基于形态滤波和Laplace小波的轴承故障诊断

针对强噪声背景下,轴承故障冲击响应的提取易被周围噪声干扰的问题,提出了一种基于数学形态学滤波和Laplace小波的包络谱分析方法。首先通过形态学滤波来滤除信号中的复杂噪声,增强信号的冲击特征,然后采用Laplace小波相关滤波法提取信号的冲击响应,最后对提取的冲击相关系数进行包络谱分析,即可诊断出故障。该方法结合了数学形态滤波和Laplace小波两者的优点,可以准确地捕捉到强噪声下的故障脉冲。将该方法应用于轴承内圈、外圈的故障诊断,与传统包络谱分析方法的对比结果很好地验证了所提方法的有效性。     

基于LMS-自适应滤波算法的经验模态分解故障诊断方法研究

对于多相电机定子绕组或逆变桥开关管开路造成的故障,其故障信号常被电机噪声和环境噪声所淹没。现提出一种将LMS-自适应滤波算法和经验模态分解(EMD)结合的特征信号提取方法,通过自适应滤波算法滤除含有噪声污染的故障信号中电机产生的电磁噪声,再对滤波后的信号进行经验模态分解,并提取出故障特征信号。仿真实验表明,该方法能够有效消除电机电磁噪声的干扰,计算快且简单易行,具有良好的可操作性。     

弧焊过程电信号的小波包分析

CO2弧焊过程电信号的实际测试过程中,消除噪声干扰是一个重要的环节,小波包滤波方法可以有效地将信号和噪声区别开来。在Windows环境下,采用Visual C++6.0编程实现了小波包软阈值算法。测试结果表明:基于软阈值的小波包滤波是一种更有效的降噪方法,它可以改善信号特征信息的提取。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

基于Morlet小波与最大似然估计方法的降噪技术

采用与冲击信号匹配的Morlet小波作为小波基对信号进行小波变换,利用冲击信号的概率密度特征,结合最大似然估计的阈值方法进行降噪,以提取周期性的冲击信号。通过对减速箱故障信号进行降噪,提取出周期性的故障特征信号,表明该方法可以有效地去除强噪声干扰,提取振动冲击信号     

静态小波相关滤波法在振动信号处理中的应用

为了有效提取振动信号中的故障特征,本文提出将静态小波变换和尺度相关滤波相结合的方法.先对信号进行静态小波分解,再利用尺度相关法分离信号与噪声,提出了一种针对振动信号的噪声能量阈值估计算法.利用连续小波变换和尺度相关对振动信号降噪.实例分析表明,该方法具有良好的去噪性能,并能更好的提取振动信号中的故障特征.     

增强型滤波及冲击性机械故障特征的提取

机械故障所引起的时间序列的微弱变化往往被由机械自身结构特点所引起的振动信号和来自其他振源的振动干扰信号及白噪声等所组成的强背景噪声所淹没,尤其是在设备出现早期故障时,这种微弱的故障特征信号很难被识别.根据机械噪声及冲击性故障特征信号的特点,提出了基于进化论自适应滤波和小波降噪耦合的增强型滤波器新算法,即克隆法和匹配法的子代繁衍与重构小波系数耦合的算法.模拟计算和物理台架试验结果表明.该算法不仅可较大幅度提高信号的信噪比,且可处理强噪声环境下的非线性噪声,具有较强的提取微弱冲击性故障特征的能力,且该方法具有很强的实用性.     

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。     

基于小波相关滤波-包络分析的早期故障特征提取方法

噪声是影响齿轮、滚动轴承等机械设备早期故障诊断正确性的主要因素,利用小波相关滤波法的降噪特性,将小波相关滤波降噪方法和Hilbert包络谱分析相结合,提出了小波相关滤波.包络分析的早期故障特征提取新方法,即首先利用小波相关滤波方法作为包络分析的前置处理手段提取振动信号的微弱故障信息特征,以求得信噪比较高的小波系数;然后对高频段尺度域的小波系数进行Hilbert包络细化谱分析,得到早期故障的特征频率.仿真信号和诊断实例分析结果表明,该方法比直接小波系数包络分析法更能有效抑制噪声,凸现早期故障频率.     

