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。     

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。     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.     

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.     

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.     

基于双树复小波包变换和1.5维谱的轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于双树复小波包变换和1.5维谱的诊断方法。首先通过双树复小波包变换将复杂的、非平稳的原始故障信号分解为若干个不同子带信号分量,继而利用峭度评价指标从分解所得结果中筛选出蕴含丰富特征信息的子带信号分量,将其视为最佳分量并做进一步包络解调运算,最后计算所得包络信号的1.5维谱,从中提取出轴承故障特征信息。实测信号分析结果表明,基于双树复小波包变换和1.5维谱的诊断方法能够实现滚动轴承故障类型的有效判定,具有一定工程应用价值。     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.     

基于多小波和峭度准则的风力发电机滚动轴承故障检测

风力发电是全球未来最重要的代替能源,由于其风电机组工作在恶劣的条件下,易造成风力发电机局部出现故障.风力发电机组的滚动轴承故障振动信号呈现非线性和非平稳特点,大量背景噪声污染导致故障特征难以有效识别,提出了多小波和谱峭度相结合的风力发电机滚动轴承故障特征提取方法.首先对振动信号进行多小波降噪,计算其峭度值,评判风机轴承是否产生故障;其次依据快速峭度图算法的自适应选择性获得最优的滤波器参数,滤波后对其进行平方包络分析;最后提取高频共振信号中包含的低频信息,判断风机的故障类型.通过仿真实验结果表明,对于风机轴承微弱的故障诊断,该方法能排除强烈的噪声干扰,保留易丢失的有用信号,明显提高信噪比,精确识别出故障特征频段,有效地的进行故障诊断.     

第二代小波分析在轴承故障诊断中的应用

针对传统小波分析在轴承冲击故障特征提取中的不足,引入第二代小波分析用于滚动轴承的故障诊断.基于插值细分原理,构造了预测算子和更新算子,并针对边界计算中出现的信号突变问题,采用一阶平滑边界延拓技术,解决了重构后信号的平滑问题.基于第二代小波分析的降噪方法,成功滤除噪声信号并保留故障的冲击特征,效果明显优于传统小波降噪技术.同时,将第二代小波变换与相关分析、解调分析等方法相结合,实现了轴承早期故障特征的有效提取.     

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EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

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。     

An improved empirical wavelet transform method for rolling bearing fault diagnosis

Empirical wavelet transform (EWT) based on the scale space method has been widely used in rolling bearing fault diagnosis. However, using the scale space method to divide the frequency band, the redundant components can easily be separated, causing the band to rupture and making it difficult to extract rolling bearing fault characteristic frequency effectively. This paper develops a method for optimizing the frequency band region based on the frequency domain feature parameter set. The frequency domain feature parameter set includes two characteristic parameters: mean and variance. After adaptively dividing the frequency band by the scale space method, the mean and variance of each band are calculated. Sub-bands with mean and variance less than the main frequency band are combined with surrounding bands for subsequent analysis. An adaptive empirical wavelet filter on each frequency band is established to obtain the corresponding empirical mode. The margin factor sensitive to the shock pulse signal is introduced into the screening of empirical modes. The empirical mode with the largest margin factor is selected to envelope spectrum analysis. Simulation and experiment data show this method avoids over-segmentation and redundancy and can extract the fault characteristic frequency easier compared with only scale space methods.

     

低速滚动轴承故障信号捕捉与分离研究

根据低速滚动轴承故障诊断难度较大的特点，提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法.以低速运转Cooper轴承系列01B65 EX滚子轴承为例，建立了故障轴承的三维整体接触计算模型，运用有限元软件对其进行了分析，计算出外圈故障的最大应力应变及各元件之间的接触应力，将发生故障前后的外圈外表面应力应变和接触应力分布规律进行比较.在应力波实验分析的基础上，选择db6母小波、尺度j=4对实验所采集的故障信号进行小波分解，提取了故障的应力波信号特征频率，对低速滚动轴承故障进行了正确诊断.结果表明，应力波和小波分析是低速机械故障诊断的有效方法.     

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.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于形态小波和S变换的滚动轴承故障特征提取

针对传统小波在强背景噪声中提取冲击故障特征的不足,提出基于极大提升形态小波(MLMW)分析和S变换的滚动轴承故障特征提取方法.先利用MLMW变换将信号分解到不同形态尺度上,各尺度信号上保留着信号局部极值形态特征,对细节信号进行软阈值降噪处理,再从重构信号的具有良好时频聚焦性的S变换谱上提取故障特征.试验结果表明,MLMW既抑制了噪声和谐波分量,又显著强化了故障特征;相比传统小波和包络分析,能清晰地提取非平稳非线性故障特征.由于MLMW采用简单的形态算子和高效的提升方法,计算简单高效,适于故障特征的在线分析.