基于小波分析的故障诊断算法

基于小波-倒频谱的齿轮故障诊断方法及应用摘要: 利用振动信号采集到的齿轮故障信息，依据点蚀的故障机理和频谱特征，采用小波分解将信号分解在不同频带，选择故障所处频带重构信号，对故障进行诊断。

结合倒频谱方法有效地识别故障特征频率。

结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。

关键词: 齿轮；故障；小波分析；倒频谱1 引言随着现代机械对齿轮传动的要求日益提高，减速器在国民经济生产中发挥越来越重要的作用，因此其故障诊断一直是学者们研究的热点。

当齿轮存在局部故障时，由于振动产生瞬态的冲击信号，啮合频率及其谐波被调制频率紧紧包围而形成密集边频带，同时由于受噪声的干扰，故障信息往往淹没于强大的噪声中。

这给诊断带来一定的困难。

采用基于傅里叶变换的传统信号处理方法，分别仅从时域或频域给出信号的统计平均结果，无法同时兼顾信号在时域和频域的全貌和局部变化特征，而这些局部化特征恰恰是故障的表征。

解调分析传统的方法包括Hilbert变换和检波解调法，它们形成包络信号进行带通滤波时都需要依靠经验来确定带通滤波器的中心频率和带宽，这在主观上给分析结果带来较大的影响。

由于小波变换具有时频局部化和多分辨特性，从根本上克服了傅里叶分析以单个变量描述信号的缺点，因此小波技术适合于处理非平稳信号[1-3]。

但是小波由于受Heisenberg测不准原理的限制，使其不可能在时域和频域都有很高的分辨率，使得单单采用小波技术对诊断密集边频带准确性和可靠性有一定的局限。

基于小波-倒频谱分析的方法则利用小波多分辨特性，消除背景噪声检测微弱的故障信号，结合倒频谱技术可以分离和提取出密集边频中的故障特征成分，因此是齿轮故障检测中一种有效的诊断方法。

2 小波-倒频谱方法原理2.1 小波技术分解原理如果函数满足以下容许条件：3 齿轮故障诊断的实例应用图1 . db5小波5层分解图（a）为点蚀小波五层分解图（b）为正常信号小波五层分解图从图1中我们发现，正常信号的细节信号有一定的周期性，而点蚀故障信号由于其突变的冲击脉冲作用存在着一定的周期性，导致了其与原有的周期发生耦合作用，而减弱了原有周期性。

基于小波分解的同步带故障诊断研究0 前言由于同步带具有传动比准确、传动效率高、结构紧凑等优点[1]，故广泛应用于汽车发动机正时传动系统中。

正时传动系统中同步带的失效形式主要有齿裂、两侧纤维分离及缺齿，其中缺齿是同步带主要失效形式[2-3]。

同步带的失效会直接对正时传动系统的传动情况造成影响，而发动机正时传动系统处于封闭状态，发动机装机后无法观测同步带的失效情况。

因此国内外关于同步带故障诊断的研究很少。

M.Ucar等[4]研发了一种新型的同步带故障诊断系统，将光学传感器放置在合适的位置，采集由于同步带故障造成的激光束波动信号，并判断故障的发生位置。

小波分解技术因具有多分辨率的特点，可以由粗到细的逐步观察信号，故广泛应用于进行故障诊断[5-6]，如林近山等[7]基于小波分解理论，对风电齿轮箱进行故障诊断，证明用小波分解做故障诊断的方法比一般谱分析更具优势。

然而在发动机正时传动系统中，由于发动机封闭，无法观测同步带的故障，故无法具体得到同步带的失效形式。

用小波分解做同步带的故障诊断方面的研究仍处于空白阶段。

本文针对ZA型汽车同步带，采用人工植入故障的方法，去除同步带若干带齿，分别应用完整齿汽车同步带与破损齿汽车同步带进行噪声试验，采集同步带在不同状态下的噪声信号，并对其进行时域分析、频域分析和小波分解，分析断齿同步带对噪声的影响，得出断齿后同步带噪声的幅值大小和频段分布规律，为同步带的故障诊断提供了依据。

