小波消噪和谱技术在汽车传动轴故障诊断中的应用

144机械设计与制造Machinery Design&Manufacture第5期2021年5月结合频谱聚类与经验小波的轴承故障诊断方法唐泽娴1,林建辉1,张兵',杨基宏2(1.西南交通大学牵引动力国家重点实验室,四川成都610031；2.中车青岛四方机车车辆股份有限公司,山东青岛266111)摘要：实测轴承振动信号就有非平稳、非线性特征，因此，对该类信号的分析需要进行解调得到特征频率，在众多解调法中包络分析是最为常用的方法;为了使解调结果更加清晰，常在解调前进行滤波,达到滤除干扰成分可有效提升解调的效果。

经验小波变换提供了基于频带划分的小波滤波框架，划分后频带可滤除部分干扰信号，突出故障信号。

对此，受“箱型图”和层次聚类法的启发，对“突出值”聚类法进行频带划分，通过平方包络互相关系数选取合理的频带划分个数。

最后选取平方包络峭度值最大的滤波子信号进行Teager能量算子解调,获取特征频率。

文章针对不同工况下的不同故障类型轴承运行数据进行分析,验证算法的有效性。

特别地，在复合故障分析中，利用动态阈值法到达分别突出不同轴承故障频率的效果。

关键词:滚动轴承故障诊断;经验小波变换;箱型图;层次聚类;平方包络;动态阈值中图分类号:TH16；U270.3文献标识码:A文章编号：1001-3997(2021)05-0144-05Bearing Fault Diagnosis Method Using Spectral Clustering and Empirical WaveletTANG Ze-xian1,LIN Jian-hui1,ZHANG Bing1,YANG Ji-hong2(1.State Key Laboratory of Traction Power,Southwest Jiaotong University,Sichaun Chengdu610031,China;2.CRRC Qingdao Sifang Co.,Ltd.,Shandong Qingdao266111,China)Abstract：The measured bearing vibration signals are usually non-stationary and non-linear,so the demodulation is necessary to obtain the frequency characteristic frequency.A mong lots of demodulation methods,envelope analysis is the most popular one.When using the envelope analysis demodulation method,filtering is necessary to wipe out irrelevant signal components which can effectively improve the demodulation effect.Empirical wavelet transform provides a wavelet filter framework based on frequency band division and it can achieve the purpose of f iltering out the interfering signals and highlight fault signals.Inspired by box-plot andhierarchical clustering,the method of"outliers"clustering is proposed for frequency band division, and reasonable number of f requency band divis ion is selected by means of cross correlation coefficient.Finally,the filter signal with the maximum square envelope kurtosis value is selected for the square envelope demodulation to obtain the characteristic frequency employing the Teager energy operator.The validity of the algorithm is verified by analyzing the measured data of the failure bearingscf different kinds under different working conditions collected from a test bed.Specially, dynamic threshold is used to highlight the characteristic frequencies^different bearingfaults.Key Words：Rolling Bearing Fault Diagnosis；Empirical Wavelet Transform；Box Figure；Hierarchical Clustering；Squared Envelope；Dynamic Threshold1引言高速列车在交通与工业领域起到越来越重要的作用。

小波SVM核函数法在滚动轴承故障诊断中的应用高朋飞1，许同乐1，侯蒙蒙1，郎学政1，李磊2（1．山东理工大学机械工程学院，山东淄博255049；2．山东信远集团有限公司，山东莱阳265200）摘要：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。

关键词：滚动轴承；故障诊断；小波分析；能量谱；SVM；核函数中图分类号：TH133．33；TP274文献标志码：B文章编号：1000－3762（2013）12－0051－04Application of Wavelet SVM Kernel Function Method in FaultDiagnosis forＲolling BearingsGao Peng－fei1，Xu Tong－le1，Hou Meng－meng1，Lang Xue－zheng1，Li Lei2（1．School of Mechanical Engineering，Shandong University of Technology，Zibo255049，China；2．Shandong Xinyuan Group Co．，Ltd．，Laiyang265200，China）Abstract：Aiming at the blindness of selection for parameters in SVM kernel function，a method is proposed to select kernel parameters based on sample input．The combination of the new kernel function and wavelet analysis is applied in faults diagnosis for rolling bearings．Firstly，the corresponding wavelet scale－power spectrum is extracted by using wavelet denoising and decomposition，then the typical scale spectrum is selected as input sample，and a fault feature vector set is established．Secondly，the fault feature vector is trained by new kernel function，the cross validation meth-od is used to optimize parameters，and the best classifier model is obtained．Finally，the unknown fault bearing feature is identified and trained by the new model，and the fault diagnosis is carried out．By comparing with the model which is trained by radial basis function，the new model is of a higher accuracy．The new kernel function parameters only de-pend on input sample，so it can be adjusted automatically．Key words：rolling bearing；fault diagnosis；wavelet analysis；power spectrum；SVM；kernel function故障轴承的振动信号包含了故障特征信息，而且便于采集，因此振动信号分析成为故障诊断的有效手段之一［1－3］。

