小波分析在电气设备故障诊断中的应用浅析

探讨了小波分析在故障诊断中的重要工程应用价值，研究分析了小波变换对故障信号的信噪分离，特征提取的方法，提出了基于计算机控制的小波方法在处理电气设备故障的基本方案，并针对小波分析在电气设备故障诊断中的应用特点进行了讨论，给出了最新研究成果及发展趋势。     

基于小波分析的故障系统在旋转机械中的应用

就小波分析技术在旋转机械故障诊断应用中的故障特征提取问题进行了深入研究,提出了基于小波奇异性及小波变换模极大值的故障特征提取方法,通过对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。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。     

基于改进阈值和小波包的轴承故障诊断方法

为了准确有效地确定滚动轴承的故障部位,提出一种轴承故障诊断的新方法。用改进的小波阈值法对轴承振动信号进行降噪处理,对去噪后的信号进行小波包分解与重构,提取各重构子带内的信号特征作为故障诊断的样本,依据各子带信号的能量分布特征判断轴承的故障部位。在MATLAB环境下对SKF6205-2RS轴承的典型故障进行了仿真研究,结果表明改进的阈值法相比于传统去噪方法有较好的去噪效果,小波包能够准确提取信号的故障特征,能够提高轴承故障检测的准确性和有效性。     

基于品质可调小波去噪的低速滚动轴承故障诊断

针对低速运行滚动轴承故障特征易被噪声湮没的问题,提出了一种基于可调品质因子小波分解的分层自适应阈值去噪方法,并将该方法与包络谱分析相结合,对低速轴承进行故障分析与诊断;首先,将采集到的轴承振动信号进行TQWT分解,得到分解后的各层小波系数;然后,利用Sigmoid函数构造分层自适应阈值函数,并利用该阈值函数对TQWT的高频系数进行阈值去噪处理;最后,结合去噪后的高频小波系数和低频小波系数对信号进行重构,得到去噪后的轴承振动信号;通过仿真故障信号,模拟故障实验信号和实测故障信号分别进行了去噪实验分析;实验结果表明,经典的软阈值函数和硬阈值函数相比,该方法能获得更好的去噪效果,在降低噪声干扰的同时,有效保留了轴承的故障特征信息,去噪后信号的包络谱,可以清晰地呈现故障的频谱特征,并观察到故障特征的多倍频峰值,且峰值附近干扰很少,有效提高了轴承早期故障的诊断精度;在仿真信号实验中,与软阈值、硬阈值函数相比,该方法去噪后,具有更高的信噪比(SNR)和更低的均方根误差(RMSE),与硬阈值函数相比,此方法的SNR平均增加了4.149 1,RMSE平均下降了0.132 9;与软阈值函数相比,该方法的...     

基于小波分析的故障诊断

本文通过各种实例，有选择地对信号进行小波分解或小波包分解，并对分解的数据进行处理或重构，最终达到故障信号的检测、信噪分离和信号频带分离的目的，证实了该方法作为故障诊断手段的有效性。     

基于小波变换及HHT的轴承故障诊断应用研究

为研究滚动轴承故障问题,将小波变换及HHT(Hilbert-Huang变换)相结合的分析方法,应用于强噪声背景下轴承信号故障的提取.首先将轴承故障信号利用小波变换进行降噪处理,然后应用HHT得到希尔伯特边际谱,从中提取故障特征信息.为准确诊断故障,将方法应用于分析采集的分别具有外圈和内圈损伤的滚动轴承振动信号,并与直接运用HHT分析作比较.结果表明,方法降低了噪声对HHT对振动故障信号分析的干扰,能够更有效的提取轴承故障特征信息,提高轴承故障诊断率.     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

基于小波包和EMD的异步电动机轴承故障诊断方法

针对传统的异步电动机轴承故障诊断方法对于轴承的局部缺陷及早期故障的诊断效果不明显的问题,提出了一种采用小波包理论与EMD相结合的方式提取异步电动机轴承故障特征频率的方法。该方法先采用小波包理论对原始信号进行消噪及频带划分,接着采用EMD对小波分解重构得到的信号进行分解以获得固有内在模函数(IMF),最后将IMF经时频变换得到频谱图,根据故障特征频率得出诊断结果。实验结果证明,该方法可有效地提取出故障特征频率,并方便地判断出故障类型。     

基于主元分析与动态时间弯曲的故障诊断方法及应用研究

轴承是工程实际中常用而又极易损坏的部件,特别是对其早期微弱响应的辨识,具有重要的社会价值和意义；为提高运转轴承的安全可靠性和可维护性,提出了基于主元分析与动态时间弯曲距离的故障诊断方法,它可以准确对早期微弱动态响应辨识、诊断;该方法首先将典型故障样本信号与待测信号小波去噪并EMD分解,并对若干固有模态分量主元分析求取主元,然后对主元分量进行分析,获得相关特征值组成特征向量,计算待测信号与已知故障样本信号特征向量的弯曲距离,弯曲距离越小表明两信号越相似,从而辨识故障;此外,还可将其应用于转子、碰磨、齿轮故障诊断中,工程应用实例表明该方法可以准确故障分类,高效故障诊断。