基于自适应复平移Morlet小波的轴承包络解调分析方法

针对滚动轴承的传统包络解调分析技术需要人工选择参数的缺点,提出一种自适应包络解调分析方法。该方法针对轴承故障在振动信号中表现为冲击衰减波形的特点,采用复平移Morlet小波实现冲击特征波形的自动提取。同时,基于小波系数峭度值最大的优化策略,给出Morlet小波基函数的中心频率和包络因子的优化方法,从而实现与冲击特征成分的最优匹配,获得较好的包络信号。对模拟信号和实际轴承故障数据的应用分析表明,该方法通过对基函数波形的优化匹配,可以有效地解调出弱故障特征分量,效果优于普通的复平移Morlet小波变换,适合于轴承的早期故障特征提取。

Morlet小波用于奇异性信号分析的研究

提出将Morlet连续小波用于变频器高次谐波产生奇异性信号的处理和分析,通过在1～30的尺度上,分别对变频器和电机转子转速测试仪输出信号用Morlet小波进行变换,有效地实现了对干扰信号的提取和识别,并且进一步对变频器和测速系统回路进行了抗干扰性处理,成功抑制了高次谐波信号对测速系统造成的干扰.

HHT和Morlet小波变换在齿轮故障信息提取中的对比研究

文章描述了基于振动信号的Morlet小波变换和HHT(Hilbert-Huang变换)齿轮故障信息提取方法,并分别用来对四类齿轮进行故障信息提取,得到各状态齿轮振动信号的Morlet小波谱和Hilbert谱。实验研究表明:Morlet小波变换和HHT都可用于齿轮故障信息提取,但Hilbert谱分析比Morlet小波谱分析在时间和频率域都有较高的分辨率,且HHT比Morlet小波变换有更高的计算效率,更适用于故障信号微弱、振动信号数据量大的齿轮故障信息提取。

基于Morlet小波变换的信号去噪及在轴承状态监测中的应用

为在强噪声背景下利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,提出一种基于Morlet小波变换和时域特征参数提取相结合的轴承状态监测方法。通过引入谱峭度评估Morlet小波滤波的去噪效果,再从信号滤波结果构建的组合信息中提取时域特征参数。对轴承全寿命数据的应用结果表明,特征参数的变化趋势能够监测轴承状态的劣化过程,伴随的早期故障检测可以提高轴承使用的安全性。

活塞-缸套摩擦副状态表征参数选取方法研究

建立柴油机试验台架采集数据,对机体表面振动信号进行时频分析,探明不同激励源与机体表面振动信号的关系。选取变分模态分解(variational mode decomposition,VMD)算法对振动信号进行分解,提取各分量的表征参数。通过探究转矩、转速、润滑油温度及配缸间隙与各表征参数的相关性,初步确定相关性强的表征参数集。通过多评价准则对上述表征参数集进行分析,最终得出贡献度最高的表征参数为本征模态函数(intrinsic mode function,IMF)1的标准差、均方频率、峭度、最大奇异值、频域积分和IMF6的脉冲因子、标准差、重心频率、频率方差及最大奇异值。

基于Morlet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题,提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上,将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明,该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析,可以同时表征奇异性信号的时间和频率信息。

Morlet小波对于压缩机故障信号的研究

针对目前压缩机故障信号分析中存在的问题,提出了用Morlet连续小波对故障信号进行提取和识别。在停车情况下,对压缩机故障进行检查,验证了Morlet连续小波在故障信号提取和识别中的可行性和正确性。

Morlet小波对于压缩机故障信号的研究

针对目前压缩机故障信号分析中存在的问题,提出了用 Morlet 小波对故障信号进行提取和识别。Moorlet 小波是一种连续小波,能够克服时域离散造成故障信号遗漏及尺度二进离散分割过于粗糙的问题,能够使故障信号中的时域和频域信息同时在二维及三维空间上被更加直观的呈现出来。文末在停车情况下,对压缩机故障进行检查,验证了 Morlet 连续小波在故障信号提取和识别中的可行性和正确性。

基于调频连续波技术的充电系统智能故障定位方法

为了解决充电系统故障定位精度过低的问题,研究基于调频连续波技术的充电系统智能故障定位方法。利用小波变换方法选取高斯复小波作为母小波,提取充电系统充电暂态频率与放电暂态频率中的故障电流电压相量,作为充电系统故障特征。依据所提取的充电系统故障特征,采用行波测距技术判断充电系统故障区域。确定充电系统故障区域后,通过调频连续波技术,利用可调谐半导体激光器发射激光,通过充电系统故障区域返回的中频信号频率,精准定位充电系统故障点。实验结果表明,所提方法可以智能定位充电系统故障位置,充电系统故障智能定位误差均低于0.6%。

