自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

基于优化的Morlet小波旋转机械振动故障信号微弱特征提取方法【摘要】本文研究基于优化的Morlet小波旋转机械振动故障信号微弱特征提取方法。

首先介绍了Morlet小波变换原理，然后详细讨论了基于优化的Morlet小波旋转和机械振动故障信号微弱特征提取方法。

接着描述了实验设计与结果分析，评价了算法性能。

研究发现，该方法能有效提取微弱故障信号特征，并在实验中取得了良好的效果。

最后总结了研究成果，并展望了未来的研究方向。

通过本文的研究，有望为机械振动故障信号的检测与诊断提供新的思路和方法。

【关键词】Morlet小波变换、机械振动、故障信号、优化、特征提取、实验设计、结果分析、算法性能评价、研究成果、未来展望1. 引言1.1 研究背景随着现代机械设备的普及和使用，机械振动故障问题变得越来越普遍和重要。

机械设备在长时间运行过程中，受到各种外部因素的影响，可能会出现各种振动故障，如轴承故障、齿轮故障等。

这些振动故障不仅会影响设备运行的稳定性和安全性，还会导致设备的损坏和维修成本的增加。

对机械设备的振动故障进行及时准确的监测和诊断成为了一个迫切的需求。

传统的振动信号处理方法往往难以从微弱的故障特征中提取有效信息，导致故障诊断的准确性和效率不高。

研究新的信号处理方法和算法来提高机械振动故障信号的特征提取能力，对于提高故障诊断的准确性和效率具有重要意义。

本文将通过基于优化的Morlet小波旋转方法来提取机械振动故障信号的微弱特征，以提高故障诊断的准确性和效率。

通过优化Morlet 小波旋转算法，可以有效地捕获和分析振动信号中的微弱特征，为机械振动故障诊断提供更可靠的数据支持。

1.2 研究意义机械振动故障信号微弱特征提取在工程领域具有重要意义。

随着工业化的发展，各种机械设备在运行中产生的振动信号包含丰富的信息，可用于监测设备的运行状态和发现潜在的故障问题。

振动信号往往受到噪声干扰，微弱的故障特征很难被准确提取。

寻找一种高效且准确的特征提取方法对于保障设备运行稳定性和延长设备寿命至关重要。

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究李静娇;陈恩利;刘永强【摘要】基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法.首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取.结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障.%Diagnosis of rolling bearing faults based on sound signal testing and analysis is a new method,a feature extraction method of sound signal of rolling bearing is raise based on adaptive Morlet wavelet.Firstly,minimum Shannon entropy is used to optimize the Morlet wavelet shape factor in order to match with the impact component.Then,an abrupt information detection method based on the transitional stage of singular curve of wavelet coefficient matrix is used to choose the appropriate scale for the wavelet transformation.Finally,the fault feature of the signal can be extracted using this method.The experimental results shows that the method can extract sound signal fault feature more effectively.【期刊名称】《石家庄铁道大学学报（自然科学版）》【年(卷),期】2017(030)003【总页数】5页(P29-32,47)【关键词】声学信号;小波变换;Shannon熵;故障诊断【作者】李静娇;陈恩利;刘永强【作者单位】石家庄铁道大学机械工程学院,河北石家庄050043;石家庄铁道大学机械工程学院,河北石家庄050043;石家庄铁道大学机械工程学院,河北石家庄050043【正文语种】中文【中图分类】TN911;TH133.33轴承故障是列车行驶中最大的故障源之一。

小波分析技术在矿山机械轴承故障检测中的综合应用陈文占【摘要】矿山机械轴承故障检测在机械行业里一直处于不可忽视的地位,因此对机械轴承的故障检测是非常重要的一门技术,小波分析技术便是对矿山机械轴承进行监视的一种方法,一旦矿山机械轴承出现故障就可以通过小波分析技术检测到,小波分析技术的原理是:通过观察小波能量谱、小波包络技术和小波阈值降噪等技术的结合,使得检测过程非常简单,只要对振动信号进行一次小波分解、重构单支小波能量集中频段就可以完成检测,并得到相应的检测结果.而一般使用的小波为Morlet 小波和Laplace小波.【期刊名称】《世界有色金属》【年(卷),期】2018(000)010【总页数】2页(P48-49)【关键词】小波分析技术;矿山机械轴承;机械轴承故障;故障检测;综合应用【作者】陈文占【作者单位】长沙矿山研究院有限责任公司,湖南长沙 410012【正文语种】中文【中图分类】TD407机械滚动轴承是机器运行中的主要工作部件，一旦其受到损害将拉低整个工程的进度，甚至会在挖矿时造成不必要的危险，因此，对于机械运行中机械轴承是否处于良好的运行状态是非常重要的，经过科研人员不断的探索，最终决定采用小波分析技术对矿山机械轴承故障进行检测，其优点在于不仅减少了工作噪音和地表噪音对检测系统的干扰，还提高了检测的可信度和精准性。