基于小波半软阈值消噪的盲源分离方法

为了有效提取含噪机械故障信号中的故障特征信息,研究了一种基于小波半软阈值消噪的盲源分离方法。利用小波半软阈值对故障信号进行消噪处理;采用联合近似对角化算法对信号进行盲源分离;考虑在噪声干扰下预消噪常常不足以消除全部噪声,因此在盲源分离后再进行适当的消噪处理,以提高其分离性能。实验验证了所提出方法的有效性和可行性。     

改进ILoG算子的故障检测方法

针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。     

基于小波簇的包络解调方法及其在故障诊断中的应用

本文提出了一种基于小波簇的带通滤波和包络解调方法。通过合理地选择小波参数，用多个单类Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过渡带特性的带通滤波器，可用于提取振动信号的高频自然频率成分。由于该小波簇的虚部是实部的Hilbert变换，可用于实现包络解调提取振动信号在高频谐振带的包络成分。将该方法用于干式真空泵轴承故障的诊断中，结果表明可有效地提取故障特征频率，实验结果验证了该方法的有效性。     

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。     

机器状态智能诊断与管理系统

利用小波变换的时频特性和多分辨率特点,将待处理的信号通过调整小波尺度来抽取具有实质性的故障特征,确保了信息量的完整性。将模糊理论与人工神经网络相结合,应用于滚动轴承的故障诊断中,并采用面向对象的分析方法和编程技术实现了轴承实验机的智能诊断与管理。     

Application of an impulse response wavelet to fault diagnosis of rolling bearings

To target the characteristic of roller bearing fault vibration signals, the impulse response wavelet is constructed by using continuous wavelet transform to extract the feature of fault vibration signals, based on which two methods namely scale-wavelet power spectrum comparison and auto-correlation analysis of time-wavelet power spectrum are proposed. The analysis results from roller bearing vibration signals with out-race or inner-race fault show that the two proposed methods can detect the faults of roller bearing and identify fault patterns successfully.     

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。     

小波分析在滚动轴承故障诊断中的应用

滚动轴承是机械系统中非常关键的部件,它的运行好坏直接关系到整个机械系统的性能优劣,因此滚动轴承的故障诊断研究是非常具有实际意义的。本文对轴承早期损伤引起的故障信号进行了分析,通过比较频谱分析和小波分析的特点,采用小波分析技术对检测的信号进行处理,利用小波变换的分解和重构算法,对具有故障特征的信号进行重构,再通过希尔波特变换进行解调和细化频谱分析,有效地提取出噪声掩盖下的滚动轴承故障特征信号,从而实现对滚动轴承的故障诊断。     

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.     

Early fault detection method for rolling bearing based on multiscale morphological filtering of information-entropy threshold

The scale of structure element is especially important to obtain good filtering results in multiscale morphological filtering (MMF) method. In general, the optimal scale of structure element is set to be a fixed value in traditional morphological filter, therefore it is difficult to extract the fault feature from rolling bearing vibration signal effectively. A novel multiscale morphological filtering algorithm is proposed based on information-entropy threshold (IET-MMF) for early fault detection of rolling bearing. Compared with traditional MMF method, several optimal scales of structure elements are achieved according to the energy distribution characteristic of different vibration signals. The information entropy theory is applied to quantify the analyzed signals, and the optimal threshold of information entropy is obtained by iterative algorithm to ensure integrity of useful information. The simulation and rolling bearing experimental analysis results show that the IET-MMF method can extract fault features of vibration signals effectively.

     

QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用

为了解决小波降噪软阈值选择非最优以及SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimization,)相结合,利用QPSO优化小波阈值以及优化SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中。实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67%,与SVM和RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求。