滚动轴承振动信号的小波奇异性故障检测研究

该文以滚动轴承振动信号为分析对象 ,基于小波奇异性分析原理进行滚动轴承故障检测新方法的研究。通过求解待测信号的小波变换极大模来检测和识别信号中奇异点位置和奇异性大小 ,以及对噪声极大模的抑制处理 ,达到抑制或消除噪声的目的 ;最后 ,在剩余小波极大模的基础上进行信号重构 ,展现原待测信号中的故障信号模式。通过对铁路货车车轮用滚柱轴承振动信号的分析表明 ,此方法在大幅度地提高信噪比的同时 ,对由轴承损伤冲击造成的信号突变仍保持了较高的灵敏度和分辨率。为滚动轴承故障检测打下了良好的基础。     

从故障实例数据库中挖掘振动信号特征

复杂、并发故障诊断的难点在于这些故障的振动信号很复杂,特征很难获得,文中阐述了从实例数据库中挖掘故障特征的整体结构,定义了信号的绝对、相对和梯度特征及相应的绝对、相对和梯度模式实例,进而阐述了应用模糊聚类分析挖掘特征模式的方法,最后以往复式压缩机实例挖掘系统为例说明了该原理的应用。     

基于梳状小波的旋转机械振动信号降噪方法的研究

通过对小波变换降噪性能的研究，针对旋转机械振动信号数据采集的特点，提出了一种在旋转机械振动信号处理中，利用梳状小波进行降噪的方法，该方法利用梳状小波生成的梳状滤波器对旋转机械振动信号进行降噪处理，通过仿真计算，对该方法进行了检验，并与线性平均法进行了比较，得到了很好的结果。     

振动信号时变特征的提取,压缩及机械状态监测

往复式机械和许多周期运转机械的振动激励都具有脉冲性质,振动响应的时间相关局部细节包含丰富的故障信息.本文提出了振动信号的时变模型,用以提取机械运转特征,并提出使用正交变换描述特征母体的一阶矩和二阶矩的方法,在时变特征提取、压缩的基础上,引入模式识别中的距离准则,判断任一信号与母体的相似性,以作为一种监测的度量手段.一个关于柱塞泵振动信号监测的例子说明了本方法的使用过程.     

旋转机械高速启动过程振动信号分析方法的研究

通过对Ｈａａｒ小波系数与变频信号瞬时频率关系的分析,提出了基于Ｈａａｒ小波分析的旋转机械高速启动过程振动信号瞬时频率的计算方法。并通过利用此方法得到的瞬时频率,对原信号利用内插法进行了重采样,将由此得到的信号进行阶比分析,可以对信号的各阶谱线实现很好的分离,解决了定频采样所带来的高速启动过程振动信号各阶谱线不能很好分离的问题。     

基于WTMM的爆破振动信号奇异性分析

为更细致的研究爆破振动信号中携带的能反映场地特征和爆破特征的重要信息，首先进行了完整场地、减震沟和预裂缝条件下的爆破振动试验，在获得的试验数据的基础上，运用小波变换模极大值（WTMM）方法对试验数据进行分析处理，得到了如下结论。小波变换模极大值线能够延伸至最小细节尺度处，模极大值的变化反映了此尺度时信号能量的变化趋势；由小波变换模极大值曲线图可以看出，该爆破试验场地上的爆破振动信号在lba（a为小波变换尺度）为4．5—6．0的范围内具有稳定的李氏指数，并且该指数能够很好地刻画爆破地震波携带的场地特征等奇异性信息；Lips—chitz指数曲线图较为直观地反映了爆破场地的差异，同时得到了三种条件下的李氏指数分别为-3．69～-1．88、-3．54～-1．71、-4．14～-1．58，验证了减震沟比预裂缝有更好的减震效果。     

基于Hermitian小波的信号奇异性识别

机械设备由于故障而诱发的信号往往具有奇异性(Singularity),正确识别奇异性对设备监测诊断十分重要.采用高斯函数的一阶、二阶导数构成复数Hermitian小波进行奇异性识别,具有两个优点:其一是由于Hermitian小波的Fourier变换是实数,对信号进行变换时不会有相位的改变;其二是与Morlet小波相比较,Hermitian小波的实部和虚部振荡次数少,可用较少的数据点对信号进行卷积,从而不会损坏信号的奇异性.本文提出了基于Hermitian小波变换的时间-尺度幅图和相图的信号奇异性识别方法,在大型空气压缩机的齿轮箱撞击摩擦故障诊断中取得了成功的应用.     

