针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。

圆柱直齿轮副是机械装置中常用的关键传动部件,常因齿面的周期性载荷和疲劳磨损出现齿根裂纹故障,导致齿轮副振动和噪声增大,严重影响机械系统的工作性能,需要及时检测。但齿轮副的工作环境存在随机振动和白噪声等因素,易使齿轮副的振动频谱中出现杂频,淹没故障信号,不利于对齿轮副裂纹故障的识别。针对齿轮副齿根裂纹故障的振动信号,采用小波变换对信号进行分解与重构;建立基于双树复小波的降噪模型,实现对振动信号的有效降噪,形成了齿轮副裂纹故障检测方法。实验验证表明,该方法的降噪效果优于常用的硬阈值函数小波降噪和软阈值函数小波降噪算法,可较为准确地判断出齿轮箱的故障类型,为圆柱直齿轮副的状态判别提供科学依据。

现有滚动轴承故障特征提取算法的性能会随着故障集规模扩大而出现衰减。针对故障信号间存在的干扰和模态混叠等问题,提出一种基于双树复小波的特征提取算法。双树复小波结构包含两个独立的滤波器组,在含噪混合信号的分解和重构中形成互补关系,提升信号采样的平稳性;优化双树复小波滤波器组的结构,降低故障信号平移敏感性,利用门限阈值处理高频小波系数,达到降噪的目的,并基于时间序列样本熵提取子带信号的能量特征。实验结果显示:提出的算法能够准确提取滚动轴承各部分的故障特征信息,算法的在线故障识别率达到99.56%。