基于广义谐波小波分析的低速重载轴承故障诊断

研制出一种低频振动传感器作为谐振器,利用谐波小波在频域连续分布且具有严格的盒形谱特性,通过适当调整参数m和n,构造出不同频段的带通滤波器对信号进行广义谐波小波变换.通过广义谐波小波变换实现低速重载轴承振动信号的共振解调,从而提取出故障轴承的低频冲击信息,为低速重载轴承的故障诊断提供了一种新的有效方法.运用该方法准确判断出炼钢转炉悬挂齿轮箱耳轴轴承的故障.     

基于峭度:小波变换的碰磨故障检测方法

转子机械在生产线上发生故障时,由于工况恶劣,其检测信号往往混有噪声,导致碰磨信号很难被检测出来。而碰磨故障信号拥有较强的奇异性,噪声却与碰磨性质的信号奇异性不一样,基于小波变换模的极大值对奇异性的判别原理,可以利用小波去噪。最后结合基于峭度的统计方法计算结果,判别出碰磨故障。本文最终通过实验验证了这种方法的有效性。     

改进的阈值小波和PSO－SVM算法及应用

本文提出了基于改进阈值小波及改进支持向量机的低速重载滚动轴承故障识别方法.首先在实验台上测量三种不同工况的轴承信号,利用改进阈值小波对信号进行降噪处理,将降噪的信号利用小波包分解法得出各频带的特征能量值;其次利用粒子群算法来优化支持向量机的学习因子,提高支持向量机多分类器的识别性能;最后,将特征能量值导入优化后的多分类器,实现低速重载滚动轴承的智能识别.结果表明,结合后的方法有着良好的诊断效果.     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

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。     

模式分析的核函数设计方法及应用

利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。     

基于模态扩展与谐波分解的转子碰摩故障精确诊断

以某单跨双盘模型转子实验台为例,建立了该转子-轴承系统有限元模型,得到转子系统前两阶固有频率和振型向量等模态参数·基于转子系统碰摩力的周期性假设,利用模态扩展方法,对故障和健康转子系统振动信号的残差矩阵进行傅立叶级数的分频谐波近似,估算得到转子-轴承各节点的碰摩力·根据转子各结点估算碰摩力的频谱、时序以及等效碰摩力幅确定碰摩发生位置,进而对碰摩故障的程度进行定性评估·试验表明,这种方法可以对转子周期性碰摩进行较精确的诊断,并为其他转子-轴承系统故障诊断提供参考·     

飞机发动机轴承滚动体故障诊断的MATLAB实现

主要论述小波变换在信号处理方面的优越性，并通过MATLAB对飞机发动机轴承滚动体故障检测数据进行降噪处理。实验结果表明，对于在频谱图上难以找到其相应的明显频率成分的准周期故障信号，利用小波变换的多重分辨率特性，使故障成分的细节信号得到放大，对比该频率和故障情况下计算出的故障频率可以找出故障的原因。     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

油膜失稳引起的轴承碰摩故障研究

为了研究油膜失稳和转子-轴承碰摩两种单一故障相互作用形成的耦合故障,利用转子实验台模拟油膜失稳引起的轴承碰摩故障,采集发生此故障时转子系统升降速过程的振动信号.利用三维谱振图、重排小波尺度图、频谱图和轴心轨迹图对竖直方向振动信号进行分析,结果表明:重排小波尺度图可以很好地提取轴承碰摩时的时间和频率信息.当转子系统发生二者耦合故障时,油膜失稳占主导地位,油膜失稳引起的碰摩会产生转频和涡动频率的组合频率成分.此外,由于不可公约的组合频率出现,轴心轨迹变得混乱不规则.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

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...     

基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法.通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中.由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析.实验结果表明用小波包理论进行故障检测是可行的.     

基于小波除噪与时-频指数分布的故障诊断新技术

通过快速的小波任意尺度的分解,为具体分析与实现原始信号的信噪分离与干扰成分的剔除提供了有效手段,而改进的指数时－频分析技术能够同时实现时域与域的高分辨分析,有效地压缩交叉干扰项,从时域的相位时间特征与步域的尖谱特征的结合途径揭示了信号的构成本质,为故障诊断提供了强有力的工具。