旋转机械振动故障诊断理论与技术进展综述

非线性理论、信号处理、知识工程和计算智能等学科的发展,丰富了故障诊断的内容。总结了旋转机械故障机理、征兆提取和诊断推理等方面的一些进展情况。     

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4 种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。     

基于双树复小波包的发动机振动信号特征提取研究

针对柴油机缸盖振动信号的特征提取问题,提出了一种基于双树复小波包变换和自适应块阈值降噪的标准化相对能量提取方法,双树复小波包利用并行双树实小波变换分解系数达到信息互补,从而获得近似平移不变性和减少了信息的丢失.自适应分块阈值能够随所分析的信号自适应估计最优阈值,达到更好的降噪效果,同时引入消除频率混叠的算法,抑制了双树复小波包分解过程中虚假频率的产生.仿真信号和试验分析该方法能够更有效地消除噪声影响,所提取的相对能量特征具有更好的可区分度.     

信号奇异性检测理论及其应用

奇异信号往往载有设备运行状态特征的重要信息。小波分析理论（ＷａｖｅｌｅｔＡｎａｌｙｓｉｓ）突破了传统傅里叶变换等信号处理方法，在时域和频域上可同时对信号实现局部化处理，更符合信号非平稳的变频带结构特征，因而在检测信号奇异性等方面具有广泛的应用价值。本文在研究信号奇异性检测理论的基础上，成功地应用于机械状态特征识别等领域     

基于气动信号小波分解的风机叶片裂纹扩展特征分析

叶片裂纹和断裂是风机中普遍存在的一种严重安全隐患,尽早检测出裂纹对于风机安全运行具有重要意义。对采集的无裂纹和具有不同长度裂纹叶片的气动信号分别进行小波分解,并对分解系数进行重构,获取各频带归一化能量作为特征向量进行分析。结果证明:随着叶片裂纹的扩展,气动信号频率向低频和高频拓展。这为叶片裂纹故障的识别提供依据。     

小波包——自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论，由此提出一种称之为小波包－－自回归谱分析的新方法，它将小波包和自加归模型结合起来，该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取，并以挖掘机提升系统龄轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。     

探测信号中周期性冲击分量的奇异值分解技术

机械设备振动信号中是否存在周期性的冲击分量是其有无故障的重要标志。通常检测的机械振动加速度信号 ,由于信噪比太低 ,即使存在周期性的冲击分量也往往被淹没在强的背景噪声之中。通过时域波形和频谱等基本分析手段来探测振动加速度信号中的周期性冲击分量往往是困难的。本文在总结基于奇异值分解的信号周期分量探测原理的基础上 ,针对现有信号奇异值分解技术存在的问题 ,对信号奇异值分解矩阵的构造方法作了重大改进。通过应用实例显示 ,用改进后的信号奇异值分解技术探测振动加速度信号中的周期性冲击分量是可行的     

基于混沌理论的设备状态监测应用研究

以汽车变速箱中齿轮系统疲劳实验为例，充分利用混沌方法与小波方法各自在状态监测与故障诊断领域中的优点，进行机械系统状态监测与故障诊断。通过对实验所得振动信号进行小波包分解与重构，得到反映目标部件的特征信号，借助于混沌方法，对信号进行了二次处理，进而对所得特征量的变化趋势进行比较研究，确定了各监测部位的运行状态，并实现了故障定位。计算结果和实验结果相吻合，证明了该方法的可行性。     

齿轮振动的边带分布特征与故障诊断实例

从理论上讨论了齿轮集中缺陷和分布缺陷的频域特征,特别是边带分布特点。集中故障的边带数目多,强度起伏小;而对于分布故障,若调制波为单频,则理论上只在啮合频率ｆ ｍ 和它的 ２ 倍频２ｆｍ 两侧各形成 １ 个边带;若调制波含有２ 次谐波,则在啮合频率ｆｍ 和它的２ 倍频２ｆｍ 两侧各形成２ 个边带。还结合测试实例,提出了运用振动信号诊断齿轮故障所应注意的问题     

振动信号短时分析方法及在机械故障诊断中的应用

研究了低信噪比情况下提取周期性冲击故障信号特征的短时分析方法。定量分析了短时能量方法的抑噪特征,指出信号的局部特征越明显则短时能量处理越能显著的提高信噪比,短时能量函数中实际有用信号能量与实际噪声信号能量的比值可作为一特征量使用。建立了信号的物理含义相同,反映的只是信号功率谱重心的变化,与信号能量的变化无关,故不适宜于分析受强噪声干扰的时变故障信号。最后以滚动轴承故障信号分析实例验证了短时能量分析