基于小波改进阈值去噪和HHT的滚动轴承故障诊断

合集下载

基于小波降噪和希尔伯特黄变换的滚动轴承故障特征提取

● 车辆工程
ＶｅｈｉｃｌｅＥｎｇｉｎｅｅｒｉｎｇ
基于小波降噪和希尔伯特黄变换的
滚动轴承故障特征提取
苏涛，夏均忠，李树珉，白云川，张建生
（１．军事交通学院研究生管理大队，天津３００１６１；２．军事交通学院军用车辆系，天津３００１６１；
第ｌ６卷
第３期
军事交通
学院学报
Ｖ０１．１６Ｎｏ．３Ｍａｒｃｈ２０１４
２０１４年３月
ＪｏｕｍａｌｏｆＭｉｌｉｔａｒｙＴｒａｎｓｐｏｒｔａｔｉｏｎＵｎｉｖｅｒｓｉｔｙ
３．军事交通学院外训系，天津３００１６１）
摘要：希尔伯特黄变换（ＨＨＴ）是一种自适应时频处理方法，并运用到滚动轴承故障诊断中，但其
对噪声比较敏感。为消除噪声对诊断结果的影响，提出基于小波降噪和希尔伯特黄变换相结合的
Ａｂｓｔｒａｃｔ：Ｈｉｌｂｅｒｔ —ＨｕａｎｇＴｒａｎｓｆｏｒｍ（ＨＨＴ）ｉｓａｎａｄａｐｔｉｖｅｔｉｍｅ一￣ｅｑｕｅｎｃｙａｎａｌｙｓｉｓｍｅｔｈｏｄ；ｉｔｉｓｓｕｃｃｅｓｓｆｕｌｌｙａｐｐｌｉｅｄｉｎ
滚动轴承故障特征提取方法。首先利用小波变换去除振动信号中的随机噪声，然后对降噪后的振动信号进行希尔伯特黄变换，最终得到振动信号的希尔伯特边际谱，提取故障特征。通过仿真和滚

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

题。Ｈｕａｎｇ等人提出了一种
Ｈ０ＵＹｉ — ｍｉｎ．ＳＵＮＪｉａ — ｂｉｎｇ，ＺＨＡＮＧＹｕ
（１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔＤｉａｎｌｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉｌｉｎ１３２０１２，Ｃｈｉｎａ；
ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＲｏｌｌｉｎｇＢｅａｒｉｎｇＢａｓｅｄｏｎＷａｖｅｌｅｔＰａｃｋｅｔＤｅ－
ｎｏｉｓｉｎｇａｎｄＨｉｌｂｅｒｔＳｐｅｃｔｒｕｍＳｉｎｇｕｌａｒＶａｌｕｅＤｅｃｏｍｐｏｓｉｔｉｏｎ
要：Ｈｉｌｂｅｒｔ谱奇异值是对振动信号进行Ｈｉｌｂｅｒｔ — Ｈｕａｎｇ￣换得到Ｈｉｌｂｅｒｔ谱时频矩阵后，再利用奇异值分解的方
法提取矩阵的特征得到的，但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响。先利用小波
４１
基于小波包降噪和Ｈｉｌｂｅｒｔ谱奇异值的滚动轴承故障诊断
侯一民，孙嘉兵，张宇ｚ
（１．东北电力大学自动化工程学院．吉林吉林１３２０１２：
２．大唐珲春热电厂，吉林珲春
摘
１３３３００）
包降噪，得到振动信号的谱奇异值作为故障特征，并选用ＳＶＭ来诊断故障类型。试验结果表明，该方法能有效地应用于滚动轴承故障的识别。关键词：滚动轴承；小波包降噪；Ｈｉｌｂｅｒｔ谱；奇异值分解；支持向量机

机械故障大作业-基于小波分析的轴承故障诊断

机械故障诊断课程设计设计题目：基于小波分析的轴承故障诊断学院：机械工程系专业：机械制造设计及其自动化班级：学号：姓名：指导老师：完成日期：利用Daubechies小波对轴承的振动信号进行小波分解，采用Matlab编程快速地在计算机上实现基于小波分析的电机滚动轴承故障诊断，通过基于小波分解系数对含有故障特征频率的第一层细节信号进行小波重构并提取其Hilbert包络谱，从中检测出故障特征频率，据此判断故障类型。