1 噪声频域分布规律汽车同步带传动噪声可以分为：啮合冲击噪声、横向振动噪声、空气流动噪声和摩擦噪声。

不同种类的噪声对应的频域区间不同。

其中啮合冲击噪声和横向振动噪声是同步带的主要噪声源，噪声能量比重高。

故本文对啮合冲击噪声和横向振动噪声的频域分布进行主要分析。

1.1 啮合冲击噪声在啮入、啮出过程中，带齿与轮齿发生啮合而产生啮合冲击噪声。

啮合冲击噪声的大小与啮合频率有关。

啮合频率f的大小与主动轮转速有关，转速越大，产生的啮合冲击噪声越大。

基于小波分析的电力系统异常检测方法引言：电力系统作为现代社会不可或缺的基础设施之一，其稳定性与可靠性对保障民生和国家发展具有重要意义。

然而，由于电力系统的复杂性和多变性，异常情况的发生时有所闻。

因此，如何有效地检测和诊断电力系统的异常情况成为一个迫切需要解决的问题。

本文将介绍一种基于小波分析的电力系统异常检测方法，以提高电力系统的安全和可靠性。

一、小波分析的基本原理和特点小波分析是一种时频分析方法，通过将复杂的信号分解成时间和频率两个维度上的小波，并对其进行分析和处理。

与传统的傅里叶变换相比，小波分析具有更好的时域局部性和频域精确性，能够更好地揭示信号的瞬态特性和时频特性。

小波分析的基本步骤包括：选择合适的小波基函数，对信号进行小波变换，得到时频表示。

小波变换后的信号可以通过阈值处理、滤波等方式进行异常检测。

二、1. 数据采集与预处理首先，需要采集电力系统各个节点的相关数据，包括电流、电压、功率等参数。

这些数据可以通过传感器等设备进行实时采集。

然后，对采集得到的数据进行预处理，如去除噪声、滤波等，以提高数据的质量和准确性。

2. 小波分析与特征提取将预处理后的电力系统数据进行小波分解，得到不同尺度和频率的小波系数。

根据不同的应用需求，可以选择不同的小波基函数和分解层次。

然后，从小波系数中提取有用的特征，如能量、平均值、方差等，来描述信号的时频特性。

3. 异常检测与诊断通过设定合适的阈值或使用统计方法，对提取得到的特征进行异常检测。

当特征值超过设定的阈值或与历史数据相比发生显著变化时，即可判断为异常情况。

对于检测到的异常情况，可以进行进一步的诊断和分析，确定异常的具体原因和影响。

三、案例分析与实践应用1. 案例背景以某电力系统的实际运行数据为例，通过基于小波分析的异常检测方法进行分析，以验证该方法的有效性。

2. 实验步骤首先，对采集得到的电力系统数据进行预处理，如去除噪声、滤波等。

然后，选择适合电力系统特征的小波基函数和分解层次，进行小波分解。

：煤矿机械Coal Mine MachineryVol.34No.01Jan.2013第34卷第01期2013年01月基于小波频谱分析的滚动轴承故障诊断研究杨学存(西安科技大学电气与控制工程学院，西安710054)摘要：提出了一种基于小波频谱分析的滚动轴承故障诊断方法。

