基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.     

基于经验模态分解的冲击脉冲法研究

提出基于经验模态分解的冲击脉冲法,带通滤波后,进一步采用经验模态分解方法自适应滤波提取故障轴承振动信号中的调制信息,最后应用Hilbert变换解析出故障频率。仿真信号和实验验证结果表明,与仅仅采用带通滤波器滤波比较,该方法更能突出故障频率成分,避免误诊断。     

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。     

基于自相关函数的经验模态分解及其在齿轮故障诊断中的应用

齿轮故障信号中包含有着复杂的成分,淹没了齿轮故障信息的周期成分。本文利用信号的自相关函数分析方法对齿轮故障信号中的周期分量进行提取和消噪,将提取出的信号经过经验模态分解,得到各阶振动模态,最终经过希尔伯特变换,从中提取到齿轮的故障特征。     

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.     

拖拉机发动机电气故障诊断方法研究——基于信号瞬态成分稀疏表示方法

由于拖拉机发动机工作时的噪声较大,其故障信号较难采集,而电气信号的输出较为平稳,因此可以通过电气信号的特征提取来诊断发动机的故障。发动机电气的故障信号一般是特征较为明显的瞬态信号,有多种检测方法,信号的特征不同,各种方法的检测性能也会存在差异。本次提出了一种基于小波和稀疏表示的瞬态信号检测方法,并搭建了虚拟仪器平台对发动机的故障信号进行了检测。结果表明:采用小波和信号成分稀疏表示可以成功地提取发动机电气故障的瞬态信号特征,然后将信号特征和经验特征进行比对,便可以判断发动机电气的故障类型,为拖拉机发动机故障诊断的研究提供了重要的数据参考。     

水泵微弱故障信号的检测

噪声是影响水泵早期故障诊断正确性的主要因素．利用小波变换对水泵的噪声信号进行多层次分解，并根据相邻层小波系数相关性进行滤波，该法可以对信号进行良好的降噪，同时也不会弱化信号中的弱故障信号．通过对水泵早期故障信号分析，结果表明，小波域相关滤波法对水泵早期故障诊断是有效的，     

自动跟踪相关滤波在内燃机主轴动平衡中的应用

根据动不平衡信号的信息特征和信号的相关性,给出了自动跟踪相关滤波原理和算法;基于Labview开发系统,依据自动跟踪相关滤波原理开发了动不平衡信号提取图形化程序,应用此程序对含有不同倍频谐波和噪声的振动信号进行仿真处理及在内燃机主轴动平衡中的现场试验。结果表明:通过自动跟踪相关滤波,不仅能够准确提取不同转速的动不平衡信号,而且还能够满足内燃机主轴高精度动平衡测试的要求,具有较强的应用价值。     

混合特征量提取与FCM聚类在轴承故障模式识别中的应用

信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息。实验结果证明:故障识别采用FCM聚类算法,聚类效果好;将混合多特征量提取与FCM聚类算法应用于轴承故障模式识别中,可以有效进行轴承故障诊断。     

基于广义形态学滤波和EEMD分解的滚动轴承故障诊断

在信号处理中,由于严重噪声的干扰,往往会对EEMD分解造成影响,因此提出广义形态滤波和EEMD相结合的方法。首先利用广义形态滤波对故障信号进行滤波,减小噪声的干扰,然后利用EEMD对去噪后的信号分解,选择相关系数最大的本征模态分量并从其频谱图中提取特征频率。结果证明该方法能成功地去除噪声对EEMD分解的影响,从而能准确检测到故障信号的特征频率,具有广泛的应用前景。     

平移不变量小波去噪法在齿轮故障诊断中的应用

平移不变量小波去噪方法是对Donoho阈值法的改进，该方法不仅能有效地抑制伪吉布斯现象。而且能减小原始信号和估计信号之间的均方根误差，提高信噪比，将这种方法用于变速箱齿轮故障信号的去噪处理，同时与阈值法去噪的结果进行比较。结果表明，该方法可以有效地去除强噪声的干扰，提取齿轮故障特征信息，具有很好的工程实用性。     

故障诊断的机械设备建模系统

针对机械设备的层次性特点,引入了面向对象的分析和设计方法,完成了机械设备的建模系统。系统具有柔怀、开放性,可灵活地根据设备的传动关系建模。当模型被初始化后,系统会自动搜寻传动关系并计算各零部件对象的工作频率。模型与信号分析数据库连接后,可得到该特征频率处的故障参数信息。与神经网络数据库连接后,可进行故障的推理诊断。     

变速箱故障模糊诊断的研究

变速箱是机械设备的重要组成部分.由于机械设备的特殊运行条件和运行环境使得变速箱中齿轮副、轴、轴承等常发生故障.因而随着科学技术的发展,对变速箱实施故障诊断,显得尤为重要.而故障诊断的前提是对于故障特征信号的提取.近年来,模糊故障诊断技术在故障诊断和特征提取方面的应用也越来越多.为此,利用故障模糊诊断技术,通过对齿轮在运转时产生的振动信号进行特性分析,诊断齿轮系统的故障.     

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究

提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法.利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量.将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征...     

基于能量算子解调法的滚动轴承故障诊断

利用能量算子对故障轴承的高频共振信号进行包络解调，实现了滚动轴承故障特征提取，首先介绍了共振解调法的诊断原理，然后详细论述了能量算子及能量算子解调的方法，并用该方法对406故障轴承的高频共振信号进行包络解调，准确诊断出两轴承的损伤类型。实验和应用结果表明，能量算子解调法优于Hilbert变换。能满足实时诊断要求，是诊断轴承损伤类故障的一种有效手段。     

基于小波奇异点和能量分布的传感器突发故障诊断

提出了运用小波变换分析传感器输出信号,检测和诊断传感器自身突变类型故障的方法。推导了运用传感器正常输出信号和5种典型突变性故障信号的小波变换,通过检测信号小波变换的奇异点,确定传感器突变型故障突变位置,从传感器典型故障信号在各小波尺度下分解时能量分布的不同,得到和故障类型相关性密切的特征向量矩阵,作为判断故障类型的根据。计算机仿真模拟硅压力传感器所获得的结果证实了方法的有效性。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。