双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

基于双树复小波的重叠块阈值降噪方法

针对机械早期故障信号受到强背景噪声影响导致故障特征不明显的问题,提出一种基于双树复小波包的重叠块阈值降噪方法。利用有限冗余双树复小波包变换对信号进行具有平移不变性的稀疏分解,结合双树复小波包变换系数所具有的稀疏集簇和邻域相关性特点,建立重叠块阈值估计模型,通过最小化包含块稀疏模型的适应度函数获得估计信号,分析了重叠块阈值降噪各参数对降噪效果的影响和参数优化原则,仿真与实测信号实验结果表明,该方法在不同信号和不同噪声水平下均有效地抑制了噪声干扰,提高了信噪比。     

基于改进阈值函数的小波去噪算法研究

针对用小波变换进行信号去噪的阈值函数设定问题,在传统软、硬阈值函数去噪的基础上,提出一种改进的阈值函数方法,并与极大重叠离散小波包变换相结合,从而得到一种改进阈值函数的小波去噪方法。[Matlab]仿真结果表明：去噪方法提高了重构信号的信噪比,有效除去噪声,且保留原始信号的细节特征,是一种较好的信号消噪方法,在股票去噪中具有较高的实用价值。     

基于峭度的阈值降噪方法及其在振动信号分析中的应用

分析了常用的小波去噪方法,在此基础上提出了一种基于振动信号峭度的阈值降噪方法。阈值大小取决于不同尺度上故障信号的小波分解系数。在综合了软、硬阈值函数的优点的基础上提出了一种新的参数可调阈值函数。与常用小波去噪方法进行了对比分析,结果表明该方法有效的提取信号中冲击成分,为正确识别故障特征提供了有力保证。     

多小波自适应分块阈值降噪及其在轧机齿轮故障诊断中的应用

为有效提取关键设备淹没在强背景噪声中的微弱故障特征,提出了一种多小波自适应分块阈值降噪方法,并将其成功应用于轧机齿轮箱故障诊断中。小波降噪的效果主要取决于小波函数和阈值的合理选择。多小波具有多个尺度函数和小波函数,可以同时满足紧支性、对称性、正交性以及高阶消失矩等优良性质,使其在早期故障和微弱故障诊断中颇具优势。针对多小波变换系数之间的相关性,在估计真实特征值时以Stein无偏风险估计最小作为约束条件,自适应地选取最优的邻域分块长度和阈值,能够在准确提取故障特征的同时有效消除噪声干扰。仿真信号验证了方法的有效性,轧机齿轮箱的诊断结果表明,该方法可以有效提取出齿轮箱高速小齿轮存在由于高温熔焊导致的两处局部胶合破坏故障。     

分层自适应小波阈值轴承故障信号降噪方法

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。     

小波阈值去噪法的改进算法

基于小波变换的阈值去噪法是去除数字信号中白噪声的有效算法.其中阈值函数关系着重构信号的连续性和精度,硬阈值函数的不连续性和软阈值函数中估计的小波系数与信号的小波信号间存在恒定偏差的缺陷,也限制了它的进一步应用.本文通过数学方法的引入,对阈值函数进行了改进.仿真结果表明,该方法具有较好的去噪效果.     

基于双树复小波与非线性时间序列的降噪方法

针对双树复小波变换传统软阈值降噪方法对实、虚部树系数分别进行阈值处理时提取的强背景噪声下轴承故障特征信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真问题,利用故障信号小波变换系数具有周期性与双树复小波系数模震荡小等特点,提出双树复小波变换与非线性时间序列方法相结合的强背景噪声下轴承故障特征提取方法。对故障信号进行双树复小波变换,获得各层小波系数并求模,选择系数模周期性较强层系数进行非线性时间序列处理,增强系数中周期性成分,抑制随机噪声;对增强后系数进行软阈值处理消除直流成分对提取结果的影响;将处理后系数还原为复数形式进行双树复小波重构,可成功提取弱故障特征信号。仿真、试验信号处理结果表明,该方法能有效提取强背景噪声下的故障特征信号。     

基于改进阈值估计和改进阈值函数的局部放电信号降噪方法EI北大核心CSCD

提出了基于改进最优阈值估计和改进阈值函数两方面优化的降噪方法。首先,针对传统阈值法估计偏大和单序列样本熵阈值法估计易陷入局部最优的问题,建立了融合噪声序列样本熵和降噪序列样本熵的综合熵模型,以综合熵曲率拐点下的阈值为优化目标,提出一种二分变步长非线性搜索方法实现最优阈值的快速估计。进一步,针对传统小波阈值函数存在重构振荡和重构偏差的问题,提出了一种融合软、硬阈值特征的改进阈值函数,通过使用平滑过渡数模型对该函数中的品质因子参数进行优化,使函数曲线在临界阈值邻域内连续平滑过渡。在高压设备局部放电超声波脉冲信号降噪应用场景中的仿真及测试试验结果表明,所提出综合熵阈值估计方法能够快速、准确地逼近最优阈值。此外,改进阈值函数兼顾了软、硬阈值函数的优点,能够抑制重构振荡和重构偏差,在保留原始信号有效信息的前提下实现对噪声的有效抑制,表现出了较好的工程应用价值。     

