[声音与振动杂志289翻译.docxVIP

《声音与振动杂志》289（2006）1066–1090《基于小波滤波的微弱信号检测方法对滚动轴承故障预测中的应用》Hai Qiua,_, Jay Leea, Jing Linb, Gang Yuc美国研究所声学45221智能维护系统中心辛辛那提大学，中国科学院中关村街17号，北京海淀100080中国东北大学机械与工业工程c，美国波士顿60亨廷顿大道334sn，MA 02115。2004年3月26日收到；2005年3月10日接收，2005年5月31日可在线摘要去噪和提取是在弱识别这种情况下，故障预测的关键特征通常很弱，受噪声掩蔽。小波变换已广泛应用于信号去噪由于其非凡的时频分析能力。在本文中，小波的性能基于分解的去噪和小波滤波去噪方法进行比较的基础上机械故障信号。比较结果表明，小波滤波器更适合检测机械冲击缺陷信号一样弱签名可靠，而小波分解去噪方法可以达到满意的效果光信号检测。为了选择最优的小波滤波器的参数，提出了一种分步优化的过程。最小的熵方法优化Morlet小波形状因子。周期性检测方法奇异值分解（SVD）是用来选择适当规模的小波变换。信号去噪的结果从模拟信号和实验数据和两支持所提出的方法。1、引言滚动轴承是几乎所有形式的旋转极为重要，机械是最常见的机械元件之间的。轴承失效的一个在旋转机械故障引起的，此类故障可能是灾难性的，导致昂贵的停机时间。为了防止这些故障的发生，各轴承状态监测技术已被开发。其中，振动分析已被广泛使用，由于其揭示轴承失效[十四]内在优势。经过近四年的轴承失效机理[ 4 ] 2–研究，理论轴承失效模式的背景已经涵盖相当全面。一个签名损坏的轴承由指数衰减振铃周期性发生的特征频率[ 3 ]。一个有缺陷的轴承的振动信号通常认为是在故障特征频率幅值调制。匹配的振动与故障特征频谱使缺陷检测可以诊断缺陷区。对滚动轴承的振动信号，信号的调制效应和噪声在初始缺陷检测的两个主要障碍。由于振幅调制的影响，缺陷信号的频谱由一系列和谐的频率分量出现在具有最高振幅的共振频率附近的轴承缺陷频率[ 5 ]。以克服这个障碍，一个有效的信号解调技术应。大多数振动信号是一个安装在轴承座振动传感器采集时间。传感器是受其他机械部件的振动响应和收集噪声源。的测量机制，介绍了大量的固有缺陷噪声信号。一个有缺陷的轴承的特征分布在很宽的频带，因此很容易被噪声和低频效果[ 6 ]。弱签名，在缺陷发展的早期阶段，更是难以察觉。增强信号方法是需要对轧制初始缺陷的检测提供更明显的信息滚动轴承。解决问题的多种调制，信号解调方法进行了提出了。埃什尔曼[ 7 ]提出了一种基于硬件的信号包络技术，信号通过一个电容器以产生解调波形。快速傅里叶变换（FFT）的希尔伯特变换得到信号的包络的传统方法有被广泛应用于滚动轴承故障诊断[ 8 ]。最近，小波变换已用于信号解调【5,6,9 ]和最佳的带通滤波器的设计[ 10 ]。总之，希尔伯特变换和小波变换对信号的解调，提供有前途的技术。然而，这些方法都不能成功地解决如何从嘈杂的信号增强弱签名如何早期发现缺陷。信号去噪问题已对滚动轴承故障预测的联系。降噪和弱特征提取是其中非常重要的故障预测功能往往十分脆弱和受噪声掩蔽。预测是通过检测缺陷的实现在其初始阶段，提醒维护人员发展成灾难之前失败。从背景噪声中提取信号的标准方法是设计一个失败。从背景噪声中提取信号的标准方法是设计一个适当的过滤器，从而消除了噪声成分的同时，让所需的通过不变的信号去。基于噪声类型和应用，不同的过滤器可被设计来进行去噪[ 11 ]。然而，的情况下，噪声类型和频率范围是未知的，传统的滤波器设计可以成为一个非常具有挑战性的任务。因此，研究主要集中在寻找替代的方法。小波变换已广泛应用于信号去噪由于其非凡的时频分析能力[ 13 ]，这是在本文后面详细讨论。传统上，大多数的信号去噪方法处理从嘈杂的原始信号检测的平滑曲线。然而，该从发生故障的机械部件的振动信号，如齿轮和轴承，更像是脉冲，而不是连续光滑的曲线。这种独特的特征约束的应用传统的信号去噪方法。一种基于Morlet小波分析去噪方法提出并应用于齿轮箱振动信号的特征提取[ 21 ]。这种方法寻求最优的小波滤波器，产生转换信号的最大峰度值，而周期性的信号是不处理。在这种纸的性能，基于小波分解去噪和小波滤波器去噪方法相比，基于信号是从机械缺陷。比较结果显示，小波滤波器是更合适的和可靠的检测方法的研究脉冲式的信号和机械缺陷信号，而小波分解去噪方法可以实现不满意结果的平滑信号的在线检测。为了在选择最佳的小波滤波器的参数优化过程，是一个两步提出了一种新的。最小香农熵准则优化是用的到的形状因子的研究。Morlet小波。周期性的检测方法，对基于奇异值分解（SVD）是用于选择适当的尺度的小波变换。在信号的消噪结果两个模拟信号和实验数据，提出了在两个