基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

改进双树复小波变换和高阶累积量的齿轮箱信号降噪方法

采用传统阈值降噪方法对小波系数分别进行软、硬阈值处理时在强背景噪声下提取的齿轮箱故障振动信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真。利用双树复小波变换的平移不变性,提出了双树复小波变换和高阶累积量的齿轮箱振动信号降噪方法。对分解和单支重构后的各双树复小波系数采用了四阶累积量的处理方法,根据信号和噪声的统计特性进行信噪分离。由于小波分解层数会直接影响信号的去噪效果,因此,采用粒子群算法优化小波的分解层数。仿真和实验信号处理结果表明:该方法与双树复小波变换的软、硬阈值处理方法相比,在不同信号和噪声水平下更能有效地抑制噪声干扰,提高信噪比,并且能够满足实验中对采集到的振动信号进行特征提取的需求。     

用连续小波灰度图诊断齿轮故障

为了识别齿轮振动信号中的冲击性故障,利用连续小波变换对正常和故障齿轮的振动信号进行分析,将不同尺度下连续小波分解系数的绝对值用灰度图的方式表示出来,并利用特征矢量法估计信号功率谱进行验证,准确识别出了齿轮轴的不对中故障。分析结果表明,小波分析对信号具有多尺度分析能力,对振动信号中的冲击成分有很强的识别能力;连续小波变换灰度图不仅能直观反应齿轮的正常与故障状况,而且不会丢失冲击信号的时间信息,有利于寻找故障源,实现对齿轮故障的准确诊断。     

基于希尔伯特-黄变换周期平稳类微弱故障信号检测

在希尔伯特黄变换可以将振动信号分解为有限的模式函数的基础上,针对周期平稳类微弱故障信号难以检测到的问题,对信号进行经验模式分解,然后对本征模式函数进行希尔伯特变换;接着通过希尔伯特谱对多频信号中的弱信号和仿真齿轮裂纹弱故障信号分析,得出多频信号中弱信号成分和其时间分布以及调相频率;最后分析滚动轴承损伤弱故障,从希尔伯特谱中可以分析时频和振动量的分布情况,进而提取故障特征,分析出故障;表明希尔伯特谱对周期平稳类微弱故障信号具有一定的分析能力.     

基于小波分析柴油机故障诊断研究

模拟柴油机气阀间隙异常的几种情况,并实时监测柴油机缸盖振动信号。采用小波降噪对各振动信号进行初步处理,采用经典傅立叶方法对处理后的信号进行功率谱估计,初步诊断各故障特征参数。进而采用小波变换方法对各信号进行小波包分解,并提取故障特征频段信号进行功率谱估计,实现精确故障诊断。     

瞬时频率波动分析与齿轮故障诊断

本文研究了齿轮振动信号调制与解调的过程与机理。并根据希尔伯特变换理论,提出了一种早期诊断齿轮故障的新方法—瞬时频率波动(TFF—Transient FrequencyFluctuation)分析法,实现了频率调制信号的解调,较好地提取了齿轮的局部损伤信息。在大量试验与分析的基础上对该方法进行了验证。     

小波阈值降噪在岸桥小车轨道振动信号处理中的应用

针对测量时振动信号易受噪声干扰的特点,采用小波降噪法对原始信号进行降噪处理。小波具有“变焦距”、较好的时频局部分析能力等特性,适合非平稳信号振动噪声处理。分别通过小波阈值降噪法对仿真信号并口岸桥小车轨道铰点振动信号进行降噪处理。试验表明,小波阈值降噪法能够较好的消除噪声,能有效提高信噪比、降低均方误差,为进一步分析振动信号奠定了基础。     

齿轮箱故障诊断中小波技术的应用

针对齿轮箱故障振动信号的特点,分析了采用傅里叶变换对齿轮故障诊断信号分析技术的不足,提出了采用小波变换的方法提取齿轮箱故障振动信号;通过实例分析,阐明了应用小波变换技术对齿轮箱故障诊断的有效性.     