Laplace小波在机车轴承故障诊断中的应用研究的开题报告一、研究背景随着现代化技术的不断发展，机车轴承的安全性和可靠性已成为受关注的焦点。

为确保列车的平稳运行和安全，轴承故障的诊断和预测一直是机车维修和保养的重点任务。

目前，许多学者已经开始探索基于数字信号处理的机车轴承故障诊断方法。

在这些方法中，Laplace小波已被广泛用于振动信号分析领域，其优越性在机车轴承故障诊断中也得到了充分体现。

因此，本研究旨在探讨Laplace小波在机车轴承故障诊断中的应用。

二、研究目的本研究的主要目的是构建一个基于Laplace小波的机车轴承故障诊断系统，通过分析轴承振动信号的频谱和时域特征，确定轴承故障类型和位置。

具体而言，本研究的研究目的包括以下几个方面：1. 研究机车轴承故障的基本特征和分类方法，分析不同类型的轴承故障在振动信号中的频域和时域特征。

2. 探索Laplace小波在机车轴承故障诊断中的应用，建立基于Laplace小波分析的振动信号分析算法，对轴承振动信号进行分析和分类。

3. 设计机车轴承故障诊断系统，实现数据的采集、处理和分析，并提供准确的故障诊断结果。

三、研究内容本研究将采用以下研究内容：1. 机车轴承故障特征分析通过对机车轴承故障的基本特征和分类方法的研究，确定研究对象和研究内容。

对不同类型的轴承故障在振动信号中的频域和时域特征进行分析和比较，为Laplace小波分析算法的设计和优化提供理论基础。

2. Laplace小波分析算法设计针对机车轴承振动信号的特征，设计基于Laplace小波分析的振动信号分析算法，提取信号的时域、频域特征，并建立符合机车轴承故障诊断需求的特征提取模型。

3. 数据采集和实验设计收集机车轴承振动信号数据，利用实验台模拟不同类型的机车轴承故障，收集轴承振动数据，并将轴承故障分为不同类型和位置。

4. 机车轴承故障诊断系统设计基于Laplace小波分析算法和机车轴承故障特征分析，设计机车轴承故障诊断系统，并实现数据的采集、处理和分析。

文章编号:1006-1355(200705-0100-05自适应小波降噪在轴承故障诊断中的应用王国栋1,胡邦喜2,高立新1,张建宇1(1.北京工业大学北京市先进制造技术重点实验室,北京100022;2.武汉理工大学管理学院,武汉430070摘要:针对轴承振动的非平稳性特点和频谱成分的混杂性,提出了基于小波的信号自适应阈值降噪法。

自适应阈值降噪法首先对信号进行离散正交小波多层分解,对分解后的各层细节系数中模小于某阈值的系数进行处理,然后将处理完的小波系数再进行反变换,重构出经过降噪后的信号。

用仿真信号进行降噪处理,结果表明:通过选择合适的小波基和阈值选择规则,可以实现信号的完美降噪;实测轴承振动信号用小波降噪方法进行预处理,提高了信噪比,进一步作频谱分析得到了故障特征信息,为诊断决策提供了依据。

关键词:振动与波;非平稳性;小波分解;阈值选择;信号降噪;特征提取中图分类号:TH 165+.3 文献标识码:AApplication of AdaptiveW avelet D enoisi ng on Beari ng Fault D iagnosisWANG Guo dong 1,H U Bang x i 2,GAO L i xin 1,Z HANG J i a n yu1(1.K ey Laboratory o fAdvanced M anu facturing Techno logy ,Be ijing University o fTechnology ,Be ijing 100022,China ;2.Schoo l ofM anage m ent Sciences ,W uhan University o fTechnology ,W uhan 430070,China A bstract :For the nonstationarity and spectrum chaos of the bear i n g v i b ration si g na,l t h reshold de no ising based on w ave let deco m position w as put for w ard .I n th is m ethod ,signal w as deco m posed into m ulti layer ,pr ocessi n g the deta il coefficients acco r d i n g as the t h resho l d ,t h en reconstructi n g to get the de no i s ed si g na l by the w avelet coefficients .The si m ulated signalw as deno ised ,the result de m onstrated tha t fi n e denoisi n g cou l d be carried out thr ough selecti n g suitab le w ave let and threshold r u ler .The deno ising m ethod w as e mp l o yed to preprocess the real vibration signal of beari n g ,i m prov i n g t h e signal no ise rate .Fault characteristic w as gained by the fo ll o w ing frequency analysis ,it approved foundati o n o f d i a gnosis decisi o n m aking .K ey w ords :v i b rati o n and w ave ;nonstationarity ;w ave let deco mposition ;thresho l d se lecti o n ;si g na l denoisi n g ;characteristic extraction 收稿日期:2006 12 27作者简介:王国栋(1981-,男,河北省宁晋县人,硕士研究生,研究方向:智能监控与故障诊断。

