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     

Hilbert—Huang变换在齿轮故障诊断中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法（EMD）和Hilbert变换两步组成。经验模态分解方法（EMD）把时间序列信号分解成不同特征时间尺度的固有模态函（IMF）,适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。能有效地诊断齿轮的故障。     

HHT在齿轮故障诊断问题中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法(EMD)和Hilbert变换两步组成。经验模态分解方法(EMD)把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。     

基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

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。     

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.     

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。     

基于小波包变换-主元分析-神经网络算法的多电平逆变器故障诊断

针对级联多电平逆变器的故障诊断问题,提出了一种基于小波包变换-主元分析-神经网络算法的故障诊断方法。首先,通过小波包变换对故障信号进行多尺度小波包分解,并重构提取小波包能量作为故障特征向量;然后,采用主元分析方法提取主元信息以降低故障特征的维数;最后,利用BP神经网络进行故障分类和识别。通过仿真实验,验证了该方法相对于传统方法具有更高的故障诊断和故障识别的准确率,并且对噪声具有较好的鲁棒性。     

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     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform,IEWT)及堆栈自编码器(stacked auto-encoder,SAE)算法的故障诊断新方法. 首先,利用顺序统计滤波包络法来改进经验小波变换完成对振动信号的分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量. 然后,选取K-L散度值低的经验小波分量作为SAE的输入数据进行特征的自适应提取,再用Softmax分类器完成故障诊断,并在堆栈自编码器训练过程中引入樽海鞘群算法实现参数寻优. 最后,在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试. 实验结果表明,所提方法的分类精度达99.5%,在识别准确率、诊断时间上均优于对比方法.     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform, IEWT)及堆栈自编码器(stacked auto-encoder, SAE)的故障诊断新方法。首先,利用顺序统计滤波（order statistic filter, OSF）包络法来改进EWT对振动信号进行分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量;然后选取K-L散度值低的前n个（实际取3）经验小波分量作为SAE的输入数据,进行特征的自适应提取,并使用Softmax分类器完成故障诊断。为克服人工选取SAE参数带来的结果差、效率低等问题,在SAE训练过程中引入樽海鞘群算法(salp swarm algorithm, SSA)实现预训练学习率和微调学习率的自动寻优。最后在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试。实验结果表明,所提方法的分类精度达到99.5%,在面对强噪声干扰时亦具有较高的识别成功率。经测试发现其在识别准确率及诊断时间上均优于对比方法。     

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.     

Matlab在发动机故障诊断中的应用研究

以电控汽油机转速传感器为例,探讨了小波分析技术在发动机故障诊断中的应用。首先采集了转速传感器正常和异常信号,并对采集到的信号进行小波分析,结果表明,利用小波系数可以分析转速信号,判断发动机断缸故障;转速信号的小波分析结果能对比发动机各缸的工作性能。实践证明利用小波分析对电控发动机进行故障诊断是切实可行的。     

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.      

信号瞬变成分检测与提取及其在故障诊断中的应用

研究基于小波变换的信号瞬变成分检测与提取方法及其在机械故障诊断中的应用 .在分析信号的连续小波变换的模极大值理论的基础上 ,指出连续小波变换系数的模与信号瞬变成分的关系 ;通过分析小波函数的性质 ,分析小波函数对信号的连续小波变换的影响 ;在信号瞬变特征的提取过程中 ,提出基于门限值的特征重建方法 .将该方法应用于齿轮箱振动信号中瞬变成分的检测与重建 .结果表明基于连续小波变换方法能有效检测到信号中的瞬变成分 ,瞬变成分的重建结果有效地表示了机械的故障状态 .     

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。