基于小波变换的滚动轴承故障信号包络谱分析

小波变换是一种有效的时频分析方法,广泛应用于许多领域的非稳态数据分析问题.利用小波变换的多尺度分析能力,对滚动轴承的典型故障(如外圈故障)进行特征分析与提取.首先利用小波变换获取故障信号的细节参数,然后利用希尔伯特包络谱分析提取非稳态的故障特征.实验结果表明,基于小波变换及希尔伯特包络谱分析的联合方法可有效突出滚动轴承典型故障的非稳态特征,可以准确地实现故障诊断.     

一种自适应Morlet小波滤波方法及其在滚动轴承早期故障特征提取中的应用

针对滚动轴承早期故障信号微弱,故障特征难以提取的问题,提出了一种基于混洗蛙跳算法(shuffled frog leaping algorithm,SFLA)的自适应Morlet小波滤波方法.首先利用自相关分析去除宽频随机噪声,然后通过SFLA优化Morlet小波的滤波参数,获得在最小信息熵下的中心频率和滤波带宽.由自适应Morlet小波滤波器获得的滤波信号,其中的冲击成分可以很好地被表征.最后对滤波后的信号做包络谱分析即可提取滚动轴承的故障频率.实验表明,自适应Morlet小波滤波方法可以成功地从低信噪比信号中提取出周期冲击特征,对于滚动轴承早期故障振动信号,能够有效地提取冲击特征频率实现滚动轴承早期故障诊断.     

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。     

基于小波分析的轴承故障诊断研究

提出了基于正交变换的滚动轴承故障诊断新方法。利用正交小波基将滚动轴承故障信号变换到时间 -频率域 ,通过小波重构信号的希尔波特变换解调和包络谱分析 ,对轴承的故障进行了有效的诊断。文中实例证明 ,小波变换对处理非平稳信号具有很好的应用效果     

基于小波分析的滚动轴承故障诊断研究

小波分析是针对非平稳信号的一种有效的数据分析方法。在此基础上提出了基于小波分析的滚动轴承故障诊断技术。它将振动信号进行小波分解与重构,然后对其中某粗略信号进行频谱分析,其频谱特征可以揭示故障的有无及其发生部位。通过滚动轴承内环点蚀、外环划痕、滚动体划痕三种典型故障的实验,验证了该方法在滚动轴承故障诊断方面的可行性和有效性。     

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。     

高密度小波变换在滚动轴承复合故障诊断中的应用

针对目前滚动轴承中多种微弱故障难以准确识别的难题,提出基于高密度离散小波变换和包络谱的滚动轴承复合故障诊断方法.首先对采集的轴承振动信号进行高密度离散小波变换;然后对各尺度上的小波系数和尺度系数进行单子带重构,以消除频率混叠的影响;最后对各子带信号分量进行包络谱分析,并通过滚动轴承各典型故障的特征频率,识别滚动轴承存在的各种故障.将所提方法应用于具有复合故障的滚动轴承的诊断,并与其他常用的诊断方法进行对比,结果表明该方法能有效地实现滚动轴承早期复合故障诊断.     

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.     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号.通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量.应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射.现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障.     

11／2维谱分析在滚动轴承故障诊断中的应用

采用１１／２维谱分析方法,提取滚动轴承振动信号中由于二次相位耦合产生的非线性特征,定量描述轴承故障,实验结果表明,这种方法可以有效地诊断滚动轴承故障,且对初期故障很敏感。     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于无损约束降噪稀疏自编码的滚动轴承故障诊断技术

在滚动轴承故障诊断过程中,时域振动信号容量大且易受噪声污染,难以建立准确的故障诊断模型。针对上述难题,本文采用无损约束降噪方法对稀疏自编码进行优化,提出了基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法。该方法可直接作用于时域振动信号,消除对人工特征提取的依赖性,无需降噪预处理,降低了故障诊断模型建立的难度。为验证本方法的有效性,利用滚动轴承时域振动信号进行仿真实验,并对诊断过程中学习到的故障特征进行可视化分析。实验结果表明,本方法可以在噪声数据下建立有效的故障诊断模型,且比传统的栈式稀疏自编码诊断算法具有更强的噪声鲁棒性。     

基于ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值（RMS）,以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。     

基于小波神经网络的轴承未知异常诊断

针对滚动轴承振动信号复杂,故障类型难以预知的问题,提出基于小波-神经网络技术的滚动轴承未知异常诊断的新方法.利用小波包对滚动轴承振动信号进行分解与重构,获得振动信号的突变信息,提取与滚动轴承故障相关的特征信息,将其作为特征向量输入自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络,对其进行自动分类识别,根据数据映射位置,可实现对滚动轴承未知异常的诊断,并为专家系统知识的自动获取提供了一条新途径.通过对仿真结果的分析,证实这种诊断方法的可行性.     

基于粒子群蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。