小波分析在轴承故障诊断中的应用轴承是旋转机械中重要的组件之一，其正常运转不仅能保证设备的稳定运行，还能延长其使用寿命。

然而，长期的振动载荷和摩擦磨损等因素会导致轴承故障，进而影响到设备的正常运行。

因此，轴承故障的及时检测与诊断对于设备的健康运行至关重要。

传统的轴承故障诊断方法主要是基于振动信号分析，但该方法存在故障判断不准确、对轴承内部结构无法感知等问题。

与此同时，近年来，小波分析技术在信号处理领域中被广泛应用，具有多分辨率、非线性和局部性等优点，可以有效地用于轴承故障诊断。

一、小波分析技术介绍小波分析（Wavelet Analysis）是一种数学工具，可对信号进行多分辨率分析和频率变换。

相比于傅里叶变换等传统频谱分析方法，小波变换可以提供频率特性和时间特性的同时信息，更适用于对非平稳和非线性信号的处理。

在小波分析中，最常用的小波基为 Morlet 小波，其实为高斯函数和正弦余弦函数的乘积，具有较好的时频局部分辨率。

二、1. 小波包能量谱分析法（WPES）小波包能量谱分析法（WPES）采用小波包变换对轴承振动信号进行特征提取和信号分类。

其基本思路为利用小波包变换的逐层分解和重构特性，详细分析不同尺度的频率信号，得到轴承信号内部结构的多频率特征信息，并通过指定的能量门限对不同频率特征进行分类。

此方法可以准确地识别出轴承故障信号，并对不同故障类型进行区分。

2. 模态分解小波包能量谱分析法（MWPES）模态分解小波包能量谱分析法（MWPES）结合小波包变换和模态分解方法，可以有效地对轴承振动信号进行故障诊断。

其中，模态分解可将信号分解为不同的振动模态信号，并采用小波包变换对不同振动模态信号进行小波分析，在分析过程中，对每种振动模态信号进行特征提取，并计算它们的能量谱，最终通过能量拟合曲线来确定轴承是否发生故障。

3. 瞬态特征小波包谱分析法（TWPES）瞬态特征小波包谱分析法（TWPES）通过选择特定小波基进行瞬态信号分析，有效区分了高斯白噪声和轴承局部损伤所产生的转子挥动信号。

毕业设计文献综述电气工程与自动化小波分析及在轴承故障诊断中的应用一、材料的来源目前，小波分析在故障诊断中的应用已取得了极大的成功。

小波变换在故障诊断领域中的应用越来越也引起广泛注意，许多学者投入到这方面的研究。

由于小波分析非常适合于分析非平稳信号，因此小波分析可作为故障诊断中信号处理的较理想工具，由它可以构造故障诊断所需的特征或直接提取对诊断有用的信息。

小波分析不仅可以在低信噪比的信号中检测到故障信号，而且可以滤去噪声恢复原信号，具有很高的应用价值。

小波变换适用于机械故障分析，尤其适用于滚动轴承和齿轮故障分析。

用小波算法对故障振动信号进行分解和重构，将很好的找到故障频率信号的位置。

二、课题的研究历史与现状及简要评述（1）研究历史小波分析（Wavelet Analysis)或多分辨分析（Multiresolution Analysis)是傅里叶分析发展史上里程碑式的进展，近年来在法、美、英等国家称为众多学科共同关注的热点。

它被堪称是调和分析这一数学领域半个世纪以来工作的结晶。

而小波变换的概念是1984年法国地球物理学家J.Morlet在分析出理地球物理勘探资料时提出来的。

小波变换的数学基础是19世纪的傅里叶变换，其后理论物理学家A.Grossman采用平移和伸缩不变性建立了小波变换的理论体系。

1985年，法国数学家Y.Meyer第一个构造出具有一定摔减性的光滑小波。

1988年，比利时数学家L.Daubechies证明了紧支撑正交标准小波基的存在性，使得离散小波分析成为可能。

1989年S.Mallat提出了多分辨率分析概念，同意了在此之前的各种构造小波的方法，特别是提出了二进小波变换的快速算法，使得小波变换完全走向实用性。

（2）研究现状小波分析是建立在泛函分析，Fourier分析、样条分析及调和分析基础上的新的分析处理工具。

它又被称为多分辨分析，在时域和频域同时具有良好的局部化特性，常被誉为信号分析的“数学显微镜”。

基于小波变换的滚动轴承内圈故障诊断摘要本文研究了基于小波变换的滚动轴承故障诊断.介绍了小波分析的原理和轴承故障诊断的方法.研究了小波变换的理论，将小波变换用于滚动轴承故障诊断，并结合实际应用得出结论.关键词：小波变换；滚动轴承；故障诊断1 引言随着社会的发展，工业技术发展的迅速，出现一系列新的机械设备，为自动控制技术奠定了基础。

