基于小波包降噪与VMD的滚动轴承故障特征提 取方法

基于小波包和支持向量机的滚动轴承故障诊断方法研究摘要：滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，因此滚动轴承故障诊断一直是机械领域的研究热点。

本文提出了一种基于小波包和支持向量机的滚动轴承故障诊断方法。

首先采集轴承运行时的振动信号，然后通过小波包变换对信号进行分解，得到多个频带信号。

接着，针对不同频带信号中的故障特征，采用支持向量机分类器进行故障诊断。

实验结果表明，该方法可以准确诊断出滚动轴承的故障类型，并具有较高的诊断率和鲁棒性。

该方法在滚动轴承的健康监测及维护中具有重要的应用价值。

关键词：滚动轴承；小波包；支持向量机；故障诊断1. 引言滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，甚至导致设备损坏和生产停滞。

因此，滚动轴承故障诊断一直是机械领域的研究热点。

目前，滚动轴承故障诊断的方法主要包括振动信号分析、声音信号分析和温度信号分析等。

振动信号是滚动轴承故障诊断中最常用的信号，其具有灵敏度高、响应迅速、特征明显等优点。

因此，采用振动信号进行故障诊断已成为一种主流方法。

2. 小波包分解小波包变换是小波变换的一种改进方法，它在小波变换的基础上增加了分解级数的选择，可以逐级地对信号进行分解，得到更多的细节信息。

在滚动轴承故障诊断中，可以采用小波包分解对振动信号进行频带分解，进一步提取信号的特征信息，提高故障诊断准确率。

3. 支持向量机分类器支持向量机是一种广泛应用于模式识别和分类问题的机器学习算法，其基本思想是寻找一个超平面将数据分为两类，并使得两类数据点到超平面的距离（即间隔）最大化。

因此，支持向量机具有较高的分类精度和泛化能力，适用于处理高维度的数据，并且不易受到噪声的影响。

4. 基于小波包和支持向量机的故障诊断方法本文提出的基于小波包和支持向量机的滚动轴承故障诊断方法主要包括以下步骤：（1）采集滚动轴承运行时的振动信号，并进行预处理；（2）对预处理后的信号进行小波包分解，得到多个频带信号；（3）针对不同频带信号中的故障特征，选取合适的特征提取方法，并采用支持向量机分类器进行故障诊断；（4）根据分类结果判断轴承的健康状态，并进行相应的维护措施。

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取马增强;张俊甲;张安;阮婉莹【摘要】针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比.最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征.仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别.【期刊名称】《振动与冲击》【年(卷),期】2018(037)017【总页数】8页(P210-217)【关键词】滚动轴承;变模态分解;奇异值分解;频率切片小波变换;故障特征提取【作者】马增强;张俊甲;张安;阮婉莹【作者单位】石家庄铁道大学电气与电子工程学院,石家庄 050043;石家庄铁道大学电气与电子工程学院,石家庄 050043;石家庄铁道大学电气与电子工程学院,石家庄 050043;石家庄铁道大学电气与电子工程学院,石家庄 050043【正文语种】中文【中图分类】TH165+.3滚动轴承作为旋转机械中应用最广的关键零部件，其工作状态直接影响机械系统的运行效率及使用寿命,因此，对轴承的故障诊断有重要意义和应用价值。

时频分析方法能提取振动信号时域和频域的局部信息，在滚动轴承故障诊断中有着广泛的应用。

典型的时频分布有小波变换、短时Fourier变换、Wigner-Ville分布等[1-2]，但是这些方法都存在着各自的局限性，Yan等[3-4]提出了一种新的时频分析方法——频率切片小波变换(Frequency Sliced Wavelet Transform, FSWT)方法。

基于小波包变换与ceemdan的滚动轴承故障诊断方法本文提出了一种基于小波包变换和CEEMDAN的滚动轴承故障诊断方法。

该方法通过小波包变换将信号分解为不同频率的子带，然后使用CEEMDAN对每个子带进行分解，以提取滚动轴承的故障特征。

实验结果表明，该方法可以有效地诊断滚动轴承的故障，具有较高的准确性和鲁棒性。

关键词：小波包变换；CEEMDAN；滚动轴承；故障诊断引言滚动轴承是机械设备中常见的关键部件之一，其运行状态对设备的安全性和可靠性具有重要影响。

因此，滚动轴承故障诊断一直是机械振动领域中的研究热点之一。

传统的滚动轴承故障诊断方法主要基于时间域、频域和时频域分析，但这些方法存在着一定的局限性，如低准确性、低鲁棒性等。

近年来，小波包变换和CEEMDAN等信号处理方法被广泛应用于滚动轴承故障诊断中。

小波包变换可以将信号分解为不同频率的子带，从而提取信号的频率信息。

CEEMDAN是一种新型的自适应信号分解方法，可以将信号分解为不同的本征模态函数（EMD），从而提取信号的局部特征。

因此，将小波包变换和CEEMDAN结合起来，可以更加准确地提取滚动轴承的故障特征。

本文提出了一种基于小波包变换和CEEMDAN的滚动轴承故障诊断方法。

该方法首先使用小波包变换将信号分解为不同频率的子带，然后使用CEEMDAN对每个子带进行分解，以提取滚动轴承的故障特征。

最后，使用支持向量机（SVM）分类器对提取的特征进行分类，以实现滚动轴承的故障诊断。

实验结果表明，该方法可以有效地诊断滚动轴承的故障，具有较高的准确性和鲁棒性。

方法1.小波包变换小波包变换是一种基于小波变换的信号分析方法，可以将信号分解为不同频率的子带。

小波包变换的基本思想是将小波变换的分解过程进行递归，从而得到更加细致的频率分解。

具体来说，小波包变换可以表示为：$$WPT(x,n,k)=sum_{i=0}^{N-1}x(i)psi_{n,k}(i)$$其中，$x$为原始信号，$N$为信号长度，$psi_{n,k}$为小波包基函数，$n$和$k$分别表示小波包基函数的尺度和位置。

