基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

基于EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.      

改进小波包的滚动轴承故障诊断

小波包分解可以提高信号频率分辨率,但子带信号会出现虚假频率成分,造成严重的频率混叠现象。运用小波包的改进算法和经验模态分解相结合,来检测诊断滚动轴承故障的特征。首先,应用快速傅里叶变换和快速傅里叶逆变换对小波包各子带信号进行处理,并调整滤波器组使子带频带顺序排列。提取含故障频率的子带信号对其进行经验模态分解,以互相关、峭度准则提取故障本征模函数分量,可以避免本征模函数分量选择的盲目性。对仿真信号分析和实例分析的结果表明:该方法能够准确地检测出轴承故障,从而突出该方法的有效性。     

基于VMD降噪的RV减速器故障诊断

针对RV减速器内部构造复杂、采集到的振动信号受噪声影响严重及低频故障特征难以提取的问题,提出一种基于小波降噪结合变分模态分解(Variational Modal Decomposition, VMD)的故障诊断方法。首先利用小波降噪法对含噪声的振动信号进行降噪;再通过变分模态分解得到不同频率范围的模态分量(Intrinsic Mode Function, IMF),计算各目标分量的峭度值和信噪比,选出目标分量并进行快速傅里叶变换(Fast Fourier Transform, FFT);最后通过减速器模数确定特征频率,可以准确定位RV减速器的故障点。结果表明：该方法较传统的频谱分析可以更有效地提取故障信息,解决了噪声干扰、低频信号调制等问题。     

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。     

EEMD结合能量特征和小波降噪的轴承故障诊断

为解决在强背景噪声条件下滚动轴承故障诊断问题,开展基于能量特征和小波降噪的总体经验模态分解(EEMD)研究。首先以仿真信号为研究对象,对其进行总体经验模态分解,得到9个固有模态函数(IMF)和1个余项( Res),然后考虑各模态函数的能量特征,将分解后的9个IMF分量与原始信号的能量比作为判断标准,剔除附加5个低频分量,最终得到4个有效的IMF分量和1个余项,与仿真信号相符。在仿真信号分析的基础上,对含噪声信号的滚动轴承故障信号进行故障诊断试验研究,采集信号经小波降噪后,利用总体平均经验模态分解并结合能量特征,得到3个IMF分量和1个余项,然后对3个IMF分量进行包络谱分析,提取故障特征频率157.5 Hz,与滚动轴承故障内圈特征频率157.9 Hz相比,误差为0.25%,说明该方法能很好地提取含有噪声信号的轴承故障信息。该研究为强背景噪声下滚动轴承故障信息的提取提供了一种有效的方法。     

基于EMD-1(1/2)维谱熵的滚动轴承故障诊断

为了准确地诊断出滚动轴承的运行状态,将1(1/2)维谱熵引入滚动轴承故障诊断中。先对滚动轴承原始故障信号进行EMD(empirical mode decomposition)分解得到若干个固有模态函数(intrinsic mode function,IMF),进而再求取各个IMF的1(1/2)维谱熵值,作为表征滚动轴承故障类型的特征向量。将其作为Elman神经网络的输入参数,最后区分滚动轴承故障状态和故障类型。仿真分析和实验研究表明,该方法能够有效地提取出滚动轴承的故障特征,最后通过与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。     

基于双树复小波分解的风机齿轮箱故障诊断

风机齿轮箱振动信号具有非平稳、非高斯特性,多种模式混叠和复杂的传递路径使得故障信息微弱完全淹没在噪声之中.针对故障特征提取的难题,将双树复小波变换引入振动信号分析,提出了一种新的工业风力发电机齿轮箱故障诊断方法.首先对风机齿轮箱振动信号进行双树复小波分解,然后计算各频带分量的峭度值,利用峭度筛选故障敏感分量.最后对故障敏感分量进行频谱分析提取故障特征频率.实验结果表明:双树复小波变换可将复杂信号分解为不同频带分量,抑制平移敏感性和频率混叠.与传统离散小波变换相比,能有效抑制虚假频率出现并准确提取故障特征.本文提出的方法已成功用于风力发电机工业运行监测并准确诊断多种类型的齿轮箱故障.     

