雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

形态梯度小波降噪与S变换的齿轮故障特征抽取算法

针对齿轮故障特征信号具有强噪声背景、非线性、非平稳性特点,提出采用形态梯度小波对齿轮振动信号进行降噪。首先使用形态梯度小波把齿轮振动信号分解到多个尺度上,然后对各层的细节系数进行软阈值方法降噪处理,对经过处理后的小波系数进行重构。对降噪后的齿轮振动信号采用S变换多分辨率时频分析,能够从具有良好的时频分辨率的S变换谱图提取齿轮故障特征。通过仿真试验和故障轴承的信号分析证明,该方法具有短时傅里叶变换和小波变换的优点,不存在Wigner-Ville分布的交叉干扰和负频率,能有效地提取隐含在噪声中的齿轮故障特征,适合齿轮故障的在线监测和诊断。     

基于小波的消噪及BP神经网络的故障诊断

针对故障检测信号信噪比低、难以进行特征提取的特点,介绍了一种新的利用小波消除信号噪音的算法,进而利用BP神经网络实现了较为理想的故障诊断。该算法是基于最佳正交小波基的选择,使熵在小波收缩过程中的作用最小。实验结果表明利用小波变换从数据中提取的训练样本能够有效地消除噪声,更好地反映故障特征,提高故障诊断的效率。     

基于离散小波变换的输电线路故障检测研究

针对输电线路故障检测问题,文中提出了一种利用小波变换检测高阻抗输电线路故障(HIF)的新方法,采用基于离散小波变换(DWT)的多分辨率信号分解(MSD)中系数的绝对值,结合故障指示器和故障判据来检测输电线路中的HIF,该方法对故障类型、故障起始角、故障电阻和故障定位具有较强的鲁棒性。在典型的400kV输电线路系统的各种故障条件下测试了所提出方法的性能。     

模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

基于小波理论的脉象信号消噪及特征点检测

利用小波变换具有揭示信号时频两域细节和局部特征的能力,采用小波包分解消除脉象信号中的工频干扰,通过小波分解重构滤波法消除因呼吸引起的基线漂移,并用小波变换模极大值法对消噪后的信号进行特征点检测。实验表明,小波理论对一维非平稳微弱信号具有良好的消噪能力和突变点的检测能力,能实际有效的滤除脉象信号中混杂的基线漂移及工频干扰等噪声,并最大限度地保留信号本身特性。     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

改进的Morlet小波在信号特征提取中的应用

小波分析提取数字调制信号调制特征是一种比较有效的分析方法。本文通过分析Morlet小波中各参数对提取调制特征性能的影响，提出一种改进的Morlet小波变换(MMWT)，并将其用于信号调制特征提取。计算机仿真表明，基于MMWT的特征提取性能优于基于Morlet小波变换的方法，且具有良好的抗干扰能力。     

一种基于小波神经网络的故障诊断方法

在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位.     

基于粗糙集神经网络的齿轮故障诊断

通过采集齿轮不同故障状态下的振动信号,并提取其小波包能量和7个时域特征量作为特征值,利用BP神经网络进行建模实现了对齿轮的故障诊断。为了解决特征之间存在冗余信息的问题,提出了利用粗糙集对齿轮的故障特征集进行属性约简,在不降低分类效果的情况下,实现特征集的降维处理,提高了诊断的效率和精度。     

