基于伪Wigner-Ville分布与小波变换的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非高斯的特点,提出了基于伪Wigner-Ville分布及小波变换的滚动轴承内、外圈故障诊断方法。在研究滚动轴承故障诊断机理,伪Wigner-Ville分布及小波变换理论的基础上,利用这两种方法对内圈、外圈故障的滚动轴承的振动信号进行了分析,提取了故障特征频率。结果表明,小波变换能够比伪Wigner-Ville分布更有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

连续小波变换在滚动轴承故障诊断中的应用

采用连续小波分析的方法对滚动轴承振动和速度信号进行处理,提取滚动轴承故障特征。通过对滚轴承在正常、内圈剥落、外圈剥落及滚动体落情况下的振动加速度信号进行分析,验证了这种方法的有效性。     

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。     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。     

连续小波变换在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，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，在此基础上提出了两种滚动轴承故障诊断方法：尺度——小波能量谱比较法和时间——小波能量谱自相关分析法。通过对滚动轴承外圈和内圈故障振动信号的分析，说明两种方法不仅能检测到滚动轴承故障的存在，而且能有效识别滚动轴承的故障模式，从而为滚动轴承故障诊断提供了一种新途径。     

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。     

小波变换能量谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点,构造余弦调频小波,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,提出了一种滚动轴承故障诊断方法—小波能量谱比较法。通过对有缺陷的滚动轴承振动信号的分析,检测到轴承故障的存在,且能有效地识别出滚动轴承的故障模式。     

小波分析在滚动轴承故障诊断中的应用

介绍了小波包分析的基本理论,并探讨了基于小波包分解与重构的包络解调的滚动轴承故障诊断方法.通过MATLAB仿真试验,表明基于小波包络解调的故障诊断方法可以减小噪声影响,且故障信息得以凸现.     

小波变换与EMD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,将小波变换与一种新的信号分析方法EMD(经验模态分解)相结合用于滚动轴承故障诊断。该方法首先利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。然后对重构信号进行EMD分解,选取能够反映故障特征的IMF分量进行边际谱分析,得出滚动轴承故障信号对应的频谱,由此确定轴承的故障模式。实验研究结果表明该方法正确有效。     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用轴承故障诊断的原理，介绍了该方法在减速器滚动轴承故障诊断中的应用，给出了几种频谱图。     

小波消噪在滚动轴承故障诊断的应用研究

滚动轴承振动信号容易受到随机噪声的污染,如何去噪成为滚动轴承故障诊断的关键问题之一。而传统的消噪方法可能会将信号中一些能量小的有用信号当作噪声消除,本文即提出一种改进的小波消噪方法,并用仿真信号和实测滚动轴承振动信号对额方法和传统消噪的方法进行性能比较。结果表明,在消噪方面,小波消噪能更好地提高信噪比,为进一步故障诊断决策提供了可靠的依据。     

Fuzzy ART网络在滚动轴承故障诊断中的应用

对Fuzzy ART网络的学习和训练算法作了详细的说明。为了验证网络的分类效果,以振动信号的小波包频带能量作为特征向量,采用Fuzzy ART网络对滚动轴承的故障进行分类。分类结果表明,Fuzzy ART可以非常有效地进行故障分类。     

滚动轴承数据库设计及其在故障诊断中的应用

针对国内外滚动轴承种类繁多、编号复杂以及轴承故障特征频率难以获得的现状,利用Power Builder强大的数据库功能,设计出一套数据完整、查询快捷方便,并与瑞典SKF公司的轴承故障特征频率参数相吻合的数据库系统,同时举例说明该系统可广泛应用于设备状态监测、故障诊断和预知维修领域。     

EMD和PCA融合在滚动轴承故障诊断中的应用

针对滚动轴承的特征提取问题提出了一种经验模态分解(Empirical Mode Decomposition,EMD)与主成分分析(Principle Component Analysis,PCA)相融合的算法。该算法先使用经验模态分解(Empirical Mode Decomposition,EMD)对故障信号进行分解,然后将得到的EMD与PCA结合提取特征。在滚动轴承故障识别中,将PCA提取的累计贡献率为95%及以上的特征主成分作为支持向量机(Support Vector Machine,SVM)的输入量,采用SVM实现故障分类。试验结果表明,融合算法故障诊断的准确率达到100%,优于单一算法PCA的诊断率。     

滚动轴承故障的时频联合分析和精密诊断研究

滚动轴承的故障需要综合运用多种方法才能进行有效的诊断.本文以型号为B22459-464的轮毂轴承的一个故障为例,运用谱阵和频谱分析的方法直观判别出故障的冲击特征.随后计算出代表故障特征的振动信号的峰值指标、峭度指标、脉冲指标和裕度指标等参数.计算结果表明被测轴承在一定的转速下确实出现冲击的现象.对振动信号用时频分析方法-小波包方法处理,提取出其中的谐振频率成份,运用包络分析的方法对谐振信号进行解调,还原出故障的特征频率约为35.0Hz,与该轴承滚子的特征频率（理论值37.3Hz）接近.拆解表明,正是因为一个滚子的剥落造成了冲击的产生.     

基于小波包和分形盒维数的滚动轴承故障诊断

为诊断滚动轴承不同部件产生的故障,针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数。实验结果表明,滚动轴承不同的故障类型具有不同的盒维数。正常滚动轴承盒维数最大,依次为滚珠故障盒维数、内环故障盒维数,外环故障盒维数最小。分形盒维数能定量地识别滚动轴承不同部件的故障,提高滚动轴承故障诊断的准确率,为滚动轴承智能故障诊断提供可靠依据。     

基于过完备字典的基追踪法在轴承故障诊断中的应用

滚动轴承故障具有信号复合和环境噪声大的特点。通过构建一个对复合信号敏感的过完备字典,利用基追踪法对故障信号进行最优化的稀疏表示,获得简洁的故障冲击时频特征结构,并实现阈值降噪。通过对重构信号谱分析后得到明确的故障特征频率及其倍频。仿真与实验结果表明:该方法具有良好的降噪功能,能够准确地提取信号中的冲击特征。     

时频分析在轴承故障诊断中的应用研究

在齿轮与滚动轴承的故障诊断中,由于振动信号的不平稳性,时频分析得到越来越广泛的重视.时频分析着重于研究信号能量在某一特定时间和频率处的分布.研究了一种新的时频分布,利用时频分布的新核来分析滚动轴承故障.通过对比证明,新核的能量集中度优于WVD.     

一种基于聚类的滚动轴承故障诊断方法

近年来,机器学习技术在故障智能诊断领域得到了广泛的应用,聚类作为最主要的无监督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中,传统的频谱分析法通常采用共振解调技术,但当内圈、滚动体或多点故障时,产生复合调制,从解调谱线很难分辨故障类型。针对此,提出了一种新的基于模糊聚类的滚动轴承故障诊断方法,该方法以模糊Fisher准则为聚类目标,通过对待测样本与已知状态样本数据聚类,求得待测样本隶属度,进而判断滚动轴承的故障类型。实验结果表明该方法是有效的。     

滚动轴承故障诊断技术的应用与发展

介绍了滚动轴承的传统诊断方法和新理论在诊断中的应用。讨论了各自的优缺点。