基于二次相关加权阈值的滚动轴承声发射信号小波包降噪算法研究

针对滚动轴承疲劳损伤初期声发射信号微弱而易湮没于噪声中难以有效检测的问题,提出一种基于二次相关加权阈值的声发射信号小波包降噪算法。通过计算原始信号各小波包分解成分自相关函数与噪声自相关函数的互相关系数(二次相关),对"3σ"阈值加权得到小波包分层阈值,实现对声发射信号的降噪。仿真分析与实测声发射信号分析表明,该方法能够有效去除干扰噪声,凸显声发射冲击信号。     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

多小波阈值降噪法在钢丝绳缺陷检测中的应用

在介绍多小波理论和分析传统多小波阈值函数存在的问题的基础上,提出了一种新的多小波阈值函数. 详细地讨论了该函数的数学性质,该函数对大于阈值的小波系数采取缓变的压缩策略,压缩量随着小波系数的增大而减小. 将其应用于钢丝绳缺陷信号的降噪中,与传统多小波阈值函数的降噪进行了比较. 实验结果表明,该阈值函数降噪后重建信号的信噪比(SNR)高,能检测到钢丝绳缺陷信号中的全部小奇异点,其降噪效果优于传统多小波阈值函数法.     

Fault detection,classification, and location for active distribution network based on neural network and phase angle analysis

The improved radial basis function (RBF) method utilizes an orthogonal regression matrix to produce an artificial neural network structure based on regularized least square. The phase angle and amplitude signal of fault voltage and current are extracted based on frequency domain analysis. The proposed method adopts the fault signal for fault diagnosis synchronously. The IEEE 13-bus active distribution network (ADN) simulation model is set up in Matlab. Test results demonstrate that accuracy of the fault diagnosis can reach 98.07% and the response time of the fault classification method is less than 0.04s. The wavelet neural network (WNN) model is developed to extract the maximum decomposition level and time series behavior. The WNN method can resist noise effects and improve the fault classification accuracy by 4.3%. The effect of fault type and fault resistance on the fault location method is researched. The fault simulation result shows that the proposed method can locate a fault precisely and synchronously. The improved RBF method can diagnose the fault section, classify the fault type and locate a fault accurately in ADN. The research is significant to maintain system stability against realistic fault and network restore.     

基于小波改进阈值去噪和HHT的滚动轴承故障诊断

利用Hilbert-Huang变换（Hilbert-Huang Transformation,简称HHT）对滚动轴承进行故障诊断时,发现振动信号中包含的噪声对诊断结果影响较大。为克服此不足,提出了一种小波改进阈值法与HHT相结合的信号分析方法。该方法首先应用小波改进阈值方法对滚动轴承故障信号进行预处理,然后对去噪后的信号进行经验模态分解（Empirical Mode Decomposition,简称EMD）,接着选取含有故障信息的本征模函数（Intrinsic Mode Function,简称IMF）分量进行边际谱分析,从而提取出故障特征频率,并判断故障类型。仿真和实验结果验证了该方法的有效性。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法。针对变分模态分解方法参数不确定问题,提出利用以相关峭度为适应度函数的蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)对变分模态分解参数进行自适应选定。针对故障信号经优化变分模态分解处理后模态分量的筛选问题,以相关峭度为指标,挑选具有最大相关峭度指标的模态分量进行包络解调分析,提取轴承信号中的故障特征信息。仿真及实测信号处理结果证明,该方法能在强噪声背景下准确提取滚动轴承故障信号的微弱特征。     

K-SVD小波降噪在齿轮故障诊断中应用

针对早期齿轮故障诊断中噪声干扰大,故障特征难以提取的问题提出基于K-SVD稀疏表示小波降噪算法。该算法克服传统小波阈值降噪算法只对小波系数进行逐点处理,而忽略小波系数整体架构的缺点,充分考虑小波系数结构特点,在强噪声下仍具有很好稳健性。通过对模拟信号和实测发动机减速器齿轮毂信号分析,证明小波降噪算法正确性和在实际工程应用中的价值。     

基于双树复小波变换的SiCP/Al复合材料加工表面质量评价

SiC_P/Al复合材料切削加工表面存在大量的凸起、凹坑和沟槽等缺陷,获取表面粗糙度信息时易将缺陷信息计入到粗糙度中,从而影响加工表面质量的合理评价。为提取加工表面粗糙度信息,合理评价SiC_P/Al复合材料加工表面质量,提出一种基于双树复小波变换（DT-CWT）的滤波方法。采用最小二乘法、高斯滤波法和DT-CWT变换的滤波方法对已加工表面进行粗糙度提取,从稳定性及受缺陷影响程度两个方面对三种方法的粗糙度信息提取效果进行对比。结果表明：基于DT-CWT的滤波方法具有较高的稳定性,并能够更有效区分表面粗糙度及缺陷信息,更适于SiC_P/Al复合材料加工表面粗糙度信息提取。应用基于DT-CWT的滤波方法,对不同Al基体的SiC_P/Al复合材料切削加工表面质量评价的结果表明：SiC_P/2024Al复合材料表面质量明显优于SiC_P/6063Al复合材料。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。