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.     

谐波小波解调法在齿轮箱故障诊断中的应用

在研究谐波小波频段分解与Hilbert解调分析的基础上,提出了基于谐波小波包变换的解调分析法,并详述了其具体实现过程。该方法根据齿轮箱频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量,并在此基础上选择谐波小波包分解层数与所需提取的频带带宽;通过傅里叶变换及其反变换提取出相应的特征啮合分量,然后借助Hilbert算子对提取出的啮合分量进行包络解调分析。采用这种方法对存在磨损及点蚀故障的齿轮箱振动信号进行了分析,结果表明,基于谐波小波包的包络解调法具有精确提取任意频段调制信息的能力,能够为齿轮箱故障源的准确定位及故障程度提供可靠的判断依据。     

煤矿通风机故障诊断的小波包方法

针对常用的时域和频域分析在诊断通风机故障时存在不能同时诊断出故障时间和类型的瓶颈问题,提出基于小波包分解的煤矿通风机故障诊断方法.在分析通风机故障特征的基础上,利用时频两域都具有表征信号特征能力的小波,对采集来的通风机振动信号进行小波包分解,利用分解的小波系数,在各个频段上进行小波信号重构,并计算信号各个频段的能量特征值,提取故障特征,诊断故障发生的时间和故障类型.经实际验证,小波包分解能将故障信号有效的划分到不同的频段内,而且时域和频域局部化特性好,能有效的诊断出通风机故障,具有良好的理论意义与工程应用价值.     

基于一种EEMD的能量算子解调机械故障诊断

针对在强噪声背景下轴承振动信号的非线性、非平稳性以及信号出现的复杂调制现象,提出了一种基于小波包熵与EEMD(总体模态分解)相结合的能量算子解调故障诊断方法.根据信号的小波包熵值对信号小波包降噪,采用EEMD方法选取相关度最大的IMF(本征模态分量)以避免选取信号的盲目性,对该分量进行能量算子解调,实现提取该分量下的故障信号的幅值和频率信息.对机械故障振动信号进行实验分析表明,相对于EMD分析存在的模态混叠现象以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断.     

小波包频带检索改进算法及其在电机故障诊断中的应用

针对目前在利用小波包处理非平稳信号的过程中,存在认为小波包分解频段是按频率连续递增排列的误区,在分析小波包原理和小波包分解重构过程中频段排列特点的基础上,提出一种将小波包分解的频段按照频段由小到大顺序排列的方法,以方便所需频段的检索。在Lab-VIEW平台下进行了仿真验证,证明该方法的正确性,并利用改进频段顺序的小波包分解和重构程序对电机转子断条故障进行诊断,取得了很好的效果。     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。     

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.     

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.     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

基于Hilbert变换和小波包能量分析的转子断条故障诊断

转子断条是笼型异步电机最常见故障之一.基于Hilbert变换和小波包频带能量分析方法,提出了一种新的笼型异步电机转子断条故障检测方法.对采集的定子电流信号进行Hilbert变换,消去定子电流中包含的直流分量,解决了转子断条故障特征分量容易被基波湮没、难以检测的问题.采用基于小波包频带能量分析方法,对转子断条故障进行识别.实验结果验证了方法的有效性.     

小波包尺度图在故障检测中的应用

提出了一种基于小波包尺度图的故障检测方法，该方法通过对振动信号进行小波包分解，然后利用其尺度图作为特征量来识别设备工作是否正常，并确定其故障频率，通过对一组不同情况的机械振动信号进行分析，结果表明该方法有效可行，并且适用于其它类似问题的监测和诊断。     

基于听觉模型的小波包变换的语音增强

由于人耳频率分辨率是非线性的 ,用传统的线性信号处理方法 (如FFT)来模拟人耳基底膜的频率分析特性是比较困难的 .小波包算法有灵活的时频分析能力 ,可较好地符合人耳基底膜的频率分析特性 .在模拟人耳的听觉机理方面 ,用动态阈值法成功地对含噪语音进行了去噪处理 ,在去噪处理中引入音乐噪声的问题也较好地得到解决 .实验表明 :在单声道的条件下 ,其语音增强效果比传统的频谱减法有更高的清晰度和可懂度     

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.      

基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。     

微电机噪声信号的小波包分析与故障检测

电机运转噪声中包含了电机状态的信息,分析了微电机的噪声源及噪声信号特征,基于最优小波包基和Donoho软阈值消噪方法对一组微电机标准信号和故障信号进行了消噪处理,比较低频信号成分的功率谱得出故障特征频率,从而确定电机故障,结果表明该方法能有效实现对电机的故障检测.     

基于零序电压小波包能量比的配网单相高阻接地故障辨识分析

配网高阻故障大多是架空线接触高阻抗物体引起的单相高阻接地故障,难以通过稳态特征进行识别。基于等值网络分析故障产生高频分量的原因并考虑正常状态对辨识的影响,提出一种基于零序电压小波包能量比的配网单相高阻接地故障辨识方法。利用小波包频段分解对零序电压进行能量特征提取,提取低频段能量与高频段能量的比值作为高阻故障的识别特征量。基于某10 kV配电网对方法进行测试,通过BP神经网络的辨识对比结果,证实了方法的有效性;通过中性点接地方式、拓扑结构及故障条件变化等多种因素的分析及仿真,验证了方法的适用性。     

基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法.对采集的轴承振动信号采用高、低正交共轭镜面滤波器组,将信号划分到不同频道上.滤波器每作用一次,数据点减半,采样的时间增至两倍.选取轴承缺陷所在频段的数据插零,将其他频带补零重构提高缺陷信号的时频分辨率;然后通过AR功率谱分析轴承运行状态,诊断出轴承对应的故障.对207滚动轴承的早期缺陷作了实际诊断,诊断结果与实际较为符合.证明该方法是一种有效的弱信号缺陷提取与诊断方法.     

隧道掏槽爆破振动信号两种分析方法

通过设计两次起爆的起爆网路,控制掏槽眼引起的振动速度,有效地减少了振动对周边构建物的影响。对掏槽爆破时振动信号进行了FFT分析、小波包分析,结果发现:单向爆破振动速度控制在2.1 cm/s以内,振动频率集中于50~100 Hz。傅里叶分析法(FFT法)与小波包分析法在处理振动信号主频的结果相差不大,速度的FFT图谱与爆破振动信号能量-频谱图相似。可用FFT法快速粗略地计算振动信号的主频与估计能量分配比例。但FFT法计算精度没有小波包分析法高,在精度要求高的情况下仍需使用小波包分析法进行信号分析。