关键词：滚动轴承故障诊断小波分析 Hilbert包络谱 Matlab第一章绪论 (1)第二章基于小波变换的滚动轴承故障诊断 (2)2.1 滚动轴承故障的特征频率 (2)2.2 基于小波分析的轴承故障诊断算法 (2)第三章轴承故障诊断的Matlab程序分析 (5)3.1 确定轴承各项参数并计算各部件的故障特征频率 (5)3.2 故障诊断的结果分析和结论 (5)3.2.1 第一组数据分析 (5)3.2.2 第二组数据分析 (7)3.2.3 第三组数据分析 (8)3.2.4 第四组数据分析 (9)参考文献 (12)附录 (13)第一章绪论滚动轴承在机械设备中使用非常广泛，其工作状态直接影响整个设备的运行品质,对滚动轴承进行状态监测与故障诊断，能够避免重大事故的发生，获得较大的经济和社会效益。

随着生产的需要，对轴承故障的检测方法也越来越多，其中，运用比较广发的集中方法是FFT、功率谱、倒谱、小波分析、人工神经网络、希尔伯特-黄变换、双谱。

小波变换是一种时频分析方法，进行多分辨率分析，即，将信号分解成若干层次的细节信号及概貌信号。

对轴承振动信号进行小波变换，提取其中具有故障特征的细节信号进行重构；对重构信号做Hilbert包络谱分析，从中检测出轴承的故障特征频率，据此判断故障类型。

利用Matlab软件编程快速地实现了基于小波变换分析的滚动轴承故障判断。

第二章基于小波变换的滚动轴承故障诊断2.1 滚动轴承故障的特征频率滚动轴承由外圈、内圈、滚动体和保持架组成，工作时外圈与轴承座或机壳相连接、固定或相对固定，内圈与机械传动轴相连接，随轴一起转动。

滚动轴承故障诊断的改进小波变换谱峭度法

首先计算其谱峭度值，并构造匹配滤波器。图６、图７分别为快速谱峭度图帕１和构造的匹配滤波器单边谱图。
图６中纵坐标表示每倍频程上的滤波器个数，Ｋ。。为最大谱峭度值，丘为得到最大值时的滤波器中心频率。将如图７所示构造的匹配滤波器应用到实际信号中，其检测效果如图８所示，与仿真信号的试验效果一致，精确地检测出了内圈故障特征频率７１．１Ｈｚ。
Ｏ
１００２ＵＵ３００４００５００６００７００８ＵＵ９００ｌｏ【”
频率／ＩＩｚ（ｃ）平方包络谱图
图５使用匹配滤波器滤波后的小波变换谱峭度法结果
３改进小波变换谱峭度法在实测信号中的应用
实际信号采自安装在一个变速箱中存在内圈点蚀故障的滚动轴承，变速箱轴的转速ｆｒ＝１０Ｈｚ，钢球个数Ｚ＝１２，钢球直径Ｄ。＝７．１２ｍｉｌｌ，球组节圆直径Ｄ。＝３８．５ｍｍ，接触角咖＝０，采样频率为４．８ｋＨｚ。根据平稳工况条件下轴承内圈故障特征频率计算公式可知其内圈故障频率为７１．１Ｈｚ。下面用改进方法来检测此故障。
图１和图２显示对混入能量为３２ｄＢ的高斯
万方数据
·４８·
《轴承）２０１０．№．８
白噪声的仿真信号应用小波变换谱峭度法和改进小波变换谱峭度法后得到的平方包络谱图，可以看到，当噪声干扰不是很大的时候两者的检测效果基本一致，都能精确检测出２００Ｈｚ的故障频率。
专
避馨
时间／ｓ（ａ）原始信号
蚤
ＩｍｐｒｏｖｅｄＳｐｅｃｔｒａｌＫｕｒｔｏｓｉｓＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍａｔｉｏｎ
ｆｏｒＲｏｌｌｉｎｇＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓ
ＳＨＥＮＪｉｎ—ｗｅｉ．ＳＨＩ“ｎ—ＳＵＯ（ＤｅｐａｒｔｍｅｎｔＮｏ．５，ｔｈｅＳｅｃｏｎｄＡｒｔｉｌｌｅｒｙＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｘｉ’ａｎ７１００２５，Ｃｈｉｎａ）

