LS-SVM与小波指数阈值结合的振动信号降噪

为了能够更好的保持液压泵轴承振动信号的峰形,解决软阈值函数存在的恒定偏差和硬阈值函数存在间断点的问题,引进了一种最小二乘支持向量机(LS-SVM)与小波指数阈值结合的振动信号降噪方法。首先对液压泵的机械轴承振动信号进行小波阈值分解,进而采用LS-SVM方法将小波系数分为与噪声相关的及与噪声无关的小波系数,采用小波指数阈值函数将与噪声相关的小波系数滤除,将处理后的信号重组,提取微弱的振动信号特征。不仅实现了振动信号的降噪,也利于轴承的故障诊断。     

谱图小波阈值降噪及其在滚刀主轴振动信号分析中的应用

通过分析谱图小波变换在平面图像、三维实体分析中的应用,提出一种用于一维数字信号分析的谱图小波阈值降噪方法。该方法将一维数字信号定义到路图上,利用谱图小波变换将其分解成尺度系数和谱图小波系数,对谱图小波系数进行阈值过滤处理,再进行谱图小波逆变换得到降噪信号。首先,利用四种典型仿真信号进行降噪试验,并分析不同分解层数对降噪性能的影响;接着,将其与经典小波阈值降噪方法进行仿真对比;最后,采用该方法进行滚刀主轴振动信号降噪,并与经典小波阈值降噪方法对比。仿真及试验结果表明,该方法实现了一维数字信号的快速非迭代降噪,且降噪信号平滑度高、畸变小,优于经典小波阈值降噪方法。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

小波域双谱分析方法在故障诊断中的应用

针对双谱分析不能抑制非高斯噪声缺点以及小波阈值消噪法没有统一的阈值选取标准的不足,利用小波包多分辨率分解技术,将小波包与双谱结合,给出了小波域双谱分析方法,该法不但有效抑制噪声和其他高频成分的干扰,反映故障特征,而且避开了小波阈值法消噪存在的不足。     

小波变换在弱信号检测中的应用研究

介绍了小波变换原理,将小波变换用于弱信号检测并与传统的傅里叶变换方法进行了比较,仿真结果表明,小波变换能有效提高信噪比。     

基于小波分析多尺度分解的轴承故障检测

归纳和总结了小波分析多尺度分解的滚动轴承故障检测方法的实施步骤,阐述了故障轴承振动与信号的关系以及离散小波算法的原理和实现过程,并以滚动轴承故障诊断为例,运用MATLAB小波分析工具箱将滚动轴承振动信号进行小波离散多尺度分解,然后在分解的结果中寻找滚动轴承的故障特征频率。结果表明,如果在故障检测过程中合理选择小波函数和各种参数,则小波分析多尺度分解具有很强的故障识别能力。     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

新的基于小波变换的振动信号消噪方法

噪声消除是小波变换最成功的应用之一,其基本思想是将信号的小波变换系数与给定的门限比较,保留比门限大的系数,而将其他的置零,然后进行小波重构。这种小波变换消噪方法很可能将信号中一些有用的小能量分量当成噪声消除。根据旋转机械振动信号的循环平稳性特征,提出了一种新的基于小波变换的振动信号消噪方法,并用数字试验信号和碰摩试验振动信号对新消噪方法和Matlab提供的小波消噪方法的性能进行了比较测试。结果表明,在振动信号消噪方面,新方法相比传统的小波消噪方法有更好的性能,能够有效地抑制信号中处于各频段的噪声分量。     

自适应小波应用于回转类零部件的初期裂纹识别

介绍了基于kurtosis最大化准则的自适应Morlet小波分析方法，它能够根据kurtosis值自动调节小波函数参数以获得最佳滤波子小波，将其应用于处理染噪的周期性脉冲信号，以识别裂纹故障发展的初期征兆。与其它分析方法如离散小波变换和小波降噪进行了比较，结果表明自适应Morlet小波分析方法对于提取噪声中的周期性脉冲是非常有效的。     

谐波小波的时频特性分析及其在故障诊断中的应用

小波分析在故障诊断中得到较广泛的应用,但采用不同的小波,分析结果往往会有很大差异。本文通过对谐波小波的选频和相位特性的理论分析,结合仿真信号与故障试验进行分析研究,提出了将基于谐波的小波包分析方法用于诊断碰摩故障,并提出了基于谐波小波的进化谱分析方法,为松动故障的识别提供了一种有效手段。     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

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。     

一种滚动轴承故障知识获取的新方法

针对滚动轴承诊断中故障样本不足和故障模式复杂且难以辨识的特点,提出了一种基于Weka软件数据挖掘平台的滚动轴承故障知识获取的新方法。该方法综合运用滚动轴承时域参数和小波包络谱特征参数,并选取与其运行状态密切相关的多个振动参数作为原始特征模式,然后借助Weka平台的C4.5决策树提取了滚动轴承故障知识规则,并加以解释。最后将该方法应用于现场采集到的大量轴承数据,结果表明该方法正确有效。     

滚动轴承故障诊断系统的设计与应用

分析了滚动轴承典型故障机理及其振动特征,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,设计出一套新的诊断方案,开发了适用于铁路货车的滚动轴承故障诊断仪。仪器主要采用时域分析与频谱分析相结合来完成故障诊断工作,信号分析程序使用VisualC 6.0,不仅可以准确地分析出轴承故障所在的部位,更保证了数据采集的实时性。现场应用证明:该方法准确有效,适用于滚动轴承的检测和诊断。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

数学形态学和HHT在轴承故障诊断中的应用

数学形态学滤波算法具有很强的抑制脉冲干扰的能力,但滤除白噪声的能力却不及小波算法。针对这一不足,在对信号进行形态滤波之前先进行小波消噪,再进行HHT分析提取故障特征频率。通过仿真和示例证实了该方法可以有效地消除信号干扰噪声,提取轴承故障特征,达到对滚动轴承故障诊断的目的。     

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。     

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.