形态非抽样小波在主减速器振动特征提取中的应

针对形态小波分解过程的抽样引起信号长度逐层递减的问题,提出一种基于多尺度形态开闭级联滤波的形态非抽样小波构造方法.利用形态非抽样小波的一般框架,采用形态开闭级联滤波作为形态非抽样小波分解的近似信号的分析算子,使形态小波分解过程中信号长度保持不变,从而保证了形态分析时所需的信息量.主减速器振动信号特征提取试验验证了该方法能够有效提取非线性振动信号的特征,较原形态非抽样小波和线性小波有更好的滤波效果,较Hilbert包络方法有更好的解调效果.     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。     

基于提升小波包变换的滚动轴承包络分析诊断方法

提出了一种基于提升小波包变换提取滚动轴承损伤特征的方法.在提升模式的框架下,根据小波包变换的思想,对细节信号进一步采用提升模式进行分解,实现了提升小波包变换.为了有效地获取滚动轴承的损伤特征,选择合适的小波包基函数,把振动信号按给定的尺度分解,以该尺度信号能量最大的小波包信号分解频带作为最佳小波包,再用解调分析法提取特征频率.并采用仿真和实验信号对该方法进行了验证.采用该方法对无损伤和含有损伤的滚动轴承进行分析,取得了较好的诊断效果.     

形态小波降噪方法在齿轮故障特征提取中的应

针对齿轮故障特征往往被强背景噪声淹没的问题,采用形态小波降噪方法来提取故障特征.形态小波降噪方法适合于对具有一定形态特征的齿轮故障信号进行特征提取.首先采用形态小波对信号进行分解,然后对各层的细节系数进行软阈值降噪处理,最后根据处理得到的小波系数重构信号以提取故障特征.仿真与实例证明,该方法可有效地提取隐含在噪声中的齿轮故障特征.形态小波降噪算法只涉及加减和极大、极小运算,运算简单且执行高效,适合于齿轮故障的在线监测与诊断.     

基于复Morlet小波的汽车主减速器故障特征提取

提出了基于复Morlet小波的汽车主减速器故障特征提取方法.针对汽车主减速器故障振动信号的特点,结合复小波变换提供的幅值和相位信息构造了两组适合于机械故障特征提取的组合信息.仿真信号的分析结果表明,采用复小波变换的相位信息及所构造的组合信息对信号突变点具有更好的敏感特性,从而可以更好地对信号突变点进行提取和定位.分别采用实小波变换和复小波变换及其组合信息对汽车主减速器故障信号进行分析.分析结果表明,利用所构造的组合信息能够对主减速器故障特征点精确定位;而且只需一尺度小波分解即可得到较好的效果,从而大大减小了故障特征提取的计算量.     

交-交变频调速系统特征提取方法的研究

针对交-交变频调速系统中传统故障诊断方法难以准确判断隐性故障类型的问题,本文提出了一种基于db1小波包和db24小波包变换近似熵的特征能量提取方法:首先用db1小波包分解并提取采样信号的低频重构信号,用db24小波包分解并提取采样信号的高频重构信号:而后提取各个频带段的近似熵,根据具体的判断规则确定电机运行的隐性故障特征信号.实验和仿真证明,该方法弥补了传统方法提取微弱特征的不足,能够很好用于隐性故障诊断的检测,表明该方法的可行性和有效性.     

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法，首先采用小波包对滚动轴承振动信号进行分解与重构，然后提取重构后振动信号的峭度值，将峭度值作为特征参数输入神经网络，进行故障模式识别。通过对实验数据的分析信号表明，能有效地识别滚动轴承工作状态与故障类型。     

基于集合经验模态分解和支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳特征及强噪声特性,提出了一种基于集合经验模态分解和支持向量机的滚动轴承故障诊断方法。该方法首先对原始信号进行集合经验模态分解,将其分解为若干个固有模态分量,利用固有模态分量构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为特征向量,送入支持向量机训练、识别。分析结果表明,与经验模态分解相比,集合经验模态分解能有效解决模态混叠问题,从而准确、有效地提取滚动轴承的故障特征。     

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

水泵轴承振动信号的时频分析

对磁电式速度传感器采集的水泵轴承振动信号分别进行了短时傅立叶变换，小波变换，小波包变换，其结果表明：小波包变换提高了中高频带的频率分辨率，克服了短时傅立叶变换和小波变换的缺点，小波包变换有利于提取轴承故障特征，它能准确地诊断水泵机组轴承的故障。     

基于模糊神经网络的滚动轴承滑动擦伤诊断

针对故障诊断知识模糊性及引起轴承滑动擦伤的参数间的非线性特点，提出了基于模糊神经网络的故障诊断方法，建立了模糊神经网络模型，并将其应用于滚动轴承的滑动擦伤诊断。网络测试结果表明，本文方法对于滚动轴承的滑动擦伤诊断是十分有效的。     

基于MEA优化BP神经网络的农机滚动轴承故障诊断

为了解决农机滚动轴承的故障诊断问题,提出了一种基于思维进化算法(MEA)优化BP神经网络的故障诊断新方法。该方法利用思维进化算法的趋同和异化操作,通过竞争获取优胜种群,在迭代过程中不断优化BP神经网路的初始权值和阈值,建立MEA-BP网络农机滚动轴承故障诊断模型。以滚动轴承试验实测数据为例,通过Mat Lab软件进行仿真,结果证实:该方法不但克服了常规BP网络学习速度慢和局部极小的缺点,而且提高了故障诊断准确度,为其他农业机械设备的故障诊断提供了一种试验方法。     

基于功率谱密度矩心的轴承性能退化特征研究

滚动轴承性能退化指标作为研究其性能退化过程中极其重要的一环,良好的退化特征指标能够直观地表征轴承的退化情况并实现对轴承的退化预警。鉴于此,提出了将功率谱密度的矩心值作为性能退化特征,通过集合经验模态分解(EEMD)滤波降噪,在傅里叶变换的基础上,对原有的功率谱密度函数的重心进行计算,并采用高斯模型拟合优化该特征的表征能力。采用美国辛辛那提大学的轴承全寿命实验数据作为分析对象,以验证所提方法的可靠性。实验结果显示,该特征可以良好地反映轴承的性能退化状态。     

发动机连杆轴承故障噪声诊断研究

提出了基于小波包和模糊聚类分析的连杆轴承故障的噪声诊断方法。在EQ6100型发动机上预先模拟连杆轴承故障,根据发动机故障时变、非平稳的特点,运用小波包对发动机噪声信号进行特征提取并削减了背景噪声的影响。选取时域上5个参数作为评价故障的特征指标。通过对模糊聚类理论方法的分析比较,引入模糊C-聚类划分理论及方法对噪声信号的指标样本进行分类,得到最优分类矩阵和聚类中心,从而建立了故障的标准类型样本。通过对新测取的噪声信号样本进行检验,证明该方法能有效地判断待检样本的类型,诊断连杆轴承故障。     

基于小波与聚类分析相结合的旋转机械故障诊断

通过模拟旋转机械转子不平衡、不对中和油膜涡动三种常见故障,得到这三种故障的时间-振动位移数据.在对振动位移信号进行小波分析的基础上,提出了基于尺度-能量模的特征提取方法,然后对所提取的特征向量采用模糊聚类来识别故障类型.