基于小波变换及HHT的轴承故障诊断应用研究

突出，证了小波变换和ＨＴ相结合的分析方法的有效性。验Ｈ
滚动轴承故障信号一般是非平稳、非线性的，而且受到随机噪声的干扰，使得信号的信噪比很低，以检测” 。难
美国国家宇航局的Ｎ．．Ｈａｇ出ＨＨ］该方法Ｅｕｎ提Ｔｔ，２
ｄａｏｉ．ｉｇｓｓｎ
ＫＥＹＷＯＲＤＳ：Ｂａｎ；ｉｎｌｄｅｒｇＳｇａｅ—ｎｉｉｇ；ｌｅｔｕｎｒｎｆｒ；ａｌｄａｎｓｓｉｏｓｎＨｉｒ —ｈａｇｔａｓｍＦｕｔｉｇｏｉｂｏ
与ＥＭＤ分解，原始故障特征信息与噪声混淆而不易提取，使
第７第ｌ期２卷Ｏ
文章编号：０６—９４（００１０９０１０３８２１）０— ２４— ３
计
算
机
仿
ห้องสมุดไป่ตู้
真
２０Ｏ０年１月１
基于小波变换及ＨＨＴ的轴承故障诊断应用研究
崔玉敏，和卫星，高彩虹
（江苏大学电气信息上程学院，江苏镇江２２１）１０３
２ＨＨＴ变化基本原理
２１Ｅ．ＭＤ方法基本原理
是适合于分析非线性和非平稳过程的信号新数据处理方法。
ＨＴ应用的经验模态分解法（ｍｉｃｌｏｅＤｃｍｏｉｏ，ＨＥｐｒａＭｄｅｏｐｓｉｉｔｎ
摘要：为研究滚动轴承故障问题，小波变换及ＨＴ（ｉｅｔＨｕｎ变换）将ＨＨｌｒｂ－ａｇ相结合的分析方法，用于强噪声背景下轴承信应

基于小波去噪和EEMD_HHT边际谱的滚动轴承故障诊断

基于小波去噪和EEMD_HHT边际谱的滚动轴承故障诊断胡谧【摘要】本文将小波及聚合经验模态分解(ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换(HHT)边际谱的故障分析方法相结合,应用于强噪声背景下轴承信号故障特征提取.首先将轴承信号利用小波变换进行降噪处理,然后采用EEMD方法将轴承振动信号分解成若干个固有模态函数(IMFs);然后对各IMF进行Hilbert变换,求出轴承振动信号的HHT边际谱,最后根据边际谱能够区分不同工况下的正常和故障轴承,正确率为100％,并且通过谱图及局部细化图能够分析其频率特征.结果表明,这种方法能够有效提取轴承故障特征信息,提高轴承故障诊断率.【期刊名称】《科技视界》【年(卷),期】2018(000)026【总页数】5页(P8-12)【关键词】小波;EEMD_HHT;边际谱;局部细化;滚动轴承【作者】胡谧【作者单位】三峡大学科技学院,湖北宜昌443002【正文语种】中文【中图分类】TN911.40 引言滚动轴承是机械系统中最广泛的通用部件,一旦发生故障对机械系统的正常运行产生重大影响。

在工程中测取的滚动轴承故障信号一般是非平稳、非线性的,而且受到随机噪声的干扰,使得信号的信噪比很低,难以检测[1]。

1998年，N．E．Huang 等人提出了基于瞬时频率的信号处理方法———经验模态分解方法(EMD)，并在此基础上发明了 Hilbert-Huang变换(HHT)。

HHT方法既汲取了小波变换的分析优势，又避免了小波变换中需要选取小波基的问题，具有良好的局部适应性。

基于EMD的HHT方法在应用中的问题是易于产生模态混叠问题，针对EMD-HHT方法存在模态混叠问题，提出了一种基于聚合经验模态分解(EEMD)和HHT边际谱相结合的信号时频分析方法[2]。

