基于阶次跟踪和角域平均的齿轮裂纹故障诊断

针对齿轮箱升速过程中振动信号非平稳的特点，将常规的阶次分析与时域平均技术相结合，提出了基于阶次跟踪和角域平均的齿轮箱故障诊断方法．该方法先对齿轮箱升降速瞬态信号进行时域采样，再对时域信号进行等角度重采样，转化为角域平稳信号，然后对角域重采样信号进行角域平均分析，就可提取齿轮的故障特征．通过对齿轮齿根裂纹故障实验信号的分析，表明该方法能有效地诊断齿轮的裂纹故障．     

基于阶次小波包与Markov链模型的转子早期故障诊断

针对转子启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法精度不高的现状,将阶次小波包和Markov链模型引入转子的早期故障诊断中,提出了一种新的自适应故障诊断模型。首先利用阶次跟踪算法对瞬态振动信号重采样,得到等角度分布诊断信号;其次采用小波包对该信号分解——重构,提取其在各频带的能量特征向量,通过Markov链模型对其进行预测;最后通过故障实例验证,结果表明:将阶次小波包变换和Markov链模型相结合进行故障诊断是可行而有效的。     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.     

小波变换在路用雷达信号处理中的应用

脉冲探地雷达回波信号是典型的非平稳、非线性信号 ,采样信号中不可避免地带有各种噪声 ,需进行适当处理 .小波变换时频局域性好 ,是分析非平稳信号的有效工具之一 .系统地阐述了小波变换的基本理论 ,并采用Mallat算法、小波包算法对雷达检测路面厚度的实测信号进行分析处理 ,然后进行路面层厚度计算 ,最后将计算结果与实际厚度相比较 .对比结果说明了小波分析应用于路用探地雷达回波信号处理的有效性 .     

基于小波分析的齿轮箱齿轮点蚀诊断研究

围绕齿轮箱齿轮点蚀诊断的理论研究和实验验证,建立了齿轮箱故障诊断实验系统,并进行了齿轮点蚀的人工模拟实验,获取了其振动加速度信号.利用MATLAB软件对该信号采用最优小波包基消噪,并利用离散小波分离出振动信号的低频振动和高频包络调制.     

小波分析在煤矿机械故障诊断中的应用研究

本课题由焦作工学院荆双喜副教授等完成 .通过对小波分析理论的研究 ,推导了正交小波和小波包图形显示算法 ,首次将其用于机械故障诊断 .该算法结合小波变换快速算法使信号的分解结果与原始数据长度保持一致 ,解决了原算法存在的数据长度随分解层数增大成倍减小的问题 ,与原算法相比具有明显优点 ,为信号深层次处理及弱信号提取提供了途径 .通过对提升机振动信号的分析 ,提取出了提升机减速箱中的微弱故障信息 ,并分离出齿轮的啮合振动以及高次谐波 ,并在提升机变工况状态下提取出了故障特征 ,说明小波分析是处理非平稳振动信号的有力工具 ,…     

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析.表明阶次倒双谱分析能有效地诊断滚动轴承故障.     

小波分析与Hilbert分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析技术,对检测的信号进行分解,并对含有故障特征的信号进行重构,实现故障信号的提取.应用Hilbert变换进行解调和细化频谱分析,得出故障信号所对应的频谱,从而判断轴承故障模式.通过Matlab仿真证明了小波分析结合Hilbert分析法在滚动轴承故障诊断中提取特征频率的应用价值.     

小波分析法在变速机械故障诊断中的应用

首先利用小波分析将非平稳随机信号进行分解，然后再由Ｆｏｕｒｉｅｒ变换对分解后的信号进行频谱分析，最终根据各频谱特征，实现对变速机械的故障诊断。以其冷轧厂新增３５００ｔ／ｈ大型冷却塔用变速及冷却系统的故障诊断为例，验证了本文提出的用小波分析对变速系统进行故障诊断的有效性。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于提升小波变换和Hilbert调制技术的故障识别方法

齿轮局部发生故障后,非线性振动信号频谱中齿轮啮合频率及其二、三次谐波附近的边频带均出现显著增长.由于提升小波算法预测和更新原理与故障信号紧密相关,利用提升小波对振动信号进行时频特性分析和信息预处理,通过预测器和更新器的设计取代小波基函数选取过程;随后对蕴含大量故障特征信息的高频细节信号实施Hilbert变换,调制信号的包络谱中彻底剔除常规振动分量仅保留故障信息,该方法可高效识别振动信号频谱中的齿轮故障特征频率.最后用实例验证基于提升小波变换的Hilbert调制分析在齿轮故障诊断中的有效性.     

基于Wigner-Ville分布的角域故障特征提取方法的研究

将采集的时域非平稳信号经过角域重采样转换成角域准平稳信号,再应用时频分析的方法进行分析,可提高分析精度.实际的工程信号不可避免的都存在噪声干扰,必须对信号作预处理,将信号中的噪声部分消除而又不至于将有用信息滤除,从而能够准确地提取出故障特征,第二代小波去噪方法可以较好地满足此类要求.角域信号带有相位信息,对角域信号应用基于Ga-bor重构的时变滤波技术遮掩掉信号中的各阶比分量,提取出仅包含有故障特征的信号,再计算其Wigner-Ville分布,可将故障定位在某一具体角度上,这对于叶轮机、齿轮等的故障检测具有重要的现实意义.     

基于小波变换的汽车齿轮箱振动信号故障分析

本文利用小波变换和能量特征值对汽车齿轮箱振动信号进行特性分析。利用小波变换的分解和重构算法,对小波系数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,及时发现齿轮箱的早期故障,提高汽车运行的安全性。仿真研究结果表明用小波变换在故障信息诊断方面是可行的和有效的,提高了故障检测的可靠性。     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

基于倒频谱特征提取的齿轮箱故障诊断

介绍了齿轮箱故障的特点、倒频谱分析的基本原理以及例频谱分析在齿轮箱故障诊断中的应用。首先,用传统的傅立叶变换法对故障信号进行分析,结果无法有效地提取故障特征;其次,对故障信号进行倒频谱分析,发现能很好地捕获故障信息。实验证明：倒频谱分析在齿轮故障诊断中具有无比的优越性。     

Maximal-overlap adaptive multiwavelet for detecting transient vibration responses from dynastic signal of rotating machineries

Vibration signal is an important prerequisite for mechanical fault detection.However,early stage defect of rotating machineries is difficult to identify because their incipient energy is interfered with background noises.Multiwavelet is a powerful tool used to conduct non-stationary fault feature extraction.However,the existing predetermined multiwavelet bases are independent of the dynamic response signals.In this paper,a constructing technique of vibration data-driven maximal-overlap adaptive multiwavelet(MOAMW)is proposed for enhancing the extracting performance of fault symptom.It is able to derive an optimal multiwavelet basis that best matches the critical non-stationary and transient fault signatures via genetic algorithm.In this technique,two-scale similarity transform(TST)and symmetric lifting(SymLift)scheme are combined to gain high designing freedom for matching the critical faulty vibration contents in vibration signals based on the maximal fitness objective.TST and SymLift can add modifications to the initial multiwavelet by changing the approximation order and vanishing moment of multiwavelet,respectively.Moreover,the beneficial feature of the MOAWM lies in that the maximal-overlap filterbank structure can enhance the periodic and transient characteristics of the sensor signals and preserve the time and frequency analyzing resolution during the decomposition process.The effectiveness of the proposed technique is validated via a numerical simulation as well as a rolling element bearing with an outer race scrape and a gearbox with rub fault.