿轮箱轴承易发生裂纹、点蚀等故障.为了在故障发生的初期检测出微弱的故障频率成分,本文提出了一种基于小波降噪预处理的周期势振动共振的轴承故障诊断方法.利用小波包提取轴承的固有共振频带,重构提取出的信号,滤除其中的强噪声干扰,随后将信号输入周期势振动共振系统,增强了故障特征.同时,本文建立了考虑振动共振系统中高频激励信号幅值的优化模型,并采用蚁群算法实现了其参数的自适应优化,得到输出信号后将其转化到频域分析,从而检测出轴承早期故障.实例分析表明,所提方法的数据处理结果相比单独采用随机共振的结果更精确,误差缩减至0.3％.     

基于相对动态误差的轴承故障特征参数提取北大核心CSCD

轴承故障信号中存在有关故障的异常信息,对维护机械安全有着重大意义。轴承故障信号经小波包分解之后,故障的异常信息主要体现在分解频段的动态误差上,而各个频段的动态误差一般由标准差能量熵和标准差均值来描述。为了凸显轴承故障的区分特征,通过轴承故障尺寸去刻度动态误差,利用相应的轴承故障特征参数提取相对动态误差,是有效的处理方法。基于此思路,本文针对小波包分解后不同频段分量的标准差,计算其能量熵以及均值。然后把对应频段的标准差能量熵和标准差均值相加作为特征参数,在同一尺度下定性分析。同时把轴承信号不同频段的特征参数相加后的数值与轴承故障尺寸相比,通过产生的相对动态误差进行定量分析,最终实现对轴承故障的有效区分。实验结果表明,本文所提方法对轴承故障有很好的区分效果。     

基于小波和能量特征提取的旋转机械故障诊断方法分析

轴承和转子系统在旋转机械中是非常关键的部件,小波包对振动故障信号的特征提取是对于旋转机械故障诊断的关键.针对传统的软、硬阈值量化方法在阈值常数偏差和不连续的问题,设计一个可调参数改进的连续函数以用来量化阈值.对于旋转机械转子常出现故障采用振动信号的小波包分解、去噪然后进行小波包能量特征提取.     

基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

滚动轴承故障诊断是机械故障检测中的一个重要方面。本文提出了一种小波包分析和Hilbert包络分析相结合的方法对轴承进行故障诊断。首先利用小波包分析将滚动轴承的振动信号分解到不同的节点上。然后求出各频段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带,对故障频带的重构信号做包络谱分析,将谱峰处的频率与滚动轴承的故障特征频率进行对比。诊断出滚动轴承的故障。通过对实验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性。     

小波包分析在旋转机械故障诊断中的应用

简述了小波包分析的基本原理及其用于故障特征识别的机理,研究了小波包分析在旋转机械故障诊断中的应用。由于此技术能够从复杂的信号中有效地提取微弱的故障特征信号,因此与小波分析相比,分析更为精细简单。实例采用小波包原理对一类旋转信号进行分解重构后,成功地提取了故障特征,体现了小波包分析的优良特性,其结果证明了该方法是行之有效的。     

Neural-network-based motor rolling bearing fault diagnosis

Motor systems are very important in modern society. They convert almost 60% of the electricity produced in the US into other forms of energy to provide power to other equipment. In the performance of all motor systems, bearings play an important role. Many problems arising in motor operations are linked to bearing faults. In many cases, the accuracy of the instruments and devices used to monitor and control the motor system is highly dependent on the dynamic performance of the motor bearings. Thus, fault diagnosis of a motor system is inseparably related to the diagnosis of the bearing assembly. In this paper, bearing vibration frequency features are discussed for motor bearing fault diagnosis. This paper then presents an approach for motor rolling bearing fault diagnosis using neural networks and time/frequency-domain bearing vibration analysis. Vibration simulation is used to assist in the design of various motor rolling bearing fault diagnosis strategies. Both simulation and real-world testing results obtained indicate that neural networks can be effective agents in the diagnosis of various motor bearing faults through the measurement and interpretation of motor bearing vibration signatures     

基于MATLAB App Designer的牵引电机滚动轴承可靠性评估系统设计

牵引电机滚动轴承在运行过程中由于存在载荷不均匀和运行环境恶劣的问题,需要评估地铁车辆牵引电机滚动轴承的可靠性.文中基于MATLAB App Designer对牵引电机滚动轴承可靠性评估系统进行了设计开发.通过提取振动信号的时域、频域特征指标,利用主成分分析法进行特征融合.将融合后的特征指标作为威布尔比例故障率模型的响应...     