轴承作为一种关键部件，在转动系统中起着支撑、支承、减振等重要作用，其正常运行的情况直接影响着转子系统的运行效率和可靠性。

正常工作状态下，轴承有可能出现故障，如内圈损坏，外圈损坏，磨损，流失等。

如果对轴承故障及时发现，就可以避免严重损失，并减轻其他机械部件的损坏。

因此，研究轴承故障的诊断问题是非常重要的，为此，本文研究了基于小波变换的滚动轴承内圈故障诊断。

2 小波变换原理小波变换(Wavelet Transformation, 简称WT)是当前发展迅速，广泛应用的信号处理方法，是一种短时间间隔的时频分析方法，它可以把信号按时间分解到不同的尺度上，从而分析它的时域及频域特性，得到信号的时频分析图。

在滚动轴承故障诊断中，小波变换可以有效地用于捕获轴承缺陷信号的微小特征，使得轴承故障信号的特征具有更高的可视化性和可识别性。

3 滚动轴承故障诊断方法轴承故障诊断主要依赖于轴承的声发射和振动信号。

滚动轴承故障主要有内、外圈损坏、磨损及流失等。

其中内圈损坏是最常见的，因此本文重点研究以内圈损坏为故障诊断的方法。

(1) 轴承故障信号采集在滚动轴承故障诊断过程中，首先要采集轴承的振动信号，采集装置可以采用传感器、激励器、数据采集卡等设备。

(2) 轴承故障信号处理在收集到的轴承振动信号进行处理时，先进行滤波处理，去除噪声、抖动等影响，以便进一步的处理。

(3) 小波变换将滤波后的轴承振动信号进行小波变换，可以得到轴承振动信号的小波分析图，从而得到更加清晰的故障特征。

(4) 故障判断根据小波分析图，可以比较轴承振动信号的特征，从而得出轴承的故障类型，从而进行故障诊断。

基于谱峭度和Morlet小波的滚动轴承故障诊断方法针对共振解调方法中带通滤波器中心频率和带宽等参数选取的困难，本文结合谱峭度方法对其进行改进，首先利用Morlet 小波对其进行小波分解，然后利用峭度最大的原则设计出最优带通滤波器，最后利用包络分析进行故障诊断，通过实际信号对本方法进行了验证，结果表明本方法具有较好的效果。

标签：滚动轴承；故障诊断；谱峭度；包络分析滚动轴承由于摩擦系数小、传动效率高、使用寿命长、运转精度高等优点已广泛应用于各类机械系统中，滚动轴承的运行状况关系到整个机械系统的运行状况，加强对滚动轴承故障的预判与诊断有着十分重要的工程应用。

但是由于滚动轴承发生轻微故障时，振动信号一般比较微弱，容易淹没在复杂的环境噪音中，现有的包络分析技术已不能诊断此类故障，因此如何精准定位滚动轴承故障引起的共振带，是滚动轴承故障研究的一个热点。

小波分析等时频分析方法的提出使得研究人员可以同时分析故障信号在时域和频域的特性。

小波分析是一种窗口面积一定但形状可变的时频局部化分析方法，在信号低频部分有较高的频率分辨率和较低的时间分辨率，在高频部分则相反，它的这个性质使得小波分析使用于分析各类工程实际信号，具有较高的自适应能力。

谱峭度概念最早由Dyer提出，由于它对含噪信号中的微弱瞬态振动成分具有较高的敏感性，因此被广泛应用于提取轴承故障信号。

本文将小波分析与谱峭度方法相结合研究分析滚动轴承的故障振动信号，通过小波分解先对原始信号进行若干层的分析，将信号划分为不同的频带，然后利用谱峭度法则计算个频带的峭度值，最大峭度值所对应的频带一般就是含噪成分较多的频带，最后对其进行包络解调分析，获取信号故障成分。

1 Morlet小波变换2 谱峭度通过计算整个频带的谱峭度值就可以找到峭度值最大的频带，也就找到了瞬态故障频带，Antoni还引入了峭度图的概念用来描述频率和窗长的关系，当峭度图中频率和窗长所确定的频带峭度最大时，此频带正好是谱峭度值最大的频带的中心频率和带宽。