基于小波包分析的滚动轴承故障诊断

合集下载

基于小波包和支持向量机的滚动轴承故障诊断方法研究

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。

基于小波包变换与样本熵的滚动轴承故障诊断

一
解；后，算各频段的样本熵的值，用各频段样然计利
本熵的值作为特征向量，过分析多个频段样本熵通
值的变化来判断轴承工作状况，高轴承振动信号提分析的准确性；后，用支持向量机作为分类器进最使行训练与识别。过内圈故障、通滚动体故障和外圈故障及不同损伤程度的实测信号，验表明了该方法实
摘要
针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展，出一种基于小波包变换与提
样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度，轴承振动信号进行３小波包分解，将层利用分解得到的各个频带的样本熵值作为特征向量，用支持向量机对轴承故障进行分类。轴承内圈故障、动体故利对滚障和外圈故障３种故障及不同损伤程度的实测数据进行实验，果表明该方法取得较高的识别率，有一定的工程结具
的有效性。
直是研究的热点问题［］２。当轴承存在故障时，表
现出非线性、平稳特征。对于非平稳信号，统的非传
时域和频域方法仅在时域或频域内进行，在一定存
的局限性。时频分析方法是在时、域内对信号进行频分析处理，能更好地反映信号的本质特征。小波变换是一种信号的时间尺度分析方法，有多分辨率的具特点，在时、域都具有表征信号局部特征的能且频

基于小波分析的轴承故障诊断研究

关键词：滚动轴承；振动采集；特征频率；减速器中图分类号：ＴＨ１３３．３３文献标识码：Ａ文章编号：１００５ — ２７９８（２０１３）０７ｏｎＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓｂａｓｅｄｏｎＷａｖｅｌｅｔ
及小波变换对非平稳信号分析的有效特性，在研究小波变换理论的基础上，提出了一种基于小波分析的轴承故障诊断方法。将振动信号进行小波分解与重构，然后对细节信号进行Ｈｉｌｂｅｔ包络检波和频谱分析，ｒ即
可获取信号的特征频率。通过对球状点蚀故障诊断的实验仿真，验证了该方法有效可靠。
Ａｂｓｔｒａｃｔ：Ｔｈｅｄｉａｇｎｏｓｉｓｏｆｂｅａｒｉｎｇｆａｕｌｔｉｓａｎｉｍｐｏｒｔａｎｔａｓｐｅｃｔｉｎｔｈｅｄｉａｇｎｏｓｉｓｏｆｌａｒｇｅ—ｓｃａｌｅｍｉｎｉｎｇｍａｃｈｉｎｅｒｙｅｑｕｉｐｍｅｎｔ．Ｏｎｔｈｅｂａｓｉｓｏｆｔｈｅｔｈｅｏｒｙｏｆｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｗｈｉｃｈｉｓｖｅｒｙｅｆｆｅｃｔｉｖｅｆｏｒｔｈｅａｎａｌｙｓｉｓｏｆｎｏｎ—ｓｔａｔｉｏｎａｙｒｓｉｇｎａｌｓｉｎｔｈｅｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎ，ａｆａｕｌｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙｈａｖｅｂｅｅｎｐｒｏｐｏｓｅｄ．Ｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｉｓｄｅｃｏｍｐｏｓｅｄａｎｄｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｕｓｉｎｇｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ．ＴｈｅｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｆｒｅｑｕｅｎｃｙｏｆｔｈｅｓｉｇｎａｌｃａｎｂｅｇｏｔｂｙｕｓｉｎｇＨｉｌｂｅｒｅｎｖｅｌｏｐｅｄｅｔｅｃｔｉｏｎｐｒｏｃｅｓｓｉｎｇａｎｄｓｐｅｃｔｕｍｒａｎａｌｙｓｉｓ．Ｔｈｒｏｕｇｈｔｈｅｅｘ — ｐｅｒｉｍｅｎｔａｌｓｉｍｕｌａｔｉｏｎｏｆｓｐｈｅｉｒｃａｌｐｉｔｔｉｎｇｆａｉｌｕｒｅｖｅｉｒｆｙｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅａｎｄｒｅｌｉａｂｌｅ．Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｉｎｇｂｅａｉｒｎｇ；ｖｉｂｒａｔｉｏｎａｃｑｕｉｓｉｔｉｏｎ；ｃｈａｒａｃｔｅｉｒｓｔｉｃｆｒｅｑｕｅｎｃｙ；ｒｅｄｕｃｅｒ

