基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增强方法。该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为一个综合参数P i;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比信号和高噪信号3个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提取出轴承微弱故障特征。经仿真信号验证,去噪信号的信噪比相对于去噪前提升了11.31 dB。基于航空发动机中介轴承模拟试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。实践表明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。

海洋平台注水泵机组滚动轴承故障特征提取研究

为了识别海洋平台注水泵机组滚动轴承的故障,文章应用谐波小波包变换,提取了滚动轴承的外圈、内圈及滚动体故障特征信号,分析了滚动轴承振动过大时故障特征信号的变化。结果表明:谐波小波包变换能从强噪声背景中提取微弱的滚动轴承故障特征信号,通过提取的故障特征信号的幅值变化,能判断出滚动轴承的外圈、内圈及滚动体故障。

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取方法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性 ,对轴承振动信号进行快速傅里叶变换FFT分析 ,在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性 ,对滚动轴承的振动信号进行小波包分解 ,自动提取共振频带上的信号并进行重构。最后 ,对重构后的信号进行包络检波 ,实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析 ,发现这种方法能非常有效地检测和诊断滚动轴承的故障。

352226X_2滚锥轴承内圈松动的声发射诊断

采用声发射技术对铁路货车轴承352226X2内圈松动故障进行检测,以小波包分析方法提取故障信号的能量特征向量,通过对内圈不松动和松动两种情况下能量分布的比较,提取高频带内能量与总能量之比作为特征参数,可有效地诊断内圈松动故障。

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。

一种风机轴承故障特征提取方法及仿真分析

针对风机滚动轴承运行时的非平稳特性,故障信号表现形式复杂、干扰因素多、耦合性强,很难提取有效故障特征的问题,采用一种自适应阈值小波消噪法和双谱分析法结合的方法,对原始采样信号先进行消噪处理,去除噪声,再进行双谱分析,突显各种故障特征。仿真结果表明,改进方法能够有效提取不同故障的振动信号特征,便于计算机进行故障识别与诊断,同时为故障诊断后的故障模式识别问题提供良好的思路和方法,对提高风电系统的可靠性和安全性具有现实意义。

铁路货车轮对轴颈轴承内圈松动故障检测

采用声发射和振动加速度传感器对铁路货车轮对轴承内圈松动故障进行检测,并用小波包分析方法提取故障信号的能量特征向量,通过对内圈不松动和松动两种情况下能量分布的比较,提取高频带内能量与总能量之比作为特征参数,可有效诊断内圈松动故障。

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。

一种滚动轴承故障特征的时频综合分析法

针对滚动轴承故障诊断,综合运用小波分析和Hilbert-Huang变换,提出了一种用于滚动轴承故障特征提取的时频综合分析方法。该方法首先对滚动轴承故障信号进行小波分解,得到故障产生的共振频带,并进行解调,然后用Hilbert-Huang变换对所得到的解调信号进行EMD分解(经验模态分解),得出各个本征模态函数IMF。最后对各IMF信号进行包络谱分析,从包络谱上可以清晰地观察出滚动轴承的故障特征频率。本文进行了实例分析,结果充分表明了该时频综合分析方法较单一的分析方法更加能突出故障特征。

滚动轴承故障的全矢小波分析

小波分析可同时从时域和频域两个方面对信号进行分析,结合包络分析十分适合滚动轴承的故障特征提取;基于双通道的全矢小波分析方法不仅对单通道小波分析方法具有兼容性,而且弥补了传统的基于单通道信息进行旋转机械故障特征提取造成的信息量不完整、易导致误诊的弊端。结果表明,在针对滚动轴承外圈故障特征提取时,全矢小波分析方法较小波-包络分析方法具有一定的优势。

基于小波包和改进BP网络的风电机组滚动轴承故障诊断

针对风电机组存在大量暂态和非稳态信号特点,提出应用小波包变换的"柔性"时频窗,进行频率提取.结合神经网络较强非线性映射能力和自适应特征,提高故障诊断能力.详细分析了小波包的特性,结合风电机组中滚动轴承的故障特征和振动提取方式,通过小波包分解与重构,实现了小波包算法及特征提取.给出了神经网络改进和故障识别方法,通过具体实例研究了整个诊断流程.该方法能够有效地应用于风电机组滚动轴承的故障诊断,并可以推广应用于相关的其他传动链系统中.

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.

SVM与PSO相结合的电机轴承故障诊断

针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法。结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率。采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析。实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性。

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。

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。

一种滚动轴承早期故障预警技术及试验验证

针对滚动轴承运行状态在线监测,提出一种新的滚动轴承早期故障预警技术。首先,通过二进离散小波分解提取共振频带;然后,通过自相关分析抑制频带信号中的非周期性成分并进一步提升信噪比;最后,基于小波包络频谱构造一个新的特征量,通过该特征量的变化趋势来反映轴承的健康状态。将新方法应用于滚动轴承在线监测,分别对三组滚动轴承的全寿命试验数据进行分析,结果表明,提出的在线监测技术相较于传统有效值监测更为敏感,能够更早地发现滚动轴承早期微弱故障,实现故障的早期预警及定位。

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换(EWT)和核独立分量分析(KICA)联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。

小波包分析在滚动轴承故障特征提取中的应用

针对滚动轴承的故障诊断特征提取问题,文中首先阐述了小波包分析的基本原理及其特征提取的机理,然后采用了小波包分析对滚动轴承振动信号的能量特征进行提取分析,最后采用美国凯斯西储大学公布的不同类型故障的轴承数据对该方法的有效性进行了验证,结果表明,根据轴承振动信号频带的能量分布可以初步判断轴承的状态。