基于小波变换和ICA的滚动轴承早期故障诊断

中国机械工程 ›› 2012, Vol. 23 ›› Issue (7): 835-840.

基于小波变换和ICA的滚动轴承早期故障诊断

吴强;孔凡让;何清波;刘永斌;李鹏

中国科学技术大学,合肥,230026

出版日期:2012-04-10 发布日期:2012-04-13
基金资助:
国家自然科学基金资助项目（51005221，51075379）；中央高校基本科研业务费专项资金资助项目
National Natural Science Foundation of China（No. 51005221，51075379）;
Fundamental Research Funds for the Central Universities

Early Fault Diagnosis of Rolling Element Bearings Based on Wavelet Transform and Independent Component Analysis

Wu Qiang;Kong Fanrang;He Qingbo;Liu Yongbin;Li Peng

University of Science and Technology of China,Hefei, 230026

Online:2012-04-10 Published:2012-04-13
Supported by:

National Natural Science Foundation of China（No. 51005221，51075379）;
Fundamental Research Funds for the Central Universities

摘要/Abstract

摘要：

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换（CWT）和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。

关键词: 小波变换, 独立分量分析, 单通道信号, 等频率间隔

Abstract:

The key to fault diagnosis of rolling element bearings is how to find typical characteristic frequencies of rolling element bearings from low SNR mixed signals. A method was presented to combine continuous wavelet transform (CWT) with ICA for diagnosing early faults of rolling element bearings and a method to select wavelet scales with iso-interval frequency was proposed for the first time.Envelope spectrum was analyzed to diagnose the faults of rolling element bearings. Finally, the method has been verified by practical signal analyses of rolling element bearings.

Key words: wavelet transform, independent component analysis(ICA), single-channel signal, iso-interval frequency

中图分类号:

吴强, 孔凡让, 何清波, 刘永斌, 李鹏. 基于小波变换和ICA的滚动轴承早期故障诊断[J]. 中国机械工程, 2012, 23(7): 835-840.

TUN Jiang, KONG Fan-Rang, HE Qing-Bei, LIU Yong-Bin, LI Feng. Early Fault Diagnosis of Rolling Element Bearings Based on Wavelet Transform and Independent Component Analysis[J]. China Mechanical Engineering, 2012, 23(7): 835-840.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/

http://www.cmemo.org.cn/CN/Y2012/V23/I7/835

[1]	郑近德, 王兴龙, 潘海洋, 童靳于, 刘庆运. 基于自适应自相关谱峭度图的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(07): 778-785，792.
[2]	刘增华1,2;张婷婷1,2;苏瑞祥1,2;陈洪磊1,2;何存富1,2;吴斌1,2. 基于十字形阵列和2D-MUSIC算法的Lamb波检测[J]. 中国机械工程, 2020, 31(17): 2038-2044.
[3]	戴稳1;张超勇1;孟磊磊1;薛燕社1;肖鹏飞1;尹勇2. 采用深度学习的铣刀磨损状态预测模型[J]. 中国机械工程, 2020, 31(17): 2071-2078.
[4]	宁静;冉伟;种传杰;陈春俊. 基于S变换的高速列车小幅蛇行识别方法[J]. 中国机械工程, 2019, 30(09): 1097-1102,1110.
[5]	段晨东;张荣. 基于改进经验小波变换的机车轴承故障诊断[J]. 中国机械工程, 2019, 30(06): 631-637.
[6]	刘嘉辉;董辛旻;李剑飞. 基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取[J]. 中国机械工程, 2018, 29(08): 943-948.
[7]	吴雅朋;王吉芳;徐小力;蒋章雷. 基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究[J]. 中国机械工程, 2017, 28(18): 2183-2188,2197.
[8]	张玉存1;张喜英1;付献斌2;张桂茹3;徐飞1. 基于小波与双三次插值的高温锻件红外图像增强方法[J]. 中国机械工程, 2017, 28(17): 2095-2099.
[9]	王友仁, 陈伟, 孙灿飞, 孙权, 黄海安. 基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断[J]. 中国机械工程, 2017, 28(12): 1484-1490.
[10]	洪涛, 赵佃云. 高速摄像环境下航天电连接器分离边缘提取算法[J]. 中国机械工程, 2017, 28(09): 1074-1078.
[11]	何翔, 高宏力, 郭亮, 吴远昊. 基于AR模型和谱熵的自适应小波包络检测[J]. 中国机械工程, 2017, 28(03): 348-352.
[12]	张建宇, 孟浩, 胥永刚. 基于信源估计和频域反卷积的滚动轴承故障特征分离与辨识[J]. 中国机械工程, 2017, 28(01): 45-51.
[13]	何志坚, 周志雄. 基于FSWT细化时频谱SVD降噪的冲击特征分离方法[J]. 中国机械工程, 2016, 27(09): 1184-1190.
[14]	卞家磊, 朱春梅, 蒋章雷, 吕俊燕. LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2016, 27(07): 904-910.
[15]	赵海峰, 张亚, 李世中, 郭燕. 侵彻弹体频率特性分析及过载信号处理[J]. 中国机械工程, 2015, 26(22): 3034-3039.