基于第2代小波和Hilbert-Huang变换的轴承故障诊断

将第2代小波算法和Hilbert-Huang变换相结合并应用于滚动轴承的故障诊断中。该方法首先构造并运用自适应冗余第2代小波对轴承振动信号进行消噪,并通过仿真分析验证了该算法的优越性;其次,对消噪信号进行HHT分析,通过EMD将信号分解为包含不同特征尺度的模态函数,针对低频成分进行Hilbert边际谱分析,从而提取故障特征。仿真及试验结果表明了该方法的有效性和实用性。     

基于EMMD分解的滚动轴承故障诊断

针对滚动轴承损伤性故障的故障诊断问题,提出基于极值域均值模式分解(extremum field mean modedecomposition,EMMD)的故障诊断方法,进行故障特征频率的提取。首先通过EMMD方法将原始信号分解成若干个本征模函数(intrinsic mode function,IMF),然后通过计算各个IMF与原始信号的相关系数,确定包含故障特征信息的主要成分,除去虚假分量。最后针对主要成分的本征模函数进行Hilbert包络解调提取故障特征,即轴承的损伤性故障特征。通过工程实例信号的分析结果以及与经验模式分解(empirical mode decomposition,EMD)方法的对比均表明,该方法能较快地提取轴承的故障特征。     

基于CNC-EMMD的柱塞泵故障诊断技术研究

在对柱塞泵常见故障模式进行分析的基础上,针对柱塞泵早期故障时特征信号微弱的问题,提出了基于余弦相邻系数(Cosine Neighboring Coefficients,CNC)降噪和EMMD分解的故障诊断方法。该方法首先对采集到的泵壳体振动信号进行CNC降噪,提高信噪比,降低信息复杂度;然后利用基于极值域均值模式分解(extremum field mean mode decomposition,EMMD)方法对降噪后的信号进行有限固有模态分解,并对每个模态分量进行包络谱分析,提取故障信息。试验结果表明,该方法能有效提取柱塞泵的早期故障特征,准确分类柱塞泵正常、柱塞孔磨损及滑靴磨损3种状态。     

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.     

基于信号特征的复合字典多原子匹配算法研究

在经典匹配追踪算法的基础上,提出基于信号特征的复合字典多原子匹配的改进算法,并应用于轴承故障诊断领域。针对滚动轴承损伤性故障振动信号特点,构造高频段冲击时频特征原子库与低频段Fourier特征原子库相结合的复合字典。研究复合字典多原子匹配的稀疏分解及重构算法以用于提取故障特征,并在重构算法中引入阈值降噪原理。滚动轴承故障试验信号和工程信号分析结果证明,在冲击性故障特征提取效果上,基于信号特征的复合字典多原子匹配优于单原子匹配,并且硬阈值降噪处理效果优于无阈值处理效果。     

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。     

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。     

VMD-模平方阈值与PNN相结合的齿轮故障诊断

针对故障齿轮振动信号的非平稳和调制特性,提出了在变分模态分解(VMD)-模平方阈值降噪的基础上利用概率神经网络(PNN)进行齿轮故障诊断的方法。首先,利用VMD将原始振动信号分解为若干个本征模态函数分量,采用模平方阈值方法对各分量处理后并重构;然后,提取重构信号的峭度和均方根作为特征值组成特征向量;最后,将特征向量输入PNN实现故障类型识别。通过齿轮故障试验分析,将其与基于EMD-模平方阈值、LMD-模平方阈值和EEMD-模平方阈值的BP神经网络故障诊断方法相比较。结果表明,该方法能有效的提取特征信息,故障诊断准确率高达96.875%,证明了所提方法的可行性和有效性。     

基于MRSVD能量特征和KFCM的齿轮箱复合故障诊断

针对齿轮箱复合故障信号成分复杂和故障特征难以识别的问题,提出基于多分辨奇异值分解(MRSVD)能量特征和模糊核聚类(KFCM)的齿轮箱复合故障诊断方法。首先,采集齿轮箱不同工况下的振动信号,通过进行MRSVD分解得到1个相似信号和5个细节信号;然后,提取6个分量信号的能量特征并进行归一化处理,得其能量相对值;最后,使用KFCM进行故障诊断。实验结果表明,MRSVD能量特征提取方法可有效提取齿轮箱复合故障特征,且KFCM可准确诊断齿轮箱复合故障。     

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点-转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。     

基于第二代小波变换的转子碰摩故障特征提取方法研究

为了能够提取隐含在振动信号中的故障特征,利用第二代小波对称、紧支撑和冲击振荡衰减的特点,有效地提取具有冲击响应特性的故障特征。实验证明,即使采用较小支撑区间的此类小波,也可获得理想的效果。另外,为了获得与原始信号相同的时间分辨率,采用单支重构的方法分别对逼近信号和细节信号处理,得到了转子碰摩故障的时域响应特征,为故障诊断和预示提供了一种分离故障时域特征的方法。     

A hybrid fault diagnosis method based on second generation wavelet de-noising and local mean decomposition for rotating machinery