用于齿轮故障诊断的复小波变换相位功率谱方法

基于复小波基函数的信号小波变换,体现了小波变换的多分辨特性。复值小波能从幅值与相位两个角度提取被分析信号的信息,在齿轮故障振动信号处理中可以更好地识别故障模式。     

风机振动信号的小波阈值降噪处理

针对现场采集到的风机振动信号中存在大量噪声问题,采用不同的小波和阈值组合对仿真信号进行降噪处理,得出db8小波和heursure阈值选取方法可以得到最优的降噪性能.并将该方法应用于风机实际振动信号的降噪处理.结果表明,采用db8小波和heursure阈值选取方法的降噪组合,不仅能够有效降低信号中的噪声成分,还很大限度的保持了原信号的故障特征.     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声,在进行故障特征提取之前必须加以消除.首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比,然后将奇异值分解技术用于信号降噪,最后提出了一种将小波包和奇异值分解相结合的降噪方法.该方法将输入信号进行一次小波包分解,利用奇异值分解方法对分解后的幅值量化系数进行降噪.实例表明,小波包和奇异值分解相结合的方法降噪效果最好.与其他方法相比,用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高,且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号,大大提高了特征提取的准确率.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声，在进行故障特征提取之前必须加以消除。首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比，然后将奇异值分解技术用于信号降噪。最后提出了一种将小波包和奇异值分解相结合的降噪方法。该方法将输入信号进行一次小波包分解，利用奇异值分解方法对分解后的幅值量化系数进行降噪。实例表明，小波包和奇异值分解相结合的方法降噪效果最好。与其他方法相比，用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高，且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号，大大提高了特征提取的准确率。     

基于小波包和EMD的异步电动机轴承的故障诊断方法

异步电动机轴承的故障信号为低频带周期冲击性特征故障数据,呈现非线性特征,倘若对此类特征信息直接做傅里叶变换,会被高频信号调制,使得故障信号严重失真。为此,提出一种新的集有小波包变换、经验模式分解和Hilbert包络谱分析相融合的滚动轴承故障诊断方法,旨在消除高频噪声信号,提升故障诊断效果。利用小波包变换对滚动轴承的振动信号进行降噪,使用经验模式分解把降噪后的故障信号分解成多个有效本征模态分量,并对筛选后的故障信号进行重构处理,最后对重构信号做Hilbert包络谱分析,计算得到滚动轴承故障频率。通过实验及分析,结果表明新方法应用效果良好。     

基于db10小波的电机轴承故障信号分析

滚动轴承故障诊断的关键是对振动信号进行分析和处理,并提取滚动轴承的故障特征。由于大多数滚动轴承故障振动信号是非平稳信号,因此需要选择适合于非平稳信号分析和处理的方法。小波变换具有多分辨率分析的特点,并且在时域、频域都具有表征信号局部特征的能力,本文采用具有良好特征提取能力的db10小波进行分析。通过对实验数据的分析,验证了所提方法的有效性。     

基于复小波变换相位功率谱的齿轮故障诊断

提出了一种基于复小波变换诊断齿轮故障的新方法 .利用Mexican-hat调制复小波基函数对齿轮振动信号进行连续小波变换 ,再作相位的频谱分析 ,可以突出边频带结构 .仿真信号的分析结果表明该方法可有效地用于齿轮故障诊断 ,与传统的自功率谱方法相比 ,具有抗噪声干扰能力强的优点     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

改进HHT方法在转子故障中的应用

HHT（希尔伯特-黄变换）能够将振动信号分解为有限的模态分量,并由此可对汽轮机转子故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影却很大。先利用小波变换技术对含噪故障信号进行去噪处理,再作HHT分析的方法。结果表明,该方法克服了直接用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了汽轮机转子质量不平衡故障诊断率。     

基于Mallat算法的直流电动机振动信号处理研究

振动信号是最能够全面反映电机运行状态的信号,所以在相关研究中一般都通过分析振动信号提取状态特征．振动信号属于非平稳随机信号．信号的奇异性部分往往包含了非常重要的信息,因此奇异性检测成为振动信号处理的主要内容．小波变换突破了传统傅里叶变换在时域和频域局部化方面的局限,非常适合对非平稳随机信号进行降噪滤波和特征提取．