基于小波包分析的滚动轴承的故障诊断方法研究

基于小波包分析的滚动轴承的故障诊断方法研究姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙【摘要】We used the analysis methods which are based on non-stationary signal analysis methods to study the model and algorithm of the roller bearing fault diagnosis. In the full analysis of failure mechanisms and characteristics of the premise, we focused on the wavelet packet analysis of the vibration signal of rolling bearing fault to extract the effective fault characteristics which could reflect the failure modes. We established the BP neural network classifier based on the fault eigenvectors which we have obtained to achieve recognition and diagnosis of the typical failures of rolling bearings.%用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法.在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征.并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断.【期刊名称】《浙江农业学报》【年(卷),期】2012(024)002【总页数】4页(P310-313)【关键词】小波包分析;故障诊断;BP神经网络;MATLAB【作者】姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙【作者单位】沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161【正文语种】中文【中图分类】U226.8+1滚动轴承是生活、生产中应用相当广泛的机械零件之一，其工作状态是否正常对于整个机械设备的运行状态有着重大的影响［1］。

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

基于小波包和概率神经网络的滚动轴承故障诊断

６０
四川兵工学报
注：为故障状态，为正常状态。ｇＰＮ物理上分为输入层、Ｎ模式层、求和层和输出层，参见图５。输入层将特征向量传递给网络。模式层计算输入特征随着样本数量的增加，模式层神经元也将增加。随着故障先验知识的积累，ＮＰＮ网络可以不断横向扩展，故障诊断能力将不断提高。
・
ｌ
．
丘
一一
业．
… 一
１１．．
…
１过程简单，敛速度快，）收网络总收敛于贝叶斯优化解，稳定性高；２网络训练不需太多样本，式分类能力强；）模
：
－
…
４
５
．
０
中图分类号：Ｈ１３３Ｔ３．３文献标识码：Ａ文章编号：０６— ７７２１）５—０５０１０００（０１００８— ４
滚动轴承是机械设备中最常用的部件，具有效率高、摩擦阻力小等优点，它的运行状态是否正常往往直接影响整台机器的性能（包括精度、可靠性及寿命等），因此，对机械设备的滚动轴承进行状态监测和故障诊断非常重要。
若ｈｆ（＜ｈＺ（）则Ｘ∈０＾Ｘ）ｓ，
采样点数
式中：、为故障模式、的先验概率，ｈ一般取ｈ＝Ｎ／ＡＮ，＝Ｎ／ＮＮ。ｈＮ；Ａ为故障模式０、的训练样本数；０ Ⅳ为训练样本的总数；为将本属于模式的故障特征样本错误地划分到模式０的代价因子；１为将本属于模式０的故障特征样本Ｘ错误地划分到模式的代价因子；为故障模式Ｏ、的概率密度函数。ａ０１６９２年Ｐｒｅ出从已知随机样本中估计概率密度函ａｎ提ｚ数的方法，估计式为

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。

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。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