由于噪声的干扰,HHT的核心经验模态分解法具有自适应性,信号中的噪声也参与EMD分解,使原始故障特征信息与噪声混淆而不易提取,从而影响对故障的准确诊断[3]。

基于小波分析的滚动轴承故障诊断

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。

基于小波变换的滚动轴承内圈故障诊断

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。

基于改进小波去噪的EEMD—HHT信号处理方法

基于改进小波去噪的EEMD—HHT信号处理方法【摘要】传统小波去噪虽然可在一定程度上去除噪声对原始信号的干扰，但去噪效果并不理想。

针对传统小波去噪中存在的问题，提出一种改进的小波去噪方法，并将改进小波去噪与EEMD-HHT有机结合，进而提出一种基于改进小波去噪的EEMD—HHT信号处理新方法。

基于MATLAB软件，分别利用EEMD-HHT方法、基于传统小波去噪的EEMD-HHT信号处理方法和基于改进小波去噪的EEMD-HHT信号处理方法对外圈故障滚动轴承进行故障诊断试验，试验结果与理论计算结果对比分析表明，基于改进小波去噪的EEMD-HHT信号处理方法最为有效。

【关键词】改进小波去噪;EEMD-HHT;改进小波去噪与EEMD-HHT有机结合;滚动轴承故障诊断1.引言Huang N E等人于2007年提出基于聚合经验模态分解EEMD的HHT信号处理方法[1]（简称EEMD-HHT），该方法已在轴承故障诊断、电能质量扰动检测、语音信号处理和地震信号分析等不同领域取得了显著成效。

但在实际信号测试过程中，外界噪声会对原始信号产生干扰，这必将影响所测信号的真实度，单独使EEMD-HHT对信号进行处理，就无法有效解决这一问题。

小波变换具有去噪特性，董文智等人提出了一种基于传统小波去噪的EEMD-HHT信号处理方法[2]，该方法虽然取得了一定的改进效果，但由于采用的是基于软阈值函数或硬阈值函数的小波去噪方法（简称软阈值或硬阈值去噪），其去噪效果并不理想[3，4]。

为了更好地去除外界噪声对原始信号的干扰，张弛等人提出一种改进的小波去噪方法，此方法在一定程度上解决了上述小波去噪方法的缺点[5]。

将此改进的小波去噪与EEMD-HHT有机结合，提出一种基于改进小波去噪的EEMD-HHT 信号处理新方法。

分别利用EEMD-HHT方法、基于传统小波去的EEMD-HHT 信号处理方法和基于改进小波去噪EEMD-HHT信号处理方法对外圈故障滚动轴承进行故障诊断试验，试验结果与理论计算结果对比分析表明，基于改进小波去噪EEMD-HHT信号处理方法最为有效。

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

ｗｈｉｃｈｃｏｎｔａｉｎｓｒｏｔｎｇｎｏｉｓｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｗａｖｅｌｅｔｔｈｒｅ பைடு நூலகம் ｈｏｌｄｄｅ — ｎｏｉｓｉｎｇ
ｐｒｏｖｅｄｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄｆｕｎｃｉｏｔｎａｎｄｈｅｔｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｒｉｎｇ’ Ｓｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓ，ａｐａｒ —
ｔｉｌｉｚｅｄｔｏｒｅｍｏｖｅｔｈｅｎｏｉｓｅｉｎｖｉｂｒａｔｉｏｎｓｉｇｎａ１．Ｓｅｃｏｎｄｌｙ．ａｎｕｍｂｅｒｏｆｐｒｏｄｕｃｉｆｏｎｆｕｎｃｔｉｏｎｓ（ＰＦｓ）ｗｅｒｅ０ｂ —
文章编号：１００１ — ２２６５（２０１６）１０— ００６２— ０５
ＤＯＩ：１０．１３４６２／ｊ．ｃｎｋｉ．ｍｍｔａｍｔ．２０１６．１０．０１７
基于小波改进阈值去噪与ＬＭＤ的滚动轴承故障诊断研究术
Ａｂｓｔｒａｃｔ：Ｉｎ０ｒｄｅｒｔｏｅｘｔｒａｃｔｆａｕｌｔｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｒｉｎｇｓ ’ｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓ

