基于小波包频带能量特征的包络分析在滚动轴承故障诊断中的应用

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。

基于小波分析的滚动轴承故障诊断【摘要】机械设备中较常见的、较常使用的就是滚动轴承，滚动轴承的工作状态可以直接对正太机器的运作起到功能性的影响作用。

在本篇论文中分析了滚动轴承的故障以及诊断的方式方法，作为极易损坏的，应用最广泛的机械零件应该给与深入的故障诊断分析。

小波分析作为崭露头角的诊断技术在今后的发展中需要进一步的研究与实践，才能够开阔更广泛的应用市场。

【关键词】小波分析；滚动轴承；故障分析诊断前言滚动轴承的不正常工作可以引发旋转机械的很多故障，所以轴承这部分零件的损耗大小对于整台机器是否能够正常工作起到决定性的作用，一旦滚动轴承产生损耗就会引起机器震动，继而导致大量的噪声，甚至会导致机械设备瘫痪。

所以滚动轴承的故障诊断分析，在实际的操作中是存在较大的可行性的，也是施工作业中很重要的工作部分。

可以通过小波分析的方法对滚动轴承产生的信号进行分析由此得出滚动轴承的故障判断。

1 小波分析故障诊断技术的研究现状与发展机械设备在出现问题的时候最明显的故障特征就是振动和冲击。

因此目前我们对机械设备存在问题故障的判断方式以振动为基础理论的。

在正常的工作中也正是振动和冲击时常反映在故障机器中。

我国现有的故障诊断方式中常见是引用Hilbert变换的包络分析法来实现解调。

在操作中专家实现包络信号提取的方式是利用垂直数字考虑技术，以这样的技术来合并将窄带部分的滤波和包络检测过程，与过去的希尔伯特方式相对比的话是存在一定的时效性的，其特征是检测波长不再受到限制、提高了重现采样实施过程中的精准度，为故障分析带来了更多的方便。

总得来说是以能量算子来检测滚动轴承的故障特征，从而确定诊断目的。

小波分析应用在振动信号处理技术是最近几年才普及的，在实际应用中小波分析能够同时提供的是振动信号的时域、频域的局部化变换信息。

其技术特征是具有多尺度性、数字微显示性，这两个特征可以使振动信号中的突变信号尤为明显的被识别出。

专家利用小波分析的技术特征融合近邻法成功的提出了对列车滚动轴承的故障诊断。

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。

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”。

２００７年１０月农业机械学报第３８卷第１０期基于小波包能量法的滚动轴承故障诊断张军陆森林和卫星王以顺李天博【摘要】阐述了故障轴承振动与信号的关系，小波包的原理以及ＢＰ神经网络的工作原理和实现过程，并以滚动轴承故障诊断为例，提取了小波包节点能量作为振动信号特征参数，并训练ＢＰ神经网络，对故障模式进行识别。