行识别．
１小波包理论
在多分辨分析（Ａ），尺）ＭＲ中Ｌ（＝，明多分辨分析是按照不同的尺度因子把Ｈｉｅｔ间表ｌｒ空ｂ（∈Ｚ分解为所有子空间的正交和，中＿）『其为小求和实函数空间尺）￡（为
０引言
在滚动轴承的故障诊断时，传统的频谱分析法通常采用共振解调技术，具有良好的效果，当内圈、但滚动体或多点故障时，解调谱线却很难分辨故障类型．、／波包是小波理论在信号处理应用领域的又一重大发Ｊ展，它在小波理论的基础上引入了最优基准准则，目前已在通信、图像处理、分形、信号检测等方面获得成功应用．、／波包分解是多分辨率分析的推广，Ｊ是一种比小波分析更为精细的信号时频分析方法，它将频带进行多层次划分，对小波分析没有细分的高频部分也进行了分解，并能根据被分析信号的特征，自适应地选择频带，使之与信号频谱相匹配，而提高时频分辨率，从因此它是一种非常有效的信号处理方法．本文将用小波包分析方法构造滚动轴承状态检测信号的能量特征向量，再用神经网络方法对滚动轴承的状态进
２００７
文章编号：０７１２（０７０ — ０７０１０ — ２９２０）１０１ — ４
基－ｄ波包分析的滚动轴承故障诊断３￣＝
张国新，刘祚时
（江西理工大学机电工程学院，江西赣州３１０）４００
摘
要：用小波包分析方法构造滚动轴承故障信号的能量特征向量，以此作为神经网络的输应再
ｏａｅｅｎＷｖｌｔＰａｃｅｃｍｐｓｔｏｋｔＤｅｏｏｉｉｎ
ＺＨＡＮＧｏｘｎ．ＬＩＺｕ — ｈＧｕ — ｉＵｏｓｉ
（ａｕｔｏＭｃａｉａａｄＥｅｔｎｃｎｉｅｒｇＪｇｉｎｖｒｔｏＳｉｃａｄＴｃｎｌｇ，ａｚｏ４００ＣｉａＦｃｌｅｈｎｃｌｙｆｎｌｒｉＥｇｎｅｉ，ｉｘＵｉｓｙｆｃｅｅｃｏｎｎａｅｉｎｎｅｈｏｏｙＧｈｕ３１０，ｈｎ）ｎ
ｓｂｅｉｏｌｅｒｎｇｆｕｔａｎｓｓｉｌｎｒｌｉｂａｉｌｄｉｇｏｉ．ｎｇａ
Ｋｅｒｓｒｌｎｅｒｇａｅｅｐｃｅｅｏｏｉｏ；ｔｅｅｔｒａａｅｅｅｔｒ；Ｐｎｕａｅｗｒｙｗｏｄ：ｏｌｇｂａｉ；ｗｖｌｔａｋｔｃｍｐｓｉｎｈａｕｅｐｍｔｒｃｏｓＢｅｒｌｔｏｋｉｎｄｔｆｒｖｎ
！
兰堂塑垩兰
．
！ ±
｛
【
＋
Ｊ ∈Ｚ
征，令
收稿日期：０６０ — ２２０ — ２２
数（）ｆ的闭包（小波子空间），为整数． …ｚ将尺度子空问和小波子空问用一个新的子空间统一起来表
作者简介：国新（９ｌ）男，师张１７一，讲
维普资讯
ＡｂｔａｔＴｅｆａｕｅｐｒｍｅｅｅｔｒｅｅｔａｔｄｔｅｒｓｎｅｗｒｉｇｓａｅｏｏｌｇｂａｉｇｂｖｌｔｓｒｃ：ｈｔｒａａｔｒｖｃｏｓａｘｒｃｅｏｒｐｅｅｔｈｏｋｎｔｔｆｒｌｎｅｒｎｙｗａｅｅｅｒｔｉｐｃｅｅｏｏｉｏ．ｅｅＢｅｒｌｅｗｏｋｉｔｋｎａｅｏｔｕｆｅｗｒｉｇｓａｅｏｌｎｅｒｇｗｅａｋｔｃｍｐｓｔｎＴｎｔＰｎｕａｔｒｓａｅｓｈｕｐｔｏｋｎｔｔｆｏｌｇｂａｉｈｎｄｉｈｈｎｔｏｔｈｒｉｎｔｅｆａｕｅｐａｔｒｅｔｒｓｔｋｎａｐｔｈｘｅｍｅｔｌｅｕｔｐｏｅｔａｉｍｅｈｄｉｅｉｉｎｎａ－ｈｔｒａｍｅｅｃｏｓｉａｅｓｉｕ．ｅｅｐｒｎａｓｌｒｖｔｈｓｔｏｓｆｃｅｔｄｆ — ｅｒｖｎＴｉｒｓｈｔａｅ
维普资讯
第８２卷第１期
江西理工大学学报
ｖ１，．。８０．Ｎ１２
．
２００７年２月ＪＵＮＡＯＪＡＧＵＩＲＩＹＯＳＩＮＥＡＤＴＣＯＯＹＦｂＯＲＬＦＩＮＸＩＮＶＥＳＴＦＣＥＣＮＥＨＮＬＧｅ
入，对滚动轴承故障进行分类，实践表明，能量特征向量较显著的表达了故障，有较好的诊断
效果．
关键词：滚动轴承；小波包分析；能量特征向量；Ｐ神经网络Ｂ中图分类号：Ｈ１３３Ｔ３．文献标识码：Ａ
ＴｈｌｎａｉｇＦａｌＤｉｇｏｉｓｄｅＲｏｌｇＢｅｒｎｕｔａｎｓｓＢａｅｉ