小波变换及其在滚动轴承故障诊断中的应用

小波变换不仅具有良好的时频局部化特性,而且它的时域分辨率和频域分辨率随着分解尺度变化而变化．广义的小波分析包括多分辨率分析和小波包分析,本文采用小波分解和信号重构的方法,提起了噪声掩盖下滚动轴承振动信号中的故障信息,并计算出406滚动轴承外圈故障下的故障特征频率,通过对比由公式求取的故障特征频率,从而对滚动轴承的故障进行诊断．     

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其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的小波变换下的特性；根据故障信号的局部奇异性在小波变换下模的极大植及其在不同尺度上的传播特性，对308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。     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于小波包分析的数控机床主轴滚动轴承故障诊断

滚动轴承损伤类故障的分析诊断基础是提取故障信息。利用小波包分析对机床主轴滚动轴承振动信号进行分解,求出各频段的能量,提取了轴承故障的特征频率并对故障进行定位,表明了小波包分析方法在滚动轴承故障诊断的有效性和优良性。     

基于小波包能量谱的滚动轴承故障检测

小波包具有对非平稳信号进行局部化分析的功能,可解决小波分析在高频部分分辨率差的问题,据此,提出一种基于小波包能量谱的滚动轴承故障分析方法。首先,将振动数据小波包分解为多个子频带,求出各频带的能量比例;然后,比较正常振动信号与故障振动信号的频带能量谱,识别出故障的频带;在此基础上,重构故障频带,运用Hilbert变换对重构信号包络解调,提取出故障频率。试验结果验证了采用小波包能量谱对滚动轴承故障检测的可行性。     

小波分析在滚动轴承故障诊断中的应用研究

为了能有效识别滚动轴承的故障信号,利用滚动轴承滚动体故障模型,构造相应的小波基;研究提升小波的预测器和更新器算法;利用小波基对故障特征信号敏感的特点,对轴承故障信号进行检测和分析.实验和仿真结果表明,利用提升小波对滚动轴承振动信号进行N层分解后,可在细节信号中容易地发现突变信号,再根据模极大值原理,有效地判断轴承故障是否存在;进一步对细节信号作Hilbert包络,检测功率谱中的故障特征频率,可准确判断滚动轴承滚动体是否存在损伤点.     

小波分析与Hilbert分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析技术,对检测的信号进行分解,并对含有故障特征的信号进行重构,实现故障信号的提取.应用Hilbert变换进行解调和细化频谱分析,得出故障信号所对应的频谱,从而判断轴承故障模式.通过Matlab仿真证明了小波分析结合Hilbert分析法在滚动轴承故障诊断中提取特征频率的应用价值.     

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于复小波和奇异值比谱的轴承故障检测方法

提出一种基于包络分析和奇异值比谱的滚动轴承振动故障监测和诊断方法。首先利用具有解析带通特性的复Morlet小波来获得信号的包络,然后采用扫频方式检测奇异值比谱最大峰值自动提取、增强、重构包络信号中的主周期分量,提取到轴承故障特征。该方法已成功地应用到了对滚动轴承故障检测实验,验证了该方法的有效性、可行性。     

基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。     

包络-小波技术在轴承故障诊断中的应用

分析了滚动轴承典型故障的故障机理及其振动特征，详细介绍了滚动轴承振动信号分析与故障诊断的方法。提出了将包络分析作为小波分解的前置处理手段以提取信号故障特征的思想，并在此基础上开发研制了“CZZD-01型轴承故障诊断仪”。现场调试结果表明，该方法准确有效，适用于滚动轴承的监测和诊断。     

基于时间-小波能量包络谱的滚动轴承特征提取

研究了传统包络谱方法在滚动轴承故障诊断中不能准确提取故障特征的问题,提出了一种基于能量和包络谱相结合的时间-小波能量包络谱分析法。用两种方法对滚动轴承各部位采集到的数据进行了分析对比,结果表明,时间-小波能量包络谱分析法比传统包络谱方法能更好和准确地提取出滚动轴承故障的特征频率。     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于切片双谱分析的滚动轴承故障识别研究

针对滚动轴承故障识别问题，提出基于共振解调理论和高阶谱分析相结合的新方法.讨论了双谱理论和双谱对角切片的特性，分析了故障滚动轴承振动信号的特点.利用希尔伯特（Hilbert）变换构造原始振动信号的解析信号，求取信号的包络，计算包络信号的对角切片双谱，提取由于滚动轴承二次相位耦合产生的非线性特征，得到滚动轴承的故障特征频率，识别滚动轴承的故障模式.试验和理论分析表明，利用该方法可以有效地将正常轴承和内滚道伤轴承、外滚道伤轴承的振动信号进行分离.该方法保留了信号的相位信息, 并且能够有效地抑制噪声，在降维的同时简化了算法.     

小波包分析在滚动轴承信号消噪处理中的应用

对滚动轴承的故障特点进行了分析.根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出了小波包分解和重构用于滚动轴承信号消噪处理的概念及其算法,建立了滚动轴承加速度信号实时测试系统.通过实验研究得出,用小波包分解并通过重构可使分解后的数据长度不变,使分解层数不受限制,证明小波包分析方法应用于滚动轴承信号消噪的有效性,并取得了较好的效果.     

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.     

基于SSD和Teager能量算子的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号较难提取的问题,提出基于奇异谱分解(singular spectrum decomposition,SSD)和Teager能量算子的滚动轴承故障诊断方法。首先,利用SSD分解振动信号得到一组不同频带分布的奇异谱分量(singular spectrum component,SSC);其次,根据峭度准则选取最佳SSC分量,利用Teager能量算子计算该分量的瞬时能量信号并对其进行傅里叶分析,从而得到信号的Teager能量谱;最后,根据能量谱图提取故障特征频率。将该方法运用到仿真信号和滚动轴承实测信号中,并和包络谱、EMD及EEMD方法进行对比分析,结果表明,该方法能有效解调故障特征信息,准确识别轴承故障类型,诊断效果更佳。     

EMD与同态滤波解调在滚动轴承故障诊断中的应用

根据滚动轴承的振动故障特征,介绍了一种新的基于经验模态分解(Empirical Mode Decomposition,EMD)与同态滤波解调相结合的滚动轴承故障诊断方法.EMD可将轴承故障信号分解成若干个IMFs(Intrinsic Mode Functions),各个IMF突出了原始信号的某些局部特征.再对某些IMFs有针对性地进行同态滤波解调,提取了轴承内圈故障特征频率,诊断出轴承内圈严重磨损故障.同时,为更突出同态滤波解调方法的优越性,与Hilbert包络进行了对比分析.仿真与应用结果表明,同态滤波解调方法要优于Hilbert包络法.