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．     

基于虚拟仪器的滚动轴承故障诊断系统的设计

根据滚动轴承信号的特点,提出了一种基于小波包分解和共振解调技术相结合的滚动轴承故障诊断方法,并开发了基于虚拟仪器的故障诊断系统.首先采用小波包将信号进行分解,再利用共振解调技术分析小波包的高频段,以诊断轴承故障.然后运用LabVIEW图形化编程语言设计了相应的滚动轴承故障诊断程序,最后在ADBE-56-N4型交流电机上实测了6305型滚动轴承故障模拟信号,分析结果表明,该方法有效地提取了故障特征和诊断轴承故障,有很好的实用性和有效性.     

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。     

基于谐波小波和Hilbert的滚动轴承故障诊断方法

主轴滚动轴承是数控机床的重要部件,它的运行状态往往直接影响整套机械设备的性能。为了提高主轴滚动轴承的故障诊断可靠性,针对数控机床主轴轴承振动信号非平稳的特点,利用谐波小波滤波的方法对现场采集的振动信号进行滤波,并提出对滤波后的信号进行Hilbert包络分析,从而提取出故障激发的共振信号。实例验证表明,谐波小波具有良好的滤波效果,Hilbert包络分析能有效地提取滤波后信号的故障特征,此方法提高了数控机床主轴滚动轴承故障诊断的准确性。     

基于小波包和细化包络分析的滚动轴承故障诊断方法研究

滚动轴承故障是旋转机械常见的故障之一,针对传统包络解调分析方法需要人为选定共振频带的缺陷,首先采用小波包变换滤波的方法提取滚动轴承固有频率共振频带的信号,并对提取的信号进行重构,滤除了其他信号的干扰．然后用Hilbert变换检波的方法对提取的重构信号实现包络解调,去除高频固有振动成分,诊断轴承的缺陷信息．为了进一步提高包络谱的分辨率,最后采用快速傅立叶变换-傅立叶级数（FFT—FS）方法细化频谱．并在ADBE-56-N4型交流电机上实测了6350型滚动轴承故障模拟信号,与理论分析基本吻合．     

运用小波包峭度包络的滚动轴承故障诊断

根据滚动轴承振动信号的性质,提出了一种基于小波包系数、峭度最大值原则及包络谱分析的滚动轴承故障自动诊断方法.首先,用小波包将信号分解到不同的频段上,再对不同频段的小波包系数计算其峭度值;然后,根据峭度值最大原则,自动确定由轴承缺陷所引起的共振频率所在的频带;最后,对该频带的小波包系数进行包络谱分析,以确定故障频率.此方法能够提高滚动轴承故障诊断的可靠性和便捷性.     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

基于小波包和Hilbert包络分析的隧道掘进机主轴承故障诊断方法研究

隧道掘进机施工中,主轴承故障对掘进施工影响严重。该文提取主轴承振动信号,采用小波包和Hilbert包络分析相结合的方法,对信号进行分析,获得轴承故障信息。利用小波包变换滤波方法提取轴承高频固有共振频带信号,对所提取的信号进行重构,滤除其中的干扰成分;对重构信号进行Hilbert包络谱解调,去除高频固有共振成分,获得轴承故障信息。通过对振动传感器采集的轴承径向振动信号分析,有效地获得了轴承故障特征,验证了理论方法的正确性。     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

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.     

改进形态滤波与LMD结合的滚动轴承故障诊断方法研究

为了消除噪声对滚动轴承故障诊断结果的影响,提出了一种改进形态滤波与局域均值分解(Local mean decomposition,LMD)结合的滚动轴承故障诊断方法,该方法首先利用LMD对滚动轴承的故障信号进行分解,采用峭度和相关系数准则剔除多余的低频分量,再用改进的形态滤波对选出来的PF分量进行滤波解调。最后,对滤波后的信号进行Hilbert包络谱分析,并且与LMD-Hilbert包络谱和直接Hilbert包络谱的结果进行对比分析。实验结果表明:该方法能够有效地提取滚动轴承故障的特征,诊断轴承故障位置。     

一种改进的小波分析和Hilbert包络的轴承故障

实现对滚动轴承的精确诊断,关键是选择调制性较好的特征频率区间并对所选区间的特征信号进行精细分析。针对这一问题,提出了基于改进后的小波分析和Hilbert包络普对滚动轴承的故障诊断。首先,对采集的故障轴承特征信号进行小波分解、降噪、重构,然后根据边带相关算法的基本思想在重构后的特征信号中得到滚动轴承特征信号的最佳调制信号区间,最后,对该区间内的特征信号用希尔伯特包络普进行包络分析,使其图形化呈现,并将其与正常轴承特征信号的包络图对比,由此判断是否出现故障。通过对SKF6203型滚动轴承的诊断,证明该诊断方法可以取得精确而又有效的诊断结果,为旋转类机械故障诊断分析提供了新思路。     

基于共振稀疏分解的滚动轴承早期微弱故障诊断

传统方法很难对滚动轴承的早期微弱故障进行有效诊断.共振稀疏分解是一种基于多字典库的稀疏分解方法,可以同时分解出滚动轴承故障信号中的瞬态冲击成分及其持续震荡成分(工频及其谐频成分).该方法在对滚动轴承早期微弱故障信号进行自适应滤波降噪(采用Ensemble Empirical Mode Decomposition,EEMD方法)基础上,对处理后的信号进行共振稀疏分解分析,分别构建高、低品质因子小波基函数字典库,并利用形态学分析方法建立信号稀疏表示的目标函数,进而实现对滚动轴承发生故障时具有低品质因子的瞬态故障成分及其他持续振荡高品质因子噪声成分的成功分离.对分离得到的低品质因子信号成分进行包络解调分析,进而得到较好的故障提取特征结果.通过实验验证了所述方法的有效性.     

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.     

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.     

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.     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验数据进行研究,能够清晰地得到故障特征频率及其高次谐波,从而验证了所提方法在滚动轴承的故障诊断中的有效性和可行性.     

小波包和峭度在轴承早期故障分析中的应用

为实现轴承故障的精确诊断,提出一种基于小波包与峭度准则的包络解调方法。当信噪比较小时,该方法可以剔除含噪信号,与现阶段经常使用的细节系数能量方法相比,可更为有效地提取轴承的故障信息。该方法首先利用小波包将振动信号分解,突出小波包降噪效果的明显性;然后以峭度准则提取降噪后信号所需的细节系数并对其重构;最终进行包络谱分析,准确地检测出轴承故障,提高轴承故障诊断的精确度。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。