应用小波包和Hilbert分析的轴承故障特征提取方法

利用小波包理论的基本原理,对滚动轴承的故障信号进行了处理,实测信号经小波包分解和重构后,应用Hilbert变换进行包络解调和细化频谱分析,得出故障信号所对应的频谱。试验结果证明,对滚动轴承的非平稳信号进行小波包的Hilbert变换和细化频谱分析,并进行故障诊断是行之有效的,这为旋转机械的故障诊断提供了新的参考,具有重要的实际工程应用价值。     

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。     

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.     

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。     

Hilbert-Huang变换在滚动轴承故障诊断中的应用

提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法，在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱，并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解，对高频段的小波系数用Hilbert进行包络分析得到包络信号，再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱，从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析，说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量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,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于峭度与小波包络分析的滚动轴承故障诊断

针对滚动轴承振动信号具有变频和冲击的特征,采用峭度指标、小波分解和Hilbert包络分析相结合的方法对滚动轴承进行故障分析。首先对运行中的滚动轴承振动信号进行峭度指标分析,进行早期故障判断,进而小波分解消除噪声和干扰信号,再重构能量集中频段的小波信号,最后进行Hilbert包络谱解调分析,得到反映故障特征频率的包络信号。仿真实例表明,该方法可以有效地对滚动轴承进行故障诊断。     

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．     

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。     

基于复合信号处理的滚动轴承早期微故障诊断研究

针对滚动轴承早期故障的微弱信号检测问题,将小波包、谱峭度和包络分析三者相结合,提出一种新的故障诊断方法,该方法首先通过小波包降噪提取原始含噪信号中的高频成分并提高信噪比,然后对降噪后的重构信号应用谱峭度理论来确定合适的带通滤波参数,最后对带通滤信号进行包络解调而得出故障特征频率信号,从而实现滚动轴承的早期微弱故障诊断。对基于小波包和谱峭度的故障诊断法在滚动轴承故障诊断中的应用进行了研究,实验结果表明该方法可以有效抑制背景噪声,提取有用故障信息,为滚动轴承的故障诊断提供了一种切实可行的方法。     

小波分析在信号处理中的应用研究

小波分析是对傅里叶变换的继承和发展,首先介绍了小波理论产生的实际背景和小波变换的基本原理,特别是多尺度分析理论。最后,通过实验实现了分形信号的多尺度连续小波变换。     

小波变换在旋转机械故障检测中的应用研究

详述了Fourier变换与小波变换的本质区别,分析了Fourier变换和短时Fourier变换应用于故障检测的不足;介绍了小波变换及其应用于故障检测的优点;指出了小波变换应用于故障检测的理论和方法。     

分数阶小波包时频域的信号去噪新方法

为了提高信号去噪的效果,提出了一种基于分数阶小波包变换(FRWPT)的信号去噪新方法。该方法根据输出信号信噪比的大小,用迭代法寻找分数阶小波包变换的最优分数阶p值,通过分数阶小波包变换将带噪信号映射到最优分数阶小波包时频域内,对变换后的信号进行窄带通滤波,最后通过分数阶小波包逆变换对信号进行重构,实现分数阶小波包时频域内的信号去噪。以带噪Bumps信号和语音信号为例的去噪实验结果表明,采用该方法去噪后的信号信噪比明显提高,在抑制噪声的同时可以有效保持细节信息。     

多传感器图像融合的客观评价与分析

图像融合作为一种有效的信息融合技术，已经广泛用于军事、遥感、机器视觉和医疗诊断等领域。这里研究了多传感器图像融合效果的客观评价方法，其中包括均方根误差、平均误差、灰度标准差、熵、熵差、交叉熵、互信息和空间频率。将加权平均、金字塔、小波变换三种方法用于多传感器图像的融合，实验结果表明客观评价结果与视觉评价的结果是一致的，是一种行之有效的评价手段。     

基于全变差和脊波变换的海岸线提取算法

为有效解决视频图像中海岸线的自动提取问题,提出一种结合全变差增强水陆边缘和脊波变换预测搜索区域的海岸线提取算法.首先基于最小化全变差模型降噪和增强边缘;第2步,根据水陆像素的彩色特征,计算彩色梯度向量;第3步,利用脊波变换预测水陆交界处的大致方向和动态范围,缩小检测区域;最后用一种改进的最小代价梯度跟踪模型对海岸线进行搜索,跟踪并精确提取最终的海岸线定位参数.实验结果证明了算法的有效性和较强的抗噪声能力,并且对不同光照条件具有鲁棒性,是视频图像中提取海岸线的新方法,为下一步设计应用系统打下了基础.     

超微型转子动平衡测试机不平衡量提取

建立了不平衡量振动力学模型 ,然后利用离散小波变换对所采集的信号进行消噪处理 ,提取有用的低频信号 ,进行频谱分析 ,并提出了离散傅里叶变换快速算法。根据DFT运算结果 ,在频域提取不平衡量所对应的幅度和相位 ,有效地滤除了信号中混杂的低频及高频干扰 ,最后基于中值滤波原理求出不平衡量的幅度及相位估计值。本系统不平衡量测试精度小于 1 0mg·mm ,相角小于 2°。结果表明了该算法的可行性。     

傅里叶变换与小波分析的对比研究

小波是近十几年才发展起来并迅速应用到图像处理和语音分析等众多领域的一种数学工具,是继110多年前的傅立叶(Joseph Fourier)分析之后的一个重大突破,无论是对古老的自然学科还是对新兴的高新技术应用学科都产生了强烈冲击。本文先简单回顾傅里叶变换讨论其优缺点,然后讨论如何克服其缺点和引入窗口傅里叶变换,继而引入小波的基本概念,重点探讨在大多数情况下小波变换优于傅里叶变换的内在原因。     

气门故障特征提取及诊断方法的分析与研究

分析比较了工程实践中用于分析气门信号的两种方法(短时傅立叶变换和小波变换)的各自特点,指出用短时傅立叶变换分析气门信号存在的缺点,通过理论分析,得出用小波变换作为提取气门故障特征这一方法的优点.     

基于连续小波变换的滚动轴承外圈故障检测

提出了用连续小波变换与傅里叶变换相结合进行轴承外圈故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解．再对其获得的小波系数进行快速傅里叶变换来识别故障特征频率。然后对不同信号做小波系数能量谱进行对比。优点在于能够在强噪声背景下较为精确的识别外圈故障。实际测试验证了新方法的正确性。     

非平稳振动信号分析中Hilbert-Huang变换的对比研究

Hilbert-Huang变换是一种信号分析新方法，特别适合于对非平稳信号进行分析。介绍该方法的基本理论，并利用它对一个典型的旋转机械非平稳振动信号进行分析。然后通过与利用短时傅里叶变换和小波变换所得到的分析结果的对比，研究Hilbert—Huang变换在分析一般非平稳振动信号中的优势和缺陷。最后结合实际应用中遇到的问题，简要论述Hilbert—Huang变换中的经验模态分解在分析频率成分非常靠近的复杂信号时的不足和原因。研究结果表明，Hilbert—Huang变换和其他方法相比，具有分辨能力强、自适应分解、物理意义清晰、信息完整、形式简洁和易于精确分析等优点；同时也存在具有端点效应、实时性稍差和难以将复杂信号中特别靠近的频率成分分解为独立的本征模分量的缺陷。