第35卷第2期2022年4月振动工程学报Journal of Vibration EngineeringVol.35No.2Apr.2022基于改进小波阈值降噪的滚动轴承故障诊断方法曹玲玲1，2，李晶1，2，彭镇1，张银飞1，韩文冬1，符寒光1，2（1.西安工程大学机电工程学院，陕西西安710048；2.西安市现代智能纺织装备重点实验室，陕西西安710048）摘要:针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题，提出了一种基于新改进小波阈值的降噪方法。

该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解，得出各阶本征模态函数（IMF）分量；选取关键的IMF分量进行重构信号，将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪；进行Hilbert包络解调，得出滚动轴承的故障特征频率。

分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证，并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析，结果表明该方法可以有效提高故障信号的信噪比，降噪效果明显，能有效获得滚动轴承的故障特征频率。

关键词:故障诊断；滚动轴承；CEEMD；改进小波阈值降噪；快速谱峭度中图分类号:TH165+.3；TH133.33文献标志码:A文章编号:1004-4523（2022）02-0454-10DOI：10.16385/ki.issn.1004-4523.2022.02.021引言滚动轴承是现代工业机械的重要部件，其健康程度影响机械设备的工作状态及质量。

在滚动轴承运行过程中，多种因素会造成其损伤或失效，导致故障的发生，一旦发生故障会造成严重的安全隐患。

而在滚动轴承发生故障的早期，信号的采集存在大量的噪声干扰，使得故障特征提取困难，不能尽早地发现故障，因此滚动轴承早期故障信号的降噪问题是故障诊断的关键。

目前，对轴承信号的降噪方法研究很多。

HUANG等［1］提出了经验模态分解（EMD）算法的降噪方法，即将振动故障信号分解成各阶的IMF分量，再从中提取振动信号中的故障特征，但在含有大量噪声的背景下，使用EMD算法提取的效果会受到严重影响，即存在模态混叠和末端效应等问题，导致提取的故障特征不明显、误差大或失真等问题。

基于参数优化vmd的滚动轴承故障诊断方法研究
基于参数优化VMD的滚动轴承故障诊断方法研究主要涉及以下步骤：
1. 首先搭建考虑轮轨接触关系的轮对振动实验台，分别进行正常、车轮扁疤、车轴裂纹及扁疤-裂纹耦合故障状态下的轮对振动测试。

2. 利用遗传算法，以样本熵、相关系数和均方误差为适应值搜索VMD的最佳分解个数及分解中心频率。

3. 基于优化VMD分解不同状态下的轮对振动信号并提取本征模态函数（Intrinsic mode function，IMF）分量的MSEEN指标。

4. 将指标与BP神经网络结合进行轮对故障诊断，总识别率达到%。

5. 使用VMD对轴承信号进行降噪，并通过KPCA提取故障特征信息。

请注意，具体的研究方法需要根据实际的研究需求和实验条件来选择和确定，以上信息仅供参考。

基于小波包和EMD的滚动轴承故障信号分析的开题报告1.研究背景滚动轴承是工业生产中最常用的一种机械传动元件，其在机械的正常运转中起着至关重要的作用。

然而，随着滚动轴承使用时间的延长，会出现不同程度的磨损和故障，影响机械设备的正常运转，给生产带来不良影响，因此，准确、快速地检测和诊断滚动轴承的故障成为现代制造业和维护管理领域的重要研究课题。

传统滚动轴承故障检测方法通常采用振动分析技术，即将滚动轴承的振动信号采集下来，通过傅里叶变换等频域分析方法进行信号处理和特征提取，其缺点在于无法充分地利用时间域信息，难以捕捉复杂信号的瞬态特征。

因此，基于小波分析技术和经验模态分解（EMD）技术成为近年来滚动轴承故障检测的研究热点，能够更加准确、细致地分析滚动轴承振动信号中的瞬态特征和多尺度信息，提高故障检测和诊断的准确度和效率。

2.研究内容和意义本文主要基于小波包分析和EMD技术对滚动轴承故障信号进行分析，主要内容包括以下几个方面：（1）采集滚动轴承振动信号，对信号进行预处理、小波包分析和EMD分解，提取信号的时频特征和瞬态特征。

（2）探究小波包和EMD算法在滚动轴承故障信号分析中的应用，建立滚动轴承故障诊断的数学模型。

（3）设计实验验证所提出的基于小波包和EMD技术的滚动轴承故障信号分析方法的准确性和有效性。

本研究将有助于增强滚动轴承故障信号分析的准确性和实时性，提高滚动轴承故障检测和诊断的精度和效率，减少设备的停机维修时间和生产成本，具有重要的理论和实际价值。

3.研究方法本文主要采用以下两种算法对滚动轴承故障信号进行分析：（1）小波包分析算法：小波包分析是一种能够基于小波变换进行多尺度分析和处理的方法，具有时频分析、多分辨率分析和瞬态特征捕捉等优点。

在本研究中，将采用小波包变换对滚动轴承振动信号进行多尺度分析和特征提取。

（2）经验模态分解算法：经验模态分解算法是一种基于信号自适应分解的方法，能够对信号进行时域和频域混合处理，具有良好的瞬态特征捕捉能力。