连续小波最优重构尺度确定方法与故障早期识别

旋转设备的微弱故障特征信息提取对于故障的早期预警具有重要意义,连续小波可以通过变换对信号实现多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于微弱故障信号的检测。不同尺度上的信号重构对于设备的故障特征表示并不相同,为此提出一种基于连续小波变换的微弱特征提取新方法。对信号采用连续小波进行分解,应用小波熵来选择最优的尺度进行信号重构,并对重构信号进行包络谱分析;根据提取的特征频率来确定故障的种类。通过仿真信号和滚动轴承故障信号的微弱特征提取进行方法的验证分析。研究表明基于连续小波最优尺度重构方法能够有效地对微弱特征进行提取。

小波分析及其在压缩机气阀故障检测中的应用研究

从信号分析角度引入小波分析的基本原理，通过典型信号的小波分解、重构和小波尺度图展示小波分析应用在故障检测中的优点，最后将小波分析用于压缩机气阀故障检测中，进行气阀正常、进排气阀泄漏三种状态识别。

基于小波变换的齿轮箱故障诊断

时域同步平均(Time Synchronous Averaging,TSA)信号只包含齿轮啮合频率信号和倍频信号,若齿轮出现故障,会使TSA信号得到某种程度的调制。文章将连续小波变换应用于齿轮箱振动采样的TSA信号,检测和分析齿轮箱的轮齿缺陷,设计并制作齿轮箱故障诊断试验台,通过齿轮全运行周期啮合试验,利用LABVIEW虚拟仪器采集系统采集振动信号,然后利用MATLAB编写相应的程序,绘制出所需信号的波形图,对所采集的数据文件进行信号分析处理,以达到齿轮箱故障诊断的目的,并验证了小波变换对齿轮故障诊断的有效性。

利用声信号对滚动轴承进行故障诊断的研究

旋转机械在运行过程中产生的声信号包含了滚动轴承的运行状态信息,且可采用非接触式测量,本文应用它对滚动轴承进行故障诊断。基于morlet小波变换的包络分析对采集的声信号进行降噪及包络处理,然后变换到频域,提取出特征频率并经过转换后作为线性神经网路的输入向量,辨识滚动轴承的状态。实验表明,本方法对滚动轴承故障诊断是有效的。

齿轮裂纹早期诊断方法研究

选用Morlet小波基函数,将连续小波变换分别应用于时域同步平均信号和齿轮啮合残余信号。对比分析了正常齿轮、微小裂纹齿轮和破损齿轮的小波功率谱和最大小波功率谱,发现齿轮啮合残余信号的小波功率谱和最大小波功率谱对微小裂纹较敏感,能较早地诊断齿轮裂纹的出现。提取小波功率最大值及其与平均值的比值,作为诊断齿轮裂纹出现和进展的量化指标,并作了分析验证。对比分析了齿轮振动时域同步平均信号和啮合残余信号的时域波形和傅立叶频谱,均不能及时诊断微小裂纹。

摩托车发动机故障诊断方法

分析了摩托车发动机活塞击缸故障的产生机理和故障信号的特征,利用短时傅里叶变换和连续小波变换对摩托车发动机工作噪声进行了处理。试验结果表明,两种信号处理方法均能够识别出摩托发动机工作噪声中的活塞击缸故障信号,从而诊断发动机中是否存在活塞击缸故障,但连续小波变换由于占用较少运算时间和内存,比短时傅里叶变换更具优势。

基于DSP的电能扰动检测连续小波变换算法

小波变换((WT)具有良好的时频局部化特性,可以同时提取信号的时频特性,是分析电能质量问题的有力工具[1]。采用连续小波变换(CWT)算法,选用具有良好频域特性的Morlet复值小波对电能扰动信号进行处理,并通过数字信号处理器(DSP)进行验证。测试结果表明,该算法对给定的采样数据,能够准确地得到扰动信号中的各种特征参数,从而为电能扰动的精确检测提供了有效的手段。

基于小波变换的柴油机故障智能检测新方法

提出了一种智能检测柴油机喷油压力信号特征点的新方法,可以对柴油机一些常见故障进行不停机的检测。通过对油压信号特征的分析,对之进行了连续小波变换,根据油压信号在不同阶段的频率特征选定相应尺度的小波系数,然后利用这些小波系数的模极小值进行特征点的检测。将现场实测信号在Matlab中进行仿真,建立了喷油系统正常工作时的模板向量。实验证明该方法的准确率高,而且便于在各种数字信号处理终端中实现,是有效可行的。

一种风力发电机自动故障诊断及预测方法

为了获得故障信号精确的时域和频域信息,提出了一种Morlet小波变换补偿方法,首先计算出故障信号的时间和频率信息,然后根据Morlet小波系数中心频率峰值对计算的故障信号的幅值进行补偿,得出故障信号的准确幅值.采用Simulink模型证明该方法的可行性,并将该方法应用到测试风力发电机和实际大型风力发电机的电功率信号分析中.结果表明:该方法可以自动获得故障信号按时序排列的振幅趋势图,显示了部件发生故障后的剩余使用寿命期限;风力发电机特别是海上风力发电机的维护维修计划可根据此时间信息进行制定,降低风电运维成本.

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。