基于小波包和优化支持向量机的滚动轴承故障诊断研究

基于小波包和优化支持向量机的滚动轴承故障诊断研究基于小波包和优化支持向量机的滚动轴承故障诊断研究随着工业化和机械化程度的不断提高，滚动轴承作为机械设备中的重要部件，其工作状况直接影响着机械设备的性能和可靠性。

滚动轴承的故障诊断是现代工业中的一项重要研究内容。

为了提高滚动轴承的运行效率和延长其使用寿命，研究人员对滚动轴承的故障诊断在近年来进行了广泛的研究与应用。

传统的滚动轴承故障诊断方法多基于特征提取与模式识别的技术，如傅里叶变换、小波变换等。

然而，由于滚动轴承在实际工作中会受到各种不确定因素的影响，传统方法在处理多特征输出和多故障模式的问题上存在一定的局限性。

为此，本文采用基于小波包和优化支持向量机的方法，对滚动轴承的故障进行诊断研究，以提高故障诊断的准确性和可靠性。

首先，本文介绍了滚动轴承的工作原理和常见故障形式，包括滚珠损伤、内外圈损伤和保持架故障等。

通过实验采集滚动轴承的振动信号，并将其进行小波包分解。

小波包分解能够将信号的低频、高频和尖峰部分分解出来，方便后续的特征提取和分析。

接下来，本文提出了一种基于小波包和优化支持向量机的滚动轴承故障诊断方法。

首先，利用小波包分解得到的低频信号，采用经验模态分解方法对其进行特征提取，得到时频特征。

然后，将得到的时频特征和高频信号进行特征提取，得到频域特征。

最后，将时频特征和频域特征结合起来，构建特征向量。

在特征提取之后，本文采用优化支持向量机进行滚动轴承故障的诊断。

支持向量机是一种常用的分类方法，通过构建一个最优超平面来实现样本分类。

本文通过优化支持向量机的参数，得到滚动轴承故障的最优分类模型，并进行故障分类。

最后，本文采用实验数据对所提出的滚动轴承故障诊断方法进行验证。

实验结果表明，该方法在滚动轴承故障诊断方面具有较高的准确性和可靠性，可以有效地实现滚动轴承故障的诊断和预测。

综上所述，本文提出了一种基于小波包和优化支持向量机的滚动轴承故障诊断方法。

基于小波消噪的轴承故障分析

基于小波消噪的轴承故障分析摘要：目前对轴承进行故障诊断是机械设备状态监视和诊断的重要内容，该文利用MATLAB软件对轴承振动信号小波分层阈值消噪后进行频谱分析，成功检测到了轴承存在的故障。

关键词：故障诊断轴承消噪在当前情况下，轴承的故障诊断主要是利用对测得的轴承的振动信号的分析。

基于振动信号的状态检测主要是通过振动传感器来测得故障振动信号，传感器可以安装于齿轮箱体的合适的位置或者安放于轴承支座上，然后通过后续的分析处理来对轴承进行故障监测和诊断。

在实际情况中，测得振动信号中的背景噪声会比较大，在对轴承故障诊断中，需要选择合适的消噪技术来消除噪声以提高振动信号的信噪比，从而来对消噪之后的信号进行分析以达到齿轮和轴承故障诊断的目的。

1 信号采集与消噪本论文中主要是采用分层阈值小波消噪方法对振动信号进行消噪处理。

利用Matlab软件对采集到的振动信号进行小波消噪，过程为通过设置阈值来对振动信号分解之后的小波系数进行阈值处理和重构，由此得到消噪之后的信号，实验表明取得了较好的消噪结果，为轴承的故障频域分析提供了基础。

在Matlab软件中，小波消噪中主要有软阈值函数和硬阈值函数，通过对比两种阈值函数对模拟信号的消噪效果来选取。

对于阈值的选取，既可以选择默认阈值也可以自己设定阈值。

在小波的阈值消噪中，阈值函数选取体现了对超过和低于阈值的信号分解之后的小波系数模的不同处理及估计方法。

常用的小波阈值函数有软阈值和硬阈值函数。

通过比较，发现软阈值函数小波消噪相对于硬阈值处理后的Heavysine仿真信号相对平滑，而且硬阈值函数处理后的信号出现振铃现象，从信号的信噪比和均方根误差值来看，软阈值函数对于仿真信号的消噪在总体趋势上还是比较准确的，相对于硬阈值函数消噪来说更接近原始信号，因此在之后对实验中采集到的振动信号将采取如软阈值函数进行消噪处理。

