基于小波变换的滚动轴承故障诊断专家系统的研究

简要介绍了小波变换在滚动轴承故障特征提取中的应用。结合小波变换和专家系统技术在Delphi6平台下研制了一套滚动轴承故障诊断专家系统。详细阐述了系统的总体结构、各模块功能、知识库的组成及知识的表示、诊断推理策略等。实现了对机车滚动轴承的智能监测与诊断。     

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。     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于小波变换的滚动轴承故障诊断

针对滚动体轴承故障诊断的故障频率获取问题,利用小波变换对故障轴承采集的数据进行故障特征频率提取分析。首先根据Harr小波理论,给出基于Harr小波的信号分解与重构算法;然后根据轴承元件之间滚动接触的速度关系建立的方程,求得滚动轴承的特征频率;最后以西储大学的6203-2RS JEM SKF深沟球轴承作为研究对象,对轴承的外圈、滚动体和内圈进行故障诊断,利用MATLAB编写小波变换程序并进行仿真分析。仿真结果表明:利用小波变换可以准确的判断滚动轴承的故障振动信号,得出与轴承理论上特征频率相对应的频率点。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。     

基于神经网络与小波变换的滚动轴承故障诊断

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于同步挤压提取变换的滚动轴承故障诊断研究

滚动轴承是大型机械设备的重要部件,起着非常重要的作用.当轴承发生故障时,如不及时修复或更换,将严重影响设备的寿命.时频分析方法是一种非常有效的故障特征提取工具,已得到广泛的应用;同时,时频分布的能量聚集性影响故障特征提取效果,因此,一种能量更加集中的时频分析方法对机械信号处理与故障诊断起着至关重要的作用.提出了一种全新...     

连续小波变换的滚动轴承故障诊断

提出了用连续小波变换与傅立叶变换相结合进行轴承故障识别的新方法。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,然后进行小波尺度一能量谱统计,再在有可能体现故障频率的尺度上对其获得的小波系数进行快速傅立叶变换来识别故障特征频率。对于非常微弱的内圈故障提出了通过共振解调法对特定尺度系数进行Hilbert包络提取故障频率的新方法。优点在于能够在强噪声背景下较为精确的识别故障。实际测试验证了新方法的正确性。     

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。     

滚动轴承故障诊断的高频共振法

本文总结了用高频共振法进行故障诊断的步骤,提出了使用这一方法时要注意的一些具体问题,并指出了这一方法需要发展的方面。     

基于小波分析和Hilbert变换的滚动轴承故障诊断

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析对包含故障信息的信号进行分解、重构.应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断轴承故障模式.小波分析和希尔伯特(Hilbert)变换结合对滚动轴承局部损伤故障的检测是有效的.     

基于S变换与深度学习相结合的滚动轴承故障诊断方法研究

滚动轴承是机械设备中的重要组成部分,因其故障种类繁多,例如故障位置可能出现在轴承的内圈、外圈或者滚动体,故障的尺度又深浅不一,并且其工作环境往往在强噪声背景下,所以传统的信号处理与分类方法很难做到有效地分类识别。针对这一问题,提出一种基于S变换时频分析提取特征与深度学习故障分类的滚动轴承故障的智能识别方法。首先将原始时域数据经过S变换得到二维特征矩阵,再将特征矩阵输入到稀疏自动编码器(Sparse Autoencoders,SAE)中进一步提取其隐含特征,并通过神经网络实现故障的分类。实验结果表明,应用上述方法可以有效地实现对不同位置、不同故障尺度的滚动轴承故障实现准确的诊断。     

基于Gabor变换与Wigner-Ville分布的滚动轴承故障诊断

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文首先通过Gabor变换的方法分析滚动轴承振动信号时频特性,然后计算其Wigner-Ville分布,最后从信号的阶次谱中识别故障特征,从而诊断出滚动轴承故障位置。试验结果表明,论文所用方法能够准确判断滚动轴承技术状态。     

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。     

滚动轴承早期故障诊断技术应用探讨

滚动轴承在旋转机械中应用非常普遍,而其工作寿命的离散性又很大。因此开展滚动轴承故障诊断技术的研究很有必要,尤其是对早期故障进行预报更具重要价值。本文依据笔者在上海石化开展此项工作的研究实践,结合诊断实例,论述应用高频解调技术对滚动轴承早期故障进行测试分析的工作体会,在工程上有一定的实用价值。     

基于小波包能量神经网络的滚动轴承故障诊断方法

针对单一的信号处理诊断方法难以实现滚动轴承故障准确诊断的局限性,提出一种基于小波包能量神经网络相融合的滚动轴承诊断方法。搭建MPS-ICP滚动轴承振动信号的数据采集平台,利用小波包变换对滚动轴承内环、外环及滚动体的故障信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征。将提取的能量故障特征分别输入至建立的BP、RBF和Elman神经网络的诊断系统中,实验分析表明,三种神经网络都能较好的诊断电机滚动轴承的故障类型,且与实际滚动轴承的故障类型较吻合,但就诊断误差和时间综合而言,BP神经网络诊断系统更适合电机滚动轴承故障的检测。     

基于角域经验小波变换的滚动轴承故障诊断

针对变转速条件下滚动轴承故障特征难以提取的问题,提出了一种基于角域经验小波变换的变转速滚动轴承故障诊断方法。该方法首先利用等角度重采样将变转速下非平稳的滚动轴承故障振动信号转化为角域平稳信号,然后应用经验小波变换(Empirical mode decomposition,EWT)对角域平稳信号进行自适应分解,得到若干个经验模态分量,最后选择峭度值最大的经验模态分量进行包络谱分析,提取出滚动轴承故障的阶比特征。为提高经验小波变换的分解效率,对其频谱分割方法进行了改进。滚动轴承故障诊断实例表明,该方法能够有效地抑制噪声等干扰成分的影响,精确提取滚动轴承故障的阶比特征,为变转速条件下的滚动轴承故障诊断提供一种有效方法。     

基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法

传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点,为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法。首先,通过小波变换将原始数据转换为时频图,经过数据预处理后送入基于Involution的神经网络模型;然后,经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取,扩展输入图像通道数;最后,通过Involution对特征图的每个像素点进行进一步特征提取,经过softmax层输出分类结果。CWRU轴承数据集和试验轴承数据集的分析结果表明,基于Involution卷积的神经网络模型所包含的参数较少,训练时间短,故障分类准确率可达99.75%,优于传统的CNN,DBN,自编码器等模型。