基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

故障程度鲁棒的滚动轴承智能诊断方法

本文中提出了一种基于共振滤波和包络小波包分解的鲁棒故障特征提取方法,首先对信号进行共振频带滤波,再对滤波信号的包络进行小波包分解并提取重构子带信号的标准偏差值作为特征向量。该方法考虑了包络信号能充分描述轴承局部故障引起循环冲击的特点,并利用支持向量机进行轴承故障类型自动识别。实验结果表明,该方法能有效地实现故障程度鲁棒的滚动轴承智能诊断,具有较高的诊断速率,效果优于传统滚动轴承诊断方法。     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

一种轴承故障诊断的时频综合分析法

针对旋转机械中最常见的滚动轴承问题,提出了一种基于小波包分析和Hilbert包络分析的时频综合分析法对轴承进行故障诊断。首先利用小波包分析将轴承故障信号分解到不同的节点,然后求出各个频带的能量谱,确定故障频带范围并对其进行信号重构,最后采用Hilbert变换对故障频带的重构信号进行包络谱分析,从而诊断出轴承故障。通过对轴承外圈故障信号的分析验证了该方法在轴承故障诊断中的有效性。     

基于时延相关及小波包系数熵阈值的增强型共振解调方法

针对滚动轴承等旋转机械早期微弱损伤性故障,提出一种基于时延相关及小波包系数熵阈值的增强型共振解调方法,以解决传统共振解调技术中共振带难以确定的问题.该方法对原始故障信号做时延相关预处理,然后进行小波包分解,求出各叶结点系数香农熵,依据熵值谱图,设定有效阈值来取舍叶结点系数,重构信号并做频谱分析,有效确定并提取故障信号共振带,对共振带进行包络解调分析,有效提取出机械设备早期微弱损伤性故障的冲击特征.滚动轴承试验数据分析结果表明该方法的可行性和有效性.     

小波分析在滚动轴承故障诊断中的应用

介绍了小波包分析的基本理论,并探讨了基于小波包分解与重构的包络解调的滚动轴承故障诊断方法.通过MATLAB仿真试验,表明基于小波包络解调的故障诊断方法可以减小噪声影响,且故障信息得以凸现.     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.     

滚动轴承早期冲击性故障特征提取的综合算法研究

针对滚动轴承早期微弱冲击性故障信号特征难以提取的问题,提出了共振解调结合小波包系数熵阈值降噪的综合算法,用于准确确定并提取早期微弱冲击性故障引起的共振调制边频带。该算法应用时延相关和小波包系数熵阈值算法实现信号的双重降噪,并依据共振带能量比确定小波包分解的最佳分解尺度和选取熵阈值的最佳阈值,寻求共振带的最优解,然后进行共振解调提取故障信号特征。实验数据分析结果表明了该算法对滚动轴承早期冲击性故障提取的可行性和有效性。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于LabVIEW的虚拟轴承故障诊断系统的研究

介绍了滚动轴承故障特点及采用共振解调技术对滚动轴承进行故障诊断的原理和特点，并在此基础之上，虚拟出了以LabVIEW为界面的故障诊断程序系统。     

基于小波包—坐标变换的滚动轴承故障特征增强方法

滚动轴承早期故障特征信号微弱且易受正常成分干扰,因此不易准确识别滚动轴承的早期故障.对含有微弱故障的滚动轴承信号进行小波包分解,通过对小波包分解得到的各子带进行研究,提出一种基于小波包—坐标变换(Wavelet packet-coordinate transformation,WP-CT)的故障特征增强方法.考虑到各频...     

基于虚拟仪器技术的滚动轴承故障诊断系统的设计与试验

设计了一种基于虚拟仪器技术的滚动轴承故障诊断系统,提供了该系统的总体方案.根据虚拟仪器技术构建了系统的数据采集模块和信号处理模块,运用LabVIEW软件实现系统的信号采集和处理功能.通过试验表明,将虚拟仪器技术运用到滚动轴承故障诊断中来,不仅可以对测量结果进行实时显示,处理和存储等,而且使得测控过程更加高效和便捷.     

基于小波包和AR谱分析的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

基于局部投影降噪的低频轴承故障诊断

本文将局部投影降噪算法结合共振解调技术对低频轴承进行故障诊断。局部投影算法将时间序列先进相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中背景信号和噪场分量。综合局部投影降噪算法及共振解调技术两都的优点,对低频轴承进行了故障分析与诊断。     

Quantitative diagnosis of fault severity trend of rolling element bearings

The condition monitoring and fault diagnosis of rolling element bearings are particularly crucial in rotating mechanical applications in industry. A bearing fault signal contains information not only about fault condition and fault type but also the severity of the fault. This means fault severity quantitative analysis is one of most active and valid ways to realize proper maintenance decision. Aiming at the deficiency of the research in bearing single point pitting fault quantitative diagnosis, a new back-propagation neural network method based on wavelet packet decomposition coefficient entropy is proposed. The three levels of wavelet packet coefficient entropy(WPCE) is introduced as a characteristic input vector to the BPNN. Compared with the wavelet packet decomposition energy ratio input vector, WPCE shows more sensitive in distinguishing from the different fault severity degree of the measured signal. The engineering application results show that the quantitative trend fault diagnosis is realized in the different fault degree of the single point bearing pitting fault. The breakthrough attempt from quantitative to qualitative on the pattern recognition of rolling element bearings fault diagnosis is realized.     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.