A STUDY OF WAVELET ENTROPY MEASURE DEFINITION AND ITS APPLICATION FOR FAULT FEATURE PICK-UP AND CLASSIFICATION

Shannon entropy in time domain is a measure of signal or system uncertainty.When based on spectrum entropy,Shannon entropy can be taken as a measure of signal or system complexity. Therefore,wavelet analysis based on wavelet entropy measure can signify the complexity of non-steady signal or system in both time and frequency domain.In this paper,in order to meet the requirements of post-analysis on abundant wavelet transform result data and the need of information mergence,the basic definition of wavelet entropy measure is proposed,corresponding algorithms of several wavelet entropies,such as wavelet average entropy,wavelet time-frequency entropy,wavelet distance entropy, etc.are put forward,and the physical meanings of these entropies are analyzed as well.The application principle of wavelet entropy measure in ElectroEncephaloGraphy (EEG) signal analysis,mechanical fault diagnosis,fault detection and classification in power system are analyzed.Finally,take the transmission line fault detection in power system for example,simulations in two different systems,a 10kV automatic blocking and continuous power transmission line and a 500kV Extra High Voltage (EHV) transmission line,are carried out,and the two methods,wavelet entropy and wavelet modulus maxima,are compared,the results show feasibility and application prospect of the six wavelet entro- pies.     

基于LVQ神经网络风电机组齿轮箱故障诊断研究

针对风电机组齿轮箱故障诊断技术的不足,提出一种基于LVQ神经网络的故障诊断方法,利用小波分析方法对某风电机组齿轮箱正常状态、磨损故障和断齿故障状态下的振动信号进行降噪处理,在时域和频域内提取了5个特征参数对所建立的模型进行训练。为了检验模型的实际诊断能力,与标准BP神经网络的诊断结果进行对比。仿真结果表明:基于LVQ神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。     

改进的BP神经网络在模拟电路故障诊断中的应用研究

介绍了应用小波变换法与BP神经网络相结合实现模拟电路故障诊断的方法。应用小波变换法作为故障信号的预处理器,提取故障特征量,减小了BP神经网络的规模。该方法提高了神经网络收敛的速度以及故障类别识别的准确度,具有一定的应用价值。     

小波-神经网络在故障诊断中的应用

根据旋转机械振动信号特点,提出了小波分析和概率神经网络相结合的故障诊断方法。该诊断方法利用小波分析进行预处理-获取机械故障特征向量,概率神经网络应用该特征及对应的故障类型建立非线性映射,实现故障诊断。通过计算机仿真和试验的结果,表明该方法运算速度快、对样本噪声有较强的鲁棒形,结构简单,工程上易于实现,为旋转机械故障诊断提供了实践方法。     

基于小波高频系数统计特征的电路故障诊断

对故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种新的特征选取方法:在模拟电路的时域响应中对其进行小波变换,并对变换得到的高频细节系数统计平均值、标准偏差、峭度、熵和偏斜度等统计特征,并建立以支持向量机为分类器的故障诊断系统。以两种常见电路为例,实验结果表明,提出方法对常见电路进行故障诊断,准确率得到提升,精度达到99%以上,优于传统单纯小波系数分析方法,适用于模拟电路的故障诊断。     

神经网络在齿轮箱诊断中的应用

在认真学习了Elman网络的理论框架的基础上,总结分析了Elman神经网络用于故障诊断的不足,提出了改进的Elman神经网络,并将其应用于齿轮箱故障的故障诊断。建立了改进的Elman神经网络并进行仿真,经过一系列训练与测试,仿真结果表明：改进后的elman网络在稳定性及收敛速度等方面有明显优势,是可以在实际工程故障诊断中应用的一种非常有效的方法。     

紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

一种基于小波预处理的模拟电路故障诊断方法

文中提出了一种基于小波预处理的模拟电路故障诊断方法。由于小波分析具有数据压缩和特征提取的特性,我们利用小波变换对电路脉冲信号进行多尺度分解,提取特征向量输入神经网络进行训练。实验表明,该办法可以有效地减少神经网络的训练时间,提高模拟电路故障诊断的准确率。     

基于改进的小波神经网络的汽车电控汽油机故障诊断

针对现有BP网络在汽车电控汽油机故障诊断中存在的问题,提出将小波函数与神经网络结合构成小波网络,代替BP网络用于故障诊断。并对小波神经网络提出了两个方面的改进。首先是对输出层函数进行了改进,其次是用熵函数代替均方误差函数作为网络的代价函数。仿真结果表明此改进的小波神经网络算法进行汽车电控汽油机的故障是有效的,而且与传统的BP神经网络相比,该改进的小波神经网络具有更强的逼近能力,更快的网络学习收敛速度和能有效避免局部最小值问题。