1 小波分析技术的工作原理和检测效果为解决矿山机械轴承故障的分析中存在的问题，人们提出了许多的解决方案，例如采用冲击能量分析法或者冲击脉冲计数法对机械轴承的故障进行分析等。

除了前面提及的分析方法之外，还有峰值因子法和峭度因子法，这些分析方法统称为时域分析方法。

接着来说一下频域分析方法，其主要分为功率谱分析、倒谱分析、双谱分析和包络解调分析等几种分析方式，在上述几种频域分析方式中，包络解调分析的使用范围是最为广泛的，其因为可以从复杂的调幅振动信号中将轴承故障信息分离出来，所以被应用在大部分地区。

基于最优Morlet小波的滚动轴承故障诊断
张丹;隋文涛;张宇
【期刊名称】《轴承》
【年(卷),期】2009(000)010
【摘要】将最优Morlet小波和阈值降噪法相结合,进行强噪声背景下滚动轴承故障诊断.依据峭度最大准则确定最优Morlet小波基.利用连续小波变换和软阈值法对振动信号降噪.试验表明,该方法具有良好的去噪性能,并能更好地提取滚动轴承振动信号中的故障特征.
【总页数】4页(P48-51)
【作者】张丹;隋文涛;张宇
【作者单位】山东理工大学,电气与电子工程学院,山东,淄博,255049;山东理工大学,机械工程学院,山东,淄博,255049;山东理工大学,机械工程学院,山东,淄博,255049【正文语种】中文
【中图分类】TH133.33;TP306
【相关文献】
1.基于最优Morlet小波的全信息能量熵提取及其在滚动轴承状态监测中的应用[J], 马伦;康建设;白永生;刘旭敏;吕雷
2.基于自适应Morlet小波变换滚动轴承声学故障诊断的研究 [J], 李静娇;陈恩利;刘永强
3.基于自适应Morlet小波变换滚动轴承声学故障诊断的研究 [J], 李静娇;陈恩利;刘永强
4.基于自适应最优Morlet小波的滚动轴承故障诊断 [J], 祝小彦;王永杰;张钰淇;袁婧怡
5.基于Morlet小波变换和SVM的滚动轴承故障诊断 [J], 隋瑒;张红玲
因版权原因，仅展示原文概要，查看原文内容请购买。

基于Morlet小波变换和SVM的滚动轴承故障诊断隋瑒;张红玲【摘要】针对滚动轴承的故障振动信号具有非平稳特性以及在归类筛选方面支持向量机参数对其准确程度有一定关联的特点,提出一种将Morlet小波变换和人工鱼群参数优化结合的方法,并将其应用于滚动轴承的故障诊断中.通过对Morlet小波进行参数优化,能够很好的匹配故障信号的特征点,达到去噪的目的;运用人工鱼群算法进行参数优化能够使故障分类在准确率方面得到提高.实验结果证明该方法能有效地从强噪声背景中提取故障特征,能够很好的识别出不同的故障状态.【期刊名称】《辽宁科技学院学报》【年(卷),期】2019(021)004【总页数】3页(P3-5)【关键词】Morlet小波;支持向量机;参数优化;故障诊断【作者】隋瑒;张红玲【作者单位】本钢集团有限公司计控中心,辽宁本溪117000;辽宁科技学院曙光大数据学院,辽宁本溪117004【正文语种】中文【中图分类】TP290 引言当滚动轴承存在局部故障时，会出现衰减响应，我们称之为突变点，由于大部分故障特征的信息均存在于突变点内，因此想要提取故障信息就需要重点检测突变信号的信息〔1〕。

经过大量的阅读和分析，在故障诊断方面应用小波变换的最为常见〔2〕，但存在一定的局限，即在噪声大，背景干扰较大的环境下，便很难找到突变信息。

最常规的降噪处理方法是常规的Morlet小波和最小小波熵参数优化Morlet小波，都难以实现最有匹配和最佳变化尺度〔3〕。

SVM的功能受其核函数影响。

使用传统核函数的过程中，一些学者发现通常所选的核函数归结起来有两类：全局核函数和局部核函数。

全局性核函数泛化性能强、学习能力弱，而局部性核函数学习能力强、泛化性能弱；文献〔4〕也从理论和应用上验证了参数优化能提高分类的识别率。

基于以上原因，本文提出了一种系统缺陷特点识别的办法，并结合人工鱼群算法进行参数优化使故障归类的准确率得到提高。

1 Morlet 小波及其优化1.1 Morlet 小波由于Morlet小波是类似余弦信号的对称图形，并依照指数特性进行衰减，因而可能够与突变信号完成匹配，即实现信号的去噪，同时留存最开始的系统缺陷的特征信息。

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。

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。