基于EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

基于Hilbert-Huang变换的电力系统故障检测

电力系统发生故障时,其暂态信号多为非线性非平稳信号。希尔伯特-黄变换可从此类信号出发,自适应分解为有限个本征模式函数之和,通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真结果表明,希尔伯特-黄变换在电力系统故障检测中非常有效。     

基于小波分析的大型齿轮箱低速轴故障诊断

针对大型齿轮箱低速轴故障信息难以提取的问题,采用小波分析方法对故障数据进行处理以实现信号在时/频域的局域性分析,将其无冗余、无泄漏地分解到一组具有紧支撑性的小波基上.文中采用小波分层突变系数作为判别故障隐患的特征值,并对该特征值进行趋势分析.结果表明:小波变换能有效捕捉冲击信号的时域特征和故障发生的时间历程,用小波分层突变系数所做的趋势图能有效地预测故障发展趋势,避免突发故障.     

离散小波变换在电力系统故障检测中的应用

传统的傅立叶分析难以处理电力系统故障时产生的暂态信号.小波变换具有良好的时频局部化特性,为分析非平稳、突变信号提供了有效的途径.通过多尺度分析,将连续小波变换离散化,得到适合数字信号处理的快速算法——离散小波变换.最后给出了应用离散小波变换进行输电线路故障测距的实例,通过仿真分析证明该方法可以极大地提高测距精度.     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

金属罐形容器罐底声发射信号的检测研究

基于小波包分析和神经网络的声发射信号缺陷检测方法,提出采用区间小波包分解与能量距相结合作为声发射信号的特征向量,取代了传统的“小波包-能量“特征提取方法,并以金属罐形容器罐底缺陷诊断为例验证了该方法的有效性.结果表明,基于区间小波包能量距的神经网络特征提取方法更好地利用了缺陷信号的主要频带和小波包分析的时频信息,与传统方法相比,能大大简化检测系统的复杂度,提高容器的检测识别率.     

基于改进AHP-FCE法的绿色房地产项目评估

为提高往复泵诊断的速度和精度,提出一种通过小波阈值分析处理往复泵振动信号的故障诊断方法。通过小波阈值分析,可以有效去除往复泵振动信号与故障无关的振动信息,然后进一步提取振动信号的归一化能量,将其作为特征值。将特征值与小波包能量分解图综合分析,结合概率神经网络(PNN)对采集后的信号进行往复泵泵阀故障模式进行识别。实验结果表明:小波阈值分析与PNN结合,可以将往复泵泵阀故障类型准确识别,提高了诊断的效率,可以为工业上往复泵的使用和维修大大节约成本,也为往复机械的故障诊断提出了新的解决思路。     

基于小波分析的低速重载轴承故障诊断

从工程应用的角度研究了小波分析的信噪分离技术在低速重载轴承故障诊断中的应用·利用小波分解的多层次多频带特性和小波重构技术,建立了一种简单、精确和实用的低速重载轴承故障小波分析诊断方法·利用这一技术,诊断出其他方法无法诊断的低速重载轴承滚动体和内、外圈发生碰磨故障,检修拆卸时发现,上排滚动体有三个损坏,滚道出现磨损,验证了上述分析的正确性,成功地诊断出了具有低频特征的钢包回转台重载轴承碰磨故障·说明了小波分析用于提取弱信号,即信噪分离的有效性,这种方法可以弥补频谱分析法的不足·     

基于小波变换的电力计量系统故障信息提取研究

根据高压电力计量系统故障信息情况,提出了一种基于小波变换技术对故障信号进行分析的方法.通过外加激励信号对高压电力计量系统故障进行检测,利用截频性能出色的dmey小波对故障信号进行4级小波分解,根据小波分解后的信号频带对应关系,保留检测信号所在频带的波形数据进行重构并分析研究.试验结果表明该方法能够有效地消除杂波干扰,准确地提取出相关故障的信息.