结果表明，如果神经网络设计合理，训练适当，则具有很强的故障识别能力。

说明利用小波包能量法和ＢＰ神经网络进行滚动轴承振动诊断是可行、有效的。

关键词：滚动轴承振动故障诊断小波包ＢＰ神经网络中图分类号：ＴＰ２０６＋３文献标识码：Ａ┇ ┉ ┃ ﹥ ┃┄┈ ┈┄ ┄━━ ┃ ﹣ ┇ ┃ ┈﹣ ┈ ┄┃〇 ┋ ━ ┉ ─ ┉﹦┃ ┇ ┎﹨ ┉┊┇ＺｈａｎｇＪｕｎ１ＬｕＳｅｎｌｉｎ１ＨｅＷｅｉｘｉｎｇ１ＷａｎｇＹｉｓｈｕｎ２ＬｉＴｉａｎｂｏ１（１．爥牏牃牕牋牞牣爺牕牏牤牉牜牞牏牠牪２．爠牕牋牏牕牉牉牜牏牕牋爟牉牞牏牋牕爲牉牞牉牃牜牅牎爤牕牞牠牏牠牣牠牉牗牊爠爞爮爜，爳爤爫爭爮爠爞）﹢ ┈┉┇ ┉ＴｈｅｓｔｅｐｓｏｆｍｅｔｈｏｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｆａｕｌｔｄｉａｇｎｏｓｉｓｗｅｒｅｓｕｍｍａｒｉｚｅｄｂａｓｅｄｏｎｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｆｅａｔｕｒｅａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ａｎｄｔｈｅｐｒｉｎｃｉｐｌｅｏｆｗａｖｅｌｅｔｐａｃｋｅｔａｎｄｔｈｅｃｏｎｎｅｃｔｉｏｎｂｅｔｗｅｅｎｖｉｂｒａｔｉｏｎｏｆｆａｕｌｔｒｏｌｌｉｎｇｂｅａｒｉｎｇｓａｎｄｓｉｇｎａｌｗｅｒｅｉｌｌｕｍｉｎａｔｅｄ．Ｏｎｔｈｉｓｂａｓｉｓ，ｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｆｅａｔｕｒｅｗａｓｅｘｔｒａｃｔｅｄｔｏｃｏｎｓｔｒｕｃｔｃｈａｒａｃｔｅｒｉｓｔｉｃｖｅｃｔｏｒ，ａｎｄａｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｆａｕｌｔｄｉａｇｎｏｓｉｓｅｘｐｅｒｉｍｅｎｔｗａｓｄｅｓｉｇｎｅｄｔｏｖｅｒｉｆｙｔｈｉｓｍｅｔｈｏｄ．ＴｈｅｃｏｎｃｌｕｓｉｏｎｉｎｄｉｃａｔｅｄｔｈａｔＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｈａｓｐｏｓｓｅｓｓｅｄｇｏｏｄｃａｐａｂｉｌｉｔｙｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎｗｉｔｈｒｅａｓｏｎａｂｌｅｄｅｓｉｇｎａｎｄｐｒｏｐｅｒｔｒａｉｎｉｎｇ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｔｉｓｆｅａｓｉｂｌｅｔｏｉｍｐｌｅｍｅｎｔｆａｕｌｔｖｉｂｒａｔｉｎｇｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｗｉｔｈｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｆｅａｔｕｒｅａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ． ┎┌┄┇ ┈Ｒｏｌｌｉｎｇｂｅａｒｉｎｇ，Ｖｉｂｒａｔｉｏｎ，Ｆａｕｌｔｄｉａｇｎｏｓｉｓ，Ｗａｖｅｌｅｔｐａｃｋｅｔ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ收稿日期：２００６０６０５张军江苏大学汽车与交通工程学院硕士生，２１２０１３镇江市陆森林江苏大学汽车与交通工程学院教授和卫星江苏大学电气信息工程学院副教授王以顺中国石化华东石油局工程技术设计研究院高级工程师，２１００３１南京市李天博江苏大学电气信息工程学院副教授引言由于滚动轴承工作环境的特殊性，在故障早期难以被发现。

基于小波分析的滚动轴承故障诊断方法研究的开题报告一、研究背景与意义随着工业发展和机械设备不断升级，滚动轴承已经成为众多机械设备中不可或缺的部件之一。

然而，滚动轴承在长时间的运转过程中，由于摩擦和磨损等因素，很容易出现故障，导致机械设备出现异常噪音、振动等现象，最终会影响机械设备的安全性、可靠性和使用寿命。

因此，及时准确地诊断滚动轴承的故障原因，对于保障机械设备的正常运行具有非常重要的意义。

传统的滚动轴承故障诊断方法主要是通过听觉、视觉等手段进行直接观察，然而这种方法存在着主观性较强、可靠性差等缺点。

随着小波分析在信号处理中得到广泛的应用，通过对滚动轴承故障信号进行小波变换，可以得到更加精细的频率和时频特征，从而提高故障诊断的准确性和可靠性。

因此，本研究将基于小波分析，研究滚动轴承故障诊断方法，通过对滚动轴承故障信号的小波变换，提取出故障特征，实现对滚动轴承故障的准确诊断，为机械设备的正常运行提供可靠的保障。

二、研究内容和方法1.研究内容(1)研究滚动轴承故障信号的特征提取方法(2)研究小波变换在滚动轴承故障诊断中的应用(3)研究基于小波分析的滚动轴承故障诊断算法2.研究方法(1)对滚动轴承故障信号进行小波分析，提取出信号的频率和时频特征(2)建立基于小波分析的故障诊断模型，并通过实验验证模型的有效性(3)开发基于小波分析的滚动轴承故障诊断软件，并对软件进行测试和评估三、研究目标和预期成果1.研究目标(1)深入了解滚动轴承的工作原理和故障特征(2)综合运用小波分析、信号处理等技术，研究基于小波分析的滚动轴承故障诊断方法(3)建立基于小波分析的故障诊断模型，并对模型进行实验验证(4)开发基于小波分析的滚动轴承故障诊断软件2.预期成果(1)提出一种基于小波分析的滚动轴承故障诊断方法，可以更加精准地诊断滚动轴承的故障原因(2)建立基于小波分析的故障诊断模型，提高故障诊断的准确性和可靠性(3)开发基于小波分析的滚动轴承故障诊断软件，为机械设备的正常运行提供可靠的保障四、可行性分析1.理论可行性小波分析是一种成熟的信号处理方法，具有很好的时频分辨率特性，可以有效地提取滚动轴承故障信号的特征，因此理论上基于小波分析的滚动轴承故障诊断方法是可行的。