多尺度思想是人们在对世界认识的不断加深的过程中逐渐产生和发展的,与单尺度的观点相比,多尺度方法更贴近人们认识事物的习惯,也更加符合事物的本质。本论文立足多尺度分析方法在旋转机械状态监测与故障诊断中的应用,以多尺度分析方法为主要研究内容,深入研究了四种典型的多尺度方法在旋转机械状态监测中的原理、方法和效果,并最后将它们引入高速列车轴承轨边声学诊断系统的研究中。研究包括： 根据旋转机械状态信号包含有特征频率及高频谐振的特征,将小波方差的能量特性引入到旋转机械状态信号的频谱特征提取中,提出了旋转机械

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。

基于Hermitian的小波包络谱的滚动轴承故障的识别诊断及分析中国机械工程第23卷第1期2012年1月上半月 2.1轴承内圈的故障诊断 4000 图2所示为轴承内圈存在局部故障的时域振 3000 邇2000 动信号。图3所示为采用传统方法计算得到的振 1000 动信号的包络谱,由于受背景噪声的影响和带通 滤波、带宽选择的限制,滚动轴承的内圈故障特征 频率f在图3中没用得到明显体现 10时 2004006008001000 频率f/Hz 图5轴承内圈故障的多尺度包络谱 20 4000 -10 3

提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。