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。

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析(PCA)方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。

基于小波-能量模式的回转支承故障诊断方法研究与应用

回转支承机械结构和工作条件特殊,导致其故障机制复杂,传统的信号分析方法难以对其进行有效的故障诊断。提出了一种基于小波分解与能量谱相结合的回转支承故障诊断方法。利用小波多尺度、多分辨率的特性,对回转支承振动信号进行多尺度分解;根据回转支承低频故障特性,对小波分解后的低频区进行频谱分析,再结合各尺度频带能量谱进行回转支承故障诊断。通过对回转支承加速寿命试验中各阶段数据分析表明,该方法能够有效、准确地诊断出回转支承故障模式,相比单一的小波频谱分析诊断精度更高、可靠性更好,具有一定的工程实用价值。

滚动轴承故障声发射信号的小波包络谱分析

利用声发射信号的高频特性采集滚动轴承故障信息,采用小波分析技术把信号分解在不同频带,对信号进行重构,从而消除背景噪声,再采用小波包络谱分析方法识别故障信息。试验结果证明,基于声发射信号的小波包络谱分析可以有效地检测滚动轴承故障。

基于小波系数1(1/2)维谱的滚动轴承故障诊断

提出了基于小波系数 112 维谱的滚动轴承故障诊断的新方法。小波分析能有效地提取滚动轴承故障引起的突变振动信号 ,112 维谱保留了滚动轴承故障振动信号的相位信息且能够有效地抑制噪声。利用正交小波基将滚动轴承故障振动信号变换到时间 -尺度域 ,对高频段尺度域的小波系数进行 112 维谱分析 ,不仅能检测到滚动轴承的存在 ,而且能有效地识别滚动轴承的故障模式。

基于噪声小波包络谱的主轴承磨损故障诊断

传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率很繁琐,为此,提出了基于噪声和正交小波监测往复式活塞发动机滑动主轴承磨损故障的一种新方法.利用Symlets小波分析将测得的机体噪声信号变换到时频域,得到含有内燃机主轴承间隙磨损状态的时频信息.主轴承磨损故障会使机体噪声信号的高频成分增加,而且高频滤波成分特征与内燃机的冲击过程相对应,所以,需选择合适的高频带加以提取并进行包络谱分析.通过声级计测取了代表主轴承4类间隙磨损程度的噪声信号,发现2个特征频率处的能量对间隙磨损状态比较敏感,均随着磨损量的增加而增加.通过该方法,可利用机体噪声信号监测主轴承的磨损状态.

小波SVM核函数法在滚动轴承故障诊断中的应用

针对现有SVM核函数中参数选择存在盲目性的问题,提出了一种基于样本输入选择核参数的方法,并将新核函数与小波分析相结合,对滚动轴承进行故障诊断。首先,用小波降噪和分解提取出相应的小波尺度-能量谱,选取具有代表性的尺度谱作为输入样本,建立故障特征向量集;然后,应用新核函数进行训练,并利用交叉验证方法对参数进行优化,得到分类器的最佳模型;最后,利用该模型对未知故障轴承特征进行识别训练,进行故障诊断。与经过径向基核函数训练得到的模型比较发现,新模型具有更高的准确率,而且新核函数的参数仅依赖于输入样本,可以实现自适应调整。

基于声发射技术的滚动轴承故障诊断方法研究

利用声发射信号的高频特性采集滚动轴承故障信息,运用小波分析把信号分解在不同频带,对信号进行重构,从而消除背景噪声,再应用Hilbert变换进行解调和细化频谱分析。实验结果证明,基于声发射信号的小波包络谱分析可有效地检测滚动轴承故障。

现代信号分析在滚动轴承故障诊断中的应用

滚动轴承是各种机电设备中的重要部件,其主要特点是其寿命的随机性较大,且它的好坏直接影响到设备的正常运行。因而掌握轴承运行的工作状态以及故障的形成和发展是目前机械故障诊断领域中研究的重要内容之一。利用轴承的随机振动信号对其工作状态进行诊断是目前最常用的方法。分析的方法主要有时域法和频域法。而传统的基于 Fourier 分析的方法其时间和频率这两个变量依 Heisenberg 测不准原理是互斥的,因此传统的功率谱分析是针对平稳随机信号而言的。滚动轴承的故障振动信号为典型的非平稳信号,而非平稳信号需要用现代信号分析的方法来处理。利用现代信号分析理论从线性时频分析(小波减噪变换)、非线性时频分析(伪Wigner-Ville 时频分布)和高阶谱(三阶谱)三方面对滚动轴承故障信号特征进行提取加以研究。研究结果表明,小波减噪方法在微弱信号检测方面具有较强的能力;伪 Wigner-Ville 时频分布图能有效地建立故障信息图谱,直观性更强;高阶谱可以很好的检测出非高斯故障信号的信息。

基于小波包和EMD的异步电动机轴承的故障诊断方法

异步电动机轴承的故障信号为低频带周期冲击性特征故障数据,呈现非线性特征,倘若对此类特征信息直接做傅里叶变换,会被高频信号调制,使得故障信号严重失真。为此,提出一种新的集有小波包变换、经验模式分解和Hilbert包络谱分析相融合的滚动轴承故障诊断方法,旨在消除高频噪声信号,提升故障诊断效果。利用小波包变换对滚动轴承的振动信号进行降噪,使用经验模式分解把降噪后的故障信号分解成多个有效本征模态分量,并对筛选后的故障信号进行重构处理,最后对重构信号做Hilbert包络谱分析,计算得到滚动轴承故障频率。通过实验及分析,结果表明新方法应用效果良好。

基于小波奇异谱及SVDD的轴承故障检测方法

针对传统轴承故障检测方法泛化能力较弱、训练样本数量需求过大、检测效果不佳的问题,提出了一种基于小波奇异谱及SVDD的滚动轴承故障检测方法。首先,利用db5小波对正常振动信号进行5层小波分解,并计算出奇异值进行优选;然后,将优选出的奇异值输入SVDD中进行训练,得到超球体中心和半径;最后,利用判别函数进行分类,判断轴承是否存在故障。试验表明,该方法的检测正确率达到了98.6%,可用于轴承故障检测。

小波分析和Hilbert谱分析在故障诊断中应用

为了能有效地识别滚动轴承故障信号的非平稳和调制特点,提出了一种基于小波分析和Hilbert谱分析的滚动轴承故障诊断的新方法。使用小波分析对包含故障信息的信号进行分解、重构。进一步应用Hilbert变换进行解调和细化频谱分析。结果表明,小波分析和Hilbert变换的联合能够有效地提取故障特征频率并判断故障类型,非常适合滚动轴承的故障诊断。

基于小波变换和高阶特征提取的直驱风机轴承故障诊断方法

为了提高直驱风机稳定发电能力,提出一种新型电机轴承故障诊断方法。采用小波变换对轴承的滚动体、内圈和外圈振动信号进行分解,利用小波能谱熵和高阶统计量的双谱计算振动信号特征值,使用支持向量机根据特征值构造故障分类器,最后通过仿真验证所提故障诊断方法的有效性。

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.