利用小波默认阈值方法进行数据消噪处理，并对消噪后振动数据进行了5层小波分解。

根据轴承故障特征频率，对故障特征频率所在层进行小波重构，计算功率谱密度。

对滚动轴承故障的振动信号的仿真结果表明，该方法能有效识别滚动轴承的内圈、外圈和滚动体故障。

关键词：频谱分析；滚动轴承；故障诊断中图分类号：TH133.33文献标志码：A文章编号：1003－0794（2013）01－0289－03Rolling Bearing Fault Diagnosis Research Based on Wavelet SpectrumAnalysisYANG Xue-cun（School of Electric and Control Engineering ，Xi ’an University of Science and Technology,Xi ’an 710054，China ）Abstract:The rolling bearing fault diagnosis method is proposed.Wavelet default threshold method is adopted to make data denoising processing,and 5layer wavelet decomposition is made to denoised vibration data.Wavelet reconstruction is done for the layer of fault characteristic frequency,power spectral density is computed finally.The simulation result for vibration signal of rolling bearing fault denotes that this method can effectively identify the inner ring,outer ring and rolling body faults of rolling bearing.Key words ：spectrum analysis ；rolling bearing ；fault diagnosis 0引言轴承常用的故障诊断方法是振动分析法。

小波算法在机器故障诊断中的应用随着工业化和自动化的不断推进，机器的故障率逐渐上升，对机器的性能和可靠性要求也越来越高。

传统的机器故障诊断方法需要大量的人力和时间，而且诊断结果也往往存在误差。

近年来，小波算法在机器故障诊断中的应用逐渐成为热门研究领域。

一、小波算法的基本原理小波变换是一种数学变换方法，可以将时域信号转换为频域信号。

小波分析法是通过小波变换对不同频率和幅度的信号进行分析，实现故障诊断。

小波分析法可以将原始信号分解为一系列小波子带，每个小波子带代表着不同实验因素的信号成分。

通过分析每个小波子带的特征，可以确定机器故障的类型和原因。

二、小波算法在机器故障诊断中有广泛的应用，例如电气设备故障、机械设备故障、航空设备故障等。

其中，机械设备故障是小波算法应用最广泛的领域之一。

1. 机械设备故障诊断机械设备故障分为振动故障、噪声故障和温度故障三类。

小波算法可以通过分析机器振动信号、噪声信号和温度信号，找到故障的原因和位置。

例如，在分析机器振动信号时，小波分析法可以将信号分解为多个小波子带，然后通过分析每个子带的幅值和频率特征，确定机器故障的类型和位置。

2. 电气设备故障诊断电气设备故障分为电压故障、电流故障和功率故障三类。

小波算法可以通过分析电气信号的频率和幅度，找到故障的原因和位置。

例如，在分析电流信号时，小波分析法可以将信号分解为多个小波子带，然后通过分析每个子带的频率和幅值特征，确定电气故障的类型和位置。

3. 航空设备故障诊断航空设备故障分为机械故障、电气故障和液压故障三类。

小波算法可以通过分析机器振动信号、电气信号和液压信号，找到故障的原因和位置。

例如，在分析机器振动信号时，小波分析法可以将信号分解为多个小波子带，然后通过分析每个子带的振动幅值和频率特征，确定机械故障的类型和位置。

三、小波算法在机器故障诊断中的优势小波算法在机器故障诊断中具有以下优势：1. 高效性：小波算法可以通过数学变换快速地分析信号的特征，减少了人力和时间成本。

机械振动信号的小波分析与故障诊断机械振动是指机械系统在运行过程中所产生的振动现象。

振动信号是机械故障的重要指标，因为它可以反映机械系统的运行状态和内部结构的变化。

因此，对机械振动信号进行分析和诊断是实现机械故障预测和维护的关键技术之一。

在振动信号的分析方法中，小波分析作为一种多尺度分析方法，因其在时频域上具有出色的分辨能力，成为了机械振动信号分析与故障诊断领域中广泛应用的技术。

一、小波分析的基本原理小波分析是一种基于时频分析原理的分析方法。

其基本思想是将信号分解成不同尺度的小波基函数，用小波基函数对信号进行变换。

小波分析的核心是小波变换，其可以将信号转换为时域和频域的双重信息，从而更好地理解信号的特性和内在结构。

二、小波分析在机械振动信号处理中的应用小波分析在机械振动信号处理中具有较高的应用价值。

首先，小波变换可以提取信号的频谱信息和时域特征，通过对频谱分布进行分析，可以识别出机械系统中存在的频率分量和谐波分布，从而判断机械系统的正常运行状态。

其次，小波包分解和重构方法可以对振动信号进行时频分析，通过对振动模态和频率变化的研究，可以了解机械系统在不同工况下的振动特性和变化规律。

