发动机异响信号的小波包能量特征提取

在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题.发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中.发动机声响的分析在其故障诊断中显得极为重要.现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断.     

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。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于小波包和神经网络的柴油机气门故障诊断

通过调整柴油机不同气门间隙模拟故障,利用小波包分解算法对所采集柴油机缸盖表面的振动信号进行频带分解,以小波包频带能量百分比为特征向量,以同一工况下多次采样均值作为标准模式,通过改进BP神经网络实现了对柴油机气门间隙异常的故障诊断.     

基于小波包-AR谱和多核映射SVM气阀机构故障诊断

利用小波包对非平稳信号故障特征提取的优越性和支持向量机适用于小样本学习的特性,针对柴油机气阀机构故障提出了一种基于小波包-AR谱分析和多核映射支持向量机相结合进行柴油机气阀机构故障诊断的方法。该方法采用小波包-AR谱分析提取频带能量为特征向量,利用多核映射支持向量机故障分类器实现对柴油机气阀机构故障分类。试验结果表明,小波包-AR谱分析和多核映射支持向量机能对柴油机气阀机构故障进行有效诊断,故障预报正确率为100%。     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

基于阶次小波包与粗糙集的轴承复合故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳非高斯特征,传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入到轴承的复合故障诊断中,利用计算阶次跟踪算法对瞬态振动信号进行重采样,采用小波包对该信号分解-重构,并对每个频段的能量进行归一化,构成一个特征向量,通过粗糙集理论得到清晰、简明的决策规则.并通过复合故障实例验证了此方法的有效性.     

基于小波包分解提取刀具振动信号特征向量

主要介绍了3种基于小波包分解的以不同方式进行提取刀具磨损振动信号特征向量的方法。刀具振动信号通过小波包分解后重构成不同频段的信号系数。在此基础上,首先提取各个频段能量基于总能量比值的特征向量;其次对其进行功率谱分析,提取特定频段幅值的特征向量;最后,利用奇异值分解将不同频段的信号映射到正交子空间中,从中选取信号的奇异值作为特征向量。最终将得到的特征向量组合成一个特征向量输入支持向量机中进行刀具磨损识别。     

基于小波包分解和K最近邻算法的轴承故障诊断方法

轴承振动信号具有不平稳和不规则性,难以通过振动信号分析直接进行故障诊断,提出一种基于小波包分解和K最近邻算法的轴承故障诊断方法。首先利用小波包分解轴承原始振动信号,接着对分解得到的频带信号计算样本熵值,将其构建特征向量,最后利用K最近邻算法进行轴承故障诊断。并采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好,准确率为95%。     

随机森林算法在柴油机故障诊断中的应用

针对基于单一分类器的柴油发动机常见故障识别效果不够理想,泛化性较差等问题,结合实验数据探索了一种随机森林(Random Forest,RF)分类器,提出小波包分解和随机森林相结合的柴油发动机故障诊断方法。首先,对缸盖振动信号进行小波包分解,并利用分解所得的小波包重构系数计算各频带能量特征;然后,对小波包频带能量特征进行归一化处理,得到特征向量;最后,特征向量作为输入参数输入到随机森林算法中,训练得到分类模型,对柴油机常见故障进行识别。实验结果表明,随机森林方法相比于单一分类器可以更准确的识别出柴油机的运行状态,该方法在柴油发动机在线监测与故障诊断领域中具有良好的应用前景。     

基于多尺度信息熵特征和RBF神经网络的气液两相流流型识别方法

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，提出一种基于小波包多尺度信息熵的流型识别方法。该方法首先对采集到的压差波动信号进行4层小波包分解，在通频范围内得到分布在不同频段内的分解信号，进而建立流型的多尺度信息熵特征向量。并以此特征向量作流型样本对RBF神经网络进行训练，实现流型的智能化识别。试验结果表明，训练成功的RBF网络能很好地识别水平管内的4种流型，为流型识别开辟了一条新的途径。     

基于神经网络的电机转子不平衡检测研究

针对振动信号非平稳的特点,为了快速准确地判断引起转子不平衡的原因,提出了一种基于小波包分解和神经网络相结合的电机故障检测研究方法,对采集的振动信号进行小波包分解,利用分解的小波系数求取各个频带峭度,根据频带峭度的变化提取特征向量,应用RBF神经网络进行检测识别,并通过MATLAB仿真实现。     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

一种轴承故障诊断的改进型小波包包络方法

小波包包络法是轴承振动信号分析中的一种重要方法,使用该方法可以对包含有故障特征频率的各频段信号进行分析,能够滤去噪声信号,有效地提取轴承的故障信息。在小波包分解时,对小波包细节信号的选取目前常用的是基于细节系数能量的方法,但该方法在信噪比较小的情况下对信号分析效果一般,结合自相关和互相关的特性,提出了一种改进型的小波包包络方法,为小波包分解中细节信号的选取提供了一定的理论依据,提高了小波包在轴承故障诊断中的判断准确度。     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

基于小波包-AR谱和GA-BP网络的轴承故障诊断研究

针对轴承振动信号具有非平稳、非线性特点,提出将小波包-AR谱和采用遗传算法(genetic algorithm,GA)优化的BP神经网络相结合的轴承故障诊断方法。该文对滚动轴承振动信号进行小波包分解和自回归(auto-regressive,AR)谱分析以得到不同频段的能量,然后将提取到的特征向量输入到BP神经网络进行模型训练和测试。鉴于BP神经网络的诊断效果并不是很好,因此应用遗传算法对BP神经网络的权值和阈值进行优化并再次进行诊断。对比实验结果表明,经遗传算法优化后的BP神经网络的仿真误差大大降低,相关故障诊断准确率达到了100%。     

飞机发动机转子振动特征提取方法诊断

在研究航空发动机振动机理和分析转子故障对应的振动信号特征的基础上,采用经验模态分解方法对发动机机壳上测得的振动信号进行分解。由于振动信号的时频特性可以更有效地揭示转子故障,因此它被用于时频域以提取振动特征。首先将转子振动信号与EMD的固有模式函数的能量状态及其与原始信号的相关性进行比较。然后,在确定IMF包含的主要故障信息的基础上,分别在时域,频域和时频域评估三种信息熵。最后,转子故障诊断的特征向量由每个IMF计算得到的三个信息熵值和小波包分解得到的小波包空间特征的谱熵构成。结果表明,基于时频分析的经验模态分解方法能够有效地提取非平稳故障信号的特征向量。这为航空发动机转子故障诊断中的振动分析提供了一种系统的定量特征选择方法。     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.