在上面的阈值函数选取的仿真信号消噪中，阈值使用的为默认的阈值，其中为噪声，为信号长度。

基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

ａｅｄｃｍｐｓｄａｉｅｅｔｌｖｌｂｈｖｌｔｐｃｅｅｅｅｇｆｖｒｏｅｕｎｙｂｎｓａｅｅｔａｔｄｒｅｏｏｅｔｄｆｒｎｅｅｓｙｔｅｗａｅｅａｋｔＴｈｎｒｙｏａｉｕｓｆｑｅｃａｄｒｘｒｃｅ．ｒ
ｒｔｕｃｕｒｄｎｔａｔｆｅｕｅｙ．ｅｓｒｔｅｉｈｅｆｕｌｒｑｎｃＴｈｅｅｎｖｅｏｐｅｔｕｅｏｔｕｃｅｉａｓａｅｉｕｔａｅ．ｏｎｔａｔｎｇｌｐｅｓｃｒｍｏｆｒｃｎｓｒｔｄｓｇｎｌｒｌｓｒｔｄＢｙｃｌｒｓｉ
２１ｏｏ年６月’ 簟６期
电子漏试
ＥＬＥＣＴＲＯＮＩ７ＥｌＣｓ７－
ｄｎ，ｕ．口Ｎｏ艿．
基于小波包和Ｈｉｅｔ分析的滚动轴承故障诊断方法ｌｒｂ包络
张盈盈，潘宏侠，郑茂远
（中北大学，太原，００５）３０１
Ａｃｏｒｉｏｔｅｃｄｎｇｔｈｅｆｑｕｅｃａｎｅｇ ’ ｃｎｇｅｓｔｔｏｒｎｙｂｎｄｅｒＳｈａｙｉｕａｉｎ，ｔａｌｅｅｙｂａｄｉｉｃｅｅ．ｈｅｆｕｔｆｑｕｎｃｎｓｄｓｏｖｒｄＴｈｅｓｇａｓａｅｒ析，证明了该方法在滚动轴承故障诊断中的有效性。
关键词：滚动轴承；小波包分析；Ｈｆｅ变换；故障诊断ｌｒｂｔ
中图分类号；Ｔ６Ｎ７３文献标识码：Ｂ
Ｒｏｌｎｇｂｅｒｎｇｓｆｕｔｄｉｇｌｉａｉａｌａｎｏｓｓｂａｅａｌｔｉｓｄｏｎｗｖｅｅ