光学电流传感器测量电网接地故障信号的研究

针对光学电流传感器测量电网故障信号的选线方式,以测量中压电网单相接地的故障电流为例,提出了一种对地故障信号检测的可行方案。文中通过利用LabVIEW与Matlab混合编程的方式,模拟了电网接地的故障电流,运用小波算法将测量的故障信号去除噪声,并分析了去噪信号的各谐波分量,以供五次谐波选线。经过仿真验证,证明了去噪后的故障信号真实可靠,分析出的谐波频率所占比重也真实地反映了故障信号的成分。     

基于小波奇异性的故障诊断

小波变换具有良好的时-频特性,能在不同尺度上分析和处理信号的各种成分,使信号的奇点、突变点放大,提高信号的分辨率、信噪比。因此可以有效地用于电力电子系统故障诊断。在介绍小波变换信号奇异性检测原理的基础上,对电力电子系统奇异性故障信号使用Matlab进行仿真。仿真结果表明,小波变换在故障诊断中有着广泛的应用前景。     

基于MEMS加速度传感器的轴承故障检测

提出了一种通过利用低成本的MEMS加速度传感器进行振动分析,实现检测电动机深沟球轴承多重故障的简易方法。首先分析了轴承多故障特征频率,然后通过快速傅里叶变换算法对轴承出现故障的电动机振动频率进行了分析,从振动频谱中提取故障频率来诊断轴承多重故障的存在。同时,基频分量周围的边带频率分量表明由于故障轴承存在空气间隙。在空载、单相以及失衡电压条件下通过实验对提出的方法进行了研究,结果显示提取出的故障频率与理论值两者十分接近,表明提出的方法能够有效检测并识别出感应电动机的多故障特征。     

A Smart Sensing Unit for Vibration Measurement and Monitoring

A novel smart sensing unit is developed in this paper for vibration measurement and machinery condition monitoring. The microprocessor-based smart sensor can collect 2-D vibrations and conduct signal analysis. When mounted in proximity of a bearing housing (a general case), it can conduct online fault detection in shafts and bearings. A correlation spectrum method is proposed as a digital encoder to recognize shaft rotation speed. A wavelet energy spectrum technique is adopted for bearing fault detection. A novel strategy is suggested to extract representative features and enhance feature characteristics by integrating the resulting wavelet energy functions over different frequency bands. The effectiveness of the developed smart sensor and the related fault detection techniques is verified by experimental tests corresponding to different bearing conditions. Test results show that the developed smart sensing unit is an effective measurement and condition monitoring tool; the wavelet energy spectrum technique is a robust bearing fault detection method, especially for nonstationary feature extraction and analysis.      

异步电机直接转矩控制方法的研究

本文通过分析异步电机数学模型,逆变器模型及空间矢量电压的分析来阐明异步电机直接转矩控制方法的原理,基于Matlab/Simulink仿真平台建立异步电机直接转矩控制方法仿真平台,通过0SP硬件平台设计和软件开发编写DTC控制程序,最终由实验得出该控制方法具有牵引力大,起动电流小,调速性能好,节能等优势,具有广泛的应用意义。     

Fault identification in rotor/magnetic bearing systems using discrete time wavelet coefficients

A method of online fault identification in rotor/magnetic bearing systems is presented using wavelet analysis. A filter bank approach is taken to identify the discrete time wavelet coefficients of the rotor displacement signals. From artifacts present in the discrete time wavelet series associated with specific faults, it is shown that it is possible to identify both the onset time and the fault type. This method is demonstrated for simulations of a flexible rotor/active magnetic bearing assembly during auxiliary bearing contact and direct synchronous forcing for a range covering flexible critical speeds. Experimental validation was performed on a flexible rotor/active magnetic bearing facility undergoing sudden rotor unbalance, resulting in rotor orbits with and without auxiliary bearing contact. Artifacts associated with both the sudden mass loss and the rotor/bearing contact are identified.     

基于LMD和Fisher判别的风力发电机组齿轮箱滚动轴承故障诊断方法

风力发电机组齿轮箱等旋转机械故障振动信号具有调制特征,因此有针对性地提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和Fisher判别的故障诊断方法。首先对振动信号进行LMD分解,可得若干个的乘积函数(Product Function,PF)分量,以相关系数为依据进行PF分量筛选和信号重构,并对重构信号进行故障特征提取,然后以多组典型故障样本的特征量来训练得到Fisher判别式,最后利用判别式对待判样本进行分类,由判别结果可知滚动轴承的工作状态、故障部位及故障程度。分析从试验台采集的各类故障样本集和从某实际风场监测的数据,证明了所提取故障特征量的准确性,同时也验证了所提出方法在旋转机械故障诊断方面的有效性。