In order to extract fault features of large-scale power equipment from strong background noise, a hybrid fault diagnosis method based on the second generation wavelet de-noising (SGWD) and the local mean decomposition (LMD) is proposed in this paper. In this method, a de-noising algorithm of second generation wavelet transform (SGWT) using neighboring coefficients was employed as the pretreatment to remove noise in rotating machinery vibration signals by virtue of its good effect in enhancing the signal–noise ratio (SNR). Then, the LMD method is used to decompose the de-noised signals into several product functions (PFs). The PF corresponding to the faulty feature signal is selected according to the correlation coefficients criterion. Finally, the frequency spectrum is analyzed by applying the FFT to the selected PF. The proposed method is applied to analyze the vibration signals collected from an experimental gearbox and a real locomotive rolling bearing. The results demonstrate that the proposed method has better performances such as high SNR and fast convergence speed than the normal LMD method.     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。     

基于双树复小波变换的轴承故障诊断研究

提出了一种基于双树复小波变换解调技术的轴承故障诊断新方法。该方法利用双树复小波变换具有近似平移不变性、避免频率混叠和有效降噪的优点,首先对轴承故障振动信号进行双树复小波分解和重构,将振动信号分解成实部和虚部,然后计算振动信号的双树复小波幅值包络和包络谱。齿轮箱轴承故障振动实验信号的分析表明,该方法能在强噪声环境下准确提取轴承故障产生的周期性瞬态冲击信号,能有效消除频率混叠现象和强噪声的影响,能有效识别轴承内圈和外圈故障。     

Application of Hermitian wavelet to crack fault detection in gearbox

The continuous wavelet transform enables one to look at the evolution in the time scale joint representation plane. This advantage makes it very suitable for the detection of singularity generated by localized defects in the mechanical system. However, most of the applications of the continuous wavelet transform have widely focused on the use of Morlet wavelet transform. The complex Hermitian wavelet is constructed based on the first and the second derivatives of the Gaussian function to detect signal singularities. The Fourier spectrum of Hermitian wavelet is real; therefore, Hermitian wavelet does not affect the phase of a signal in the complex domain. This gives a desirable ability to extract the singularity characteristic of a signal precisely. In this study, Hermitian wavelet is used to diagnose the gear localized crack fault. The simulative and experimental results show that Hermitian wavelet can extract the transients from strong noise signals and can effectively diagnose the localized gear fault.     

第二代小波变换及其在故障诊断中的应用

第二代小波变换是一种基于提升原理的时域变换方法,介绍了第二代小波变换原理,给出了一种第二代小波变换过程中预测算子和提升算子的求取方法,在此基础上将第二代小波变换应用于矿用通风机的故障诊断中。结果表明该方法可以有效地分解信号和提取特征信息,在矿山机械故障诊断中具有良好的应用前景．     

NEW METHOD OF EXTRACTING WEAK FAILURE INFORMATION IN GEARBOX BY COMPLEX WAVELET DENOISING

Because the extract of the weak failure information is always the difficulty and focus of fault detection. Aiming for specific statistical properties of complex wavelet coefficients of gearbox vibration signals, a new signal-denoising method which uses local adaptive algorithm based on dual-tree complex wavelet transform （DT-CWT） is introduced to extract weak failure information in gear, especially to extract impulse components. By taking into account the non-Gaussian probability distribution and the statistical dependencies among wavelet coefficients of some signals, and by taking the advantage of near shift-invariance of DT-CWT, the higher signal-to-noise ratio （SNR） than common wavelet denoising methods can be obtained. Experiments of extracting periodic impulses in gearbox vibration signals indicate that the method can extract incipient fault feature and hidden information from heavy noise, and it has an excellent effect on identifying weak feature signals in gearbox vibration signals.     

基于形态滤波和Laplace小波的轴承故障诊断

针对强噪声背景下,轴承故障冲击响应的提取易被周围噪声干扰的问题,提出了一种基于数学形态学滤波和Laplace小波的包络谱分析方法。首先通过形态学滤波来滤除信号中的复杂噪声,增强信号的冲击特征,然后采用Laplace小波相关滤波法提取信号的冲击响应,最后对提取的冲击相关系数进行包络谱分析,即可诊断出故障。该方法结合了数学形态滤波和Laplace小波两者的优点,可以准确地捕捉到强噪声下的故障脉冲。将该方法应用于轴承内圈、外圈的故障诊断,与传统包络谱分析方法的对比结果很好地验证了所提方法的有效性。     

基于改进消失矩复小波的输电线路故障测距

针对输电线路故障测距时所使用实小波变换结果是实数、缺乏相位信息以及频带混叠等缺陷,提出利用改进消失矩的高斯复小波处理故障信号。首先,分析消失矩对小波时频域的影响;然后,从故障信号的奇异性出发,分析辨识奇异性的Lipschitz指数与消失矩的关系,提出消失矩的改进判据;最后,利用高斯复小波对输电线路故障信号进行处理,根据变换结果中的邻幅比和相位畸变率而选取最优消失矩。仿真和实验表明,笔者提出的改进消失矩高斯复小波增强了信号奇异性检测能力,有效地抑制了干扰,使其减少17.84%,并稳定了相位信息,使相位畸变率减小4.12%。同时,改进消失矩复小波测距结果的误差比普通消失矩的高斯复小波的测距结果误差减少6.06%,比实小波测距结果误差减少5.82%。