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。     

基于小波包分析的电动机轴承故障诊断

比较详细地阐述了电动机滚动轴承异常产生的机械振动机理,得出了几种常见故障的频率表现.结合实验数据,对所测得的振动信号进行小波包分解,对特定的频率段与正常信号相应的能量进行比对,确定出故障频率,从而准确找出电动机的故障所属.     

基于分形和小波包理论的滚动轴承故障诊断

为了提高滚动轴承故障分形诊断的准确性,利用仿真信号对不同数据长度和不同信噪比下信号的盒维数和关联维数的差异进行对比,发现两种分形维对不同信号具有不同适应性;利用基于小波包分解能量图的特征信号强化技术,突出含噪轴承振动信号的故障信息特征,并对消噪前后振动信号盒维数进行计算和对比。分析结果表明,分形盒维数比关联维数更适用于分析含噪较重的信号;滚动轴承故障振动信号盒维数小于正常信号盒维数;相比原始信号,经小波包提取后不同类型故障振动信号的盒维数区分更为明显,诊断结果更加准确直观。     

基于小波包的滚动轴承组合故障诊断

给出了一种新的滚动轴承故障诊断方法,将小波包和EMD方法、AR模型法相结合,实测信号分析表明,此方法不但正确检测到了轴承的状态,而且优于EMD和AR模型法.     

瞬时功率小波包分解法在轴承故障诊断中的应用

针对感应电动机轴承故障特征提取的不足,提出了瞬时功率小波包分解的方法。分析电动机单相瞬时功率,发现瞬时功率中故障信息更为丰富,且对故障特征干扰较大的基波可转化为直流分量;滤波后,进行小波包分解,求取故障特征对应子频带小波包分解系数的均方根值及其变换率,并用以表征故障特征,以此作为轴承故障的依据。仿真表明该方法诊断灵敏度高,可用于感应电动机轴承的故障诊断。     

小波包和改进Elman神经网络相融合的异步电动机滚动轴承的故障诊断

针对单一的信号处理方法不易准确诊断出异步电动机滚动轴承故障的问题,提出小波包和改进Elman神经网络相融合的诊断方法。利用小波包对采集的4种不同故障信号的数据进行去噪、分解和重构,有效地提取出不同故障类型的能量特征,并通过引入自反馈因子β构建改进的Elman神经网络。实验诊断结果表明:改进前后的Elman神经网络均能实现对异步电动机滚动轴承的故障诊断,但就诊断时间和精度而言,后者比前者具有更高的诊断效率和准确度。     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

基于小波包分析的滚动轴承故障诊断方法的研究

为了在滚动轴承故障诊断中获得更好的效果,详细研究了小波包分析的原理,提出了基于小波包分析的滚动轴承特征向量提取算法,并利用这一算法对齿轮箱的滚动轴承在正常工况下的振动信号和故障工况下的振动信号进行了10层小波包分解处理.将处理后的图像和相同信号傅里叶变换后的频谱图进行了比较,证明本算法能够较好地分辨出滚动轴承的工作状况是否正常,具有一定的理论价值和现实意义.     

基于小波包和阶次包络谱的轴承故障诊断

研究旋转机械在变速过程中振动信号的分析方法。利用小波包提取了齿轮箱启动过程中振动信号的高频成分,并对其进行了角域重采样,在此基础上利用H ilbert包络解调得到轴承故障信息的阶次包络谱。结果显示:将小波包和阶次包络谱分析法相结合处理轴承瞬态信号时,能够有效地避免传统频谱方法无法解决的“频率模糊”现象,对轴承的早期故障有一定的识别能力,是对传统的频谱分析法的有力补充。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

基于小波包和AR谱分析的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

支持向量机和小波包分析下的轴承故障诊断

简要介绍了支持向量机和小波包分析理论,在此基础上提出将故障信号经小波包分解后各子频带信号能量与信号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入,实现故障状态的诊断。设计实验进行验证,在转子实验台上测得滚动轴承各种状态下的振动信号,经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练样本较多和训练样本较少两组数据集,分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算,以了解其对SVM分类性能的影响,最后与BP神经网络分类结果比较,对比SVM分类器与传统故障诊断方法的优缺点。     

基于小波包和SOM神经网络的车辆滚动轴承故障诊断

以车辆滚动轴承故障诊断模型为基础,针对其轴承的特点,提出了一种小波包分析和SOM神经网络相结合的故障诊断方法。将该方法应用于车辆滚动轴承的故障诊断中,经过大量实测数据的分析与验证,能够有效地诊断出轴承的故障类型,为旋转机械的动态监测和故障诊断提供了新的参考,具有重要的理论和实际工程应用价值。     

基于小波包分解和频率加权能量算子的滚动轴承故障诊断

针对强背景噪声下故障特征信号提取难的问题,利用小波包分解能重构信号高低频的特点和频率加权能量算子抗干扰性强的优势,提出基于小波包分解与频率加权能量算子相结合的滚动轴承故障诊断方法。首先运用小波包分解对原始信号进行三层小波包分解,通过计算各个分量的峭度得出最优分解系数;再利用频率加权能量算子追踪信号的瞬时能量并求其包络谱;最后分析包络谱中频率成分并与对应故障特征频率进行对比。仿真信号和实验数据都能证明所提方案的有效性和实用性。     

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。     

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%。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

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。     

基于形态学滤波和EEMD方法的风力发电系统滚动轴承故障诊断

将形态学滤波方法与EEMD方法相结合,提出一种新的滚动轴承故障诊断策略。设计开-闭、闭-开级联而成的组合形态滤波器对轴承故障振动信号进行消噪处理,然后利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法消除EEMD分解结果中的虚假分量后,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。通过轴承故障诊断实例证明了该方法的有效性。