小波包分析在轴承早期故障诊断中的应用

为了识别轴承早期损伤引起的故障信号 ,利用小波包对轴承的振动信号进行处理。小波包分析的实质是对小波分解的结果作进一步细分 ,因而具有比小波分解高得多的频域分辨能力。文中用小波包分析了两个存在早期轻微损伤的轴承的振动信号 ,并比较了自然序、Gray序以及移频算法的处理结果。这些分析结果表明 ,小波包分析能够有效地将隐藏在正常振动信号之中的早期弱故障信号提取出来 。

小波包—自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论。由此提出一种称之为小波包—自回归谱分析的新方法，它将小波包和自回归模型结合起来。该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取。并以挖掘机提升系统齿轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类。通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能。

一种基于小波和神经网络的故障诊断系统

基于小波变换的时频域局部化特征及神经网络的非线性映射特征,以滚动轴承为例,将小波变换和神经网络的优点结合起来。运用小波变换提取滚动轴承振动信号各频率成分的能量作为故障特征参数,将其作为神经网络的输入进行训练和故障识别,利用BP网络实现了对滚动轴承的故障诊断,取得了较好的效果。

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。

基于DSP+ARM的风电机组振动监测仪的研究

主要研究了基于DSP+ARM双核的风电机组监测仪,以轴承振动信号作为监测对象,通过时域分析和小波包分析诊断风电机组故障;描述了系统设计方案,研究了数据检测方法、通讯方式、人机接口功能、DSP和ARM的通信方式。该系统是一款功能比较强大,能够可靠监测风电机组,并能有效的分析处理数据的系统。

基于经验小波变换和峭度值的滚动轴承故障检测方法

机械故障信号大多具有复杂多分量和调幅-调频的特点,但目前已有的方法在实际分析中多存在缺陷。为了有效识别故障特征频率,该文提出了一种基于EWT和峭度值的轴承故障检测方法。这种方法通过EWT对滚动轴承的振动信号进行分解,得到多个调频分量(AM-FM),并用文中提出的计算方法得到的各个调频分量的特征指标后进行筛选,得到包含敏感故障信息的分量。将该方法应用于轴承故障信号的解调分析,提高了分析的针对性。将改进方法应用于轴承故障实测信号分析,验证了该方法的准确性。

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。

基于小波神经网络的地铁轴承故障诊断方法

提出了一种将小波包变换和改进BP神经网络相结合的地铁轴承故障诊断模型。该模型采用小波包变换对采集到的原始振动信号进行分解和重构,提取能量特征向量,并采用一种改进的小波神经网络模型对地铁轴承进行故障诊断,引入动量因子优化BP神经网络梯度下降算法,以提高模型诊断精度和收敛速度。基于凯斯西储大学轴承故障实验中加速度传感器采集的数据,首先对其进行预处理,然后对神经网络进行训练,当训练误差达到目标精度时,利用该模型开展地铁轴承故障诊断仿真实验。结果表明:改进的小波神经网络模型可以快速、准确地诊断出地铁轴承的故障类型。