此外，小波模态分解方法可以提取出机械振动信号的分量，实现故障信号的提取和识别，为故障诊断提供有力的依据。

三、小波包分析在滚动轴承故障诊断中的应用滚动轴承是机械系统中常见的易损部件之一，其故障常表现为振动信号的不稳定性和频率分量的变化。

针对滚动轴承故障诊断问题，小波包分析方法能够更好地提取滚动轴承振动信号中的故障特征。

通过对滚动轴承振动信号进行小波包分解，可以得到一系列分量信号。

其中，能量集中的低频分量对应轴承的正常工作状态，而能量集中的高频分量则对应轴承的故障状态。

通过对不同尺度的高频分量进行分析，可以判断轴承故障的类型和程度。

此外，小波包分析方法还可以通过构建滚动轴承的特征向量，实现对不同故障状态的自动分类和识别。

四、小波熵在齿轮故障诊断中的应用齿轮是机械系统传动的重要部件之一，其故障常表现为齿面接触不良和齿面断裂等现象。

基于经验小波变换的机械故障诊断方法农机 1201 3120306027 靳伟摘要 :经验小波变换 (EWT是一种新的自适应信号分解方法,该方法继承了EMD 和小波分析方法的各自优点,通过提取频域极大值点自适应地分割傅里叶频谱以分离不同的模态,然后在频域自适应地构造带通滤波器组从而构造正交小波函数,以提取具有紧支撑傅立叶频谱的调幅一调频 (AM. FM 成分。

本文将该方法引用到机械故障诊断中,提出了一种基于经验小波变换的机械故障诊断方法,并与 EMD 方法进行了对比分析。

仿真结果表明,经验小波变换法明显优于 EMD 方法,能有效地分解出信号的固有模态。

与 EMD 相比较,该方法具有分解的模态少,不存在虚假的模态,计算量小,且在理论上具有易理解性等特点。

最后将该方法应用到转子碰磨故障诊断中,实验结果进一步验证了该方法的有效性,能够有效地揭示出碰磨故障数据的频率结构,区分碰磨故障的严重程度。

关键词:经验小波变换;固有模态;故障诊断:自适应信号分解;经验模态分解M echanical fault diagnosis method b ased on empirical wavelet TransformAbstract:Abstract :Empirical wavelet transform (EWTis a new self adaptive signal decompositionm method . This method inherits the advantages of EMD and wavelet transform, adaptively segments the Fourier spectrum by extracting the maxima point in the frequency domain to separate the different modes, and then constructs adaptive band— pass filters in the frequency domain so as to construct orthogonalwavelet functions and extract AM— FM components that have a compact support Fourier spectrum. Here , the EWT is introduced in the mechanical fault diagnosis. and a new mechanical fault diagnosis method based on EWT is proposed. The EWT method is compared with the traditional EMD method. The simulation results show that the EW T m ethod is obviously superior to the EMD method. The proposed method can effectively decompose the intrinsic modes of the signa1. Compared with the EMD method, thismethod has som e distinct advantages, such as less decomposed modes, no virtual m odes, less calculation, easy to be understood in theory and etc. Finally,the proposed method was successfully applied to therub — impact fault diagnosis of a rotor system. The experiment results show that the proposed method is efective , and can effectively reveal the frequency structure in rubbing fault and discern the severity ofrub — impact fault.Keywords :EW T; intrinsic mode; fault diagnosis; adaptive signal decomposition; EMD1引言经验模态分解 (empirical mode decomposition, EMD [1][是由美国国家宇航局美籍华人黄锷 (N. E . Huang 等于 1998年创造性地提出的一种新型自适应信号时频分析方法。