基于小波变换的滚动轴承内圈故障诊断

基于小波变换的滚动轴承内圈故障诊断
滚动轴承是机械设备中常见的零部件之一，其内圈是承受轴向负载的主要部位。

然而，由于长期使用和不良工作环境等原因，轴承内圈可能会出现故障，如裂纹、疲劳、磨损等。

这些故障如果不及时发现和处理，会导致设备的故障甚至事故，影响生产效率和安全性。

因此，轴承内圈故障的诊断显得尤为重要。

传统的诊断方法主要依靠人工观察和听觉判断，但这种方法存在主观性和不可靠性的问题。

近年来，基于小波变换的故障诊断方法逐渐成为研究热点，其优点在于能够提取信号的时频特征，从而更准确地诊断故障。

基于小波变换的滚动轴承内圈故障诊断方法主要包括以下步骤：
1.采集轴承振动信号。

通过加速度传感器等设备采集轴承振动信号，得到时域信号。

2.小波分解。

将时域信号进行小波分解，得到不同频率的小波系数。

3.特征提取。

根据小波系数，提取信号的时频特征，如能量、方差、峭度等。

4.故障诊断。

将提取的特征输入到分类器中，进行故障诊断，判断轴承内圈是否存在故障。

基于小波变换的滚动轴承内圈故障诊断方法具有以下优点：
1.能够提取信号的时频特征，更准确地诊断故障。

2.不受信号干扰和噪声的影响，提高了诊断的可靠性。

3.能够实现在线监测，及时发现故障，避免设备事故的发生。

基于小波变换的滚动轴承内圈故障诊断方法是一种有效的诊断方法，可以提高设备的可靠性和安全性，对于工业生产具有重要的意义。

基于小波包和HHT的轴承故障诊断研究

直是机械故障诊断技术中的重要内容。由于轴承信号一
２ｈ；ｌｂｅｒｔ－Ｈｕａｎｇ变换
Ｈｉｌｂｅａ— Ｈｕａｎｇ变换是ＨＵＡＮＧＮＥ提出的一种信号处理方法，是由ＥＭＤ和Ｈｉｌｂｅｒｔ分析组成 …。
２．１ＥＭＤ
般表现为非平稳、非线性，且易受随机噪声干扰，难以有效提取故障特征。Ｈｉｌｂｅｒｔ — Ｈｕａｎｇ变换【１是一种新的信号
分析方法，被认为是近年来对以傅里叶变换为基础的线性和稳态谱分析的重大突破，具有很高的应用价值。
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ＨＨＴ，ａｍｅｔｈｏｄｏｆｐｒｏｃｅｓｓｉｎｇｎｏｎ－ｓｔａｔｉｏｎａｒｙｓｉｇｎｌｓａ，ｉｓｕｔｉｌｉｚｅｄｔｏｅｘｔｒａｃｔｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎ．Ｓｉｇｎａｌｔａｋｅｗａｖｅｌｅｔｐａｃｋｅｔｆｉｒｓｔｌｙ，ａｎｄＨＨＴｅｘｔｒａｃｔｓｆａｕｌｔｆｅａｔｕｒｅ．Ｔｈｒｏｕｇｈｓｉｍｕｌａｔｉｏｎｏｆｅｘｐｅｉｍｅｒｎｔａｎｄｔｈｅｅｘｐｅｉｒｍｅｎｔｏｆｂｅａｉｎｒｇ，ｔｈｅ

《基于HHT变换的滚动轴承故障诊断的研究》范文

《基于HHT变换的滚动轴承故障诊断的研究》篇一一、引言随着现代工业的快速发展，机械设备在生产过程中的作用越来越重要。

作为机械设备中常见的关键部件，滚动轴承的故障诊断对于保障设备的正常运行和维护具有重要意义。

传统的滚动轴承故障诊断方法主要依赖于信号处理技术，如频谱分析、小波变换等。

然而，这些方法在处理复杂信号时往往存在局限性。

近年来，HHT（Hilbert-Huang Transform）变换作为一种新兴的信号处理方法，在滚动轴承故障诊断中表现出较好的应用前景。

本文旨在研究基于HHT变换的滚动轴承故障诊断方法，以提高诊断的准确性和效率。

二、HHT变换基本原理HHT变换是一种基于局部特征的信号处理方法，其核心思想是将原始信号分解为具有物理意义的本征模态函数（Intrinsic Mode Functions，IMFs）。

HHT变换包括两个主要步骤：经验模态分解（Empirical Mode Decomposition，EMD）和Hilbert谱分析。

EMD用于将原始信号分解为一系列IMFs，每个IMF代表信号中不同频率成分的局部特征；Hilbert谱分析则用于计算每个IMF的瞬时频率和振幅，从而得到信号的时频分布。

三、基于HHT变换的滚动轴承故障诊断方法本文提出一种基于HHT变换的滚动轴承故障诊断方法。

首先，通过EMD将滚动轴承振动信号分解为多个IMFs；然后，对每个IMF进行Hilbert谱分析，得到其瞬时频率和振幅信息；最后，根据这些信息判断轴承是否发生故障以及故障的类型和严重程度。

具体步骤如下：1. 采集滚动轴承的振动信号，将其作为HHT变换的输入。

2. 利用EMD将振动信号分解为多个IMFs。

每个IMF应满足一定的条件，如极值点数与过零点数之差应小于等于1等。

3. 对每个IMF进行Hilbert变换，得到其解析信号。

通过解析信号可以计算出每个IMF的瞬时频率和振幅。

4. 根据瞬时频率和振幅信息，分析轴承的故障特征。

基于改进小波阈值降噪的滚动轴承故障诊断方法

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。