基于小波包和HMM的战场声信号识别

针对战场声信号复杂多变的特点,提出了一种基于小波包特征参数(WPFC)和隐马尔科夫模型(HMM)相结合的战场声目标识别方法。该方法利用小波包对信号高、低频段能进行精细划分,从而得到更能反映战场声信号特征的小波包特征参数;并利用HMM具有很强的表征时变信号能力的优点,将HMM作为训练识别模型。仿真结果表明了此方法的准确性和可行性。     

一种小波域图像贝叶斯去噪方法

提出了一种使用隐马尔可夫树和混合高斯模型的小波域图像贝叶斯去噪方法。该方法对含噪图像进行小波变换,用隐马尔可夫树和混合高斯模型建立小波系数的先验模型,从而获取原图像的先验信息,然后利用模型参数和含噪图像小波系数估计原图像小波系数,通过小波逆变换得到去噪图像。仿真结果表明,该方法能有效克服阈值去噪算法的缺点,提高小波域图像去噪算法的性能。     

小波包降噪在发动机燃油压力信号处理中的应用

研究信号的小波包变换与小波变换的不同之处,以及在离散小波分解的基础上怎样实现小波包分解.国产传感器所测得的燃油压力信号信噪比低、不平稳,使用小波包降噪效果明显.为利用国产传感器进行燃油系统故障诊断提供了一条途径.     

空空导弹测试点优化问题研究

针对导弹系统可测试性设计和故障诊断中的测试点选取问题,以相关性模型为基础,综合测试费用等因素提出了不同测试级别测试点优选方法和故障诊断策略。根据系统信号流关系建立拓扑有向图,得到相关性矩阵;根据测试点对故障检测、隔离或定位贡献大小及其费用的分析确定各测试点的价值度量。选择测试点,确定出优化的故障诊断策略。结果表明,用文中所提出的方法进行测试点优化选取,可以很好的满足不同测试级别的测试要求。     

基于小波包和概率神经网络的滚动轴承故障诊断

为更好实现滚动轴承的状态监测和故障诊断,提出了基于小波包分析的特征向量提取算法。通过小波包分析对信号的高频和低频进行同样精度的分解,再将有效特征向量作为概率神经网络的输入,实现滚动轴承状态监测和智能化模式识别。结果表明,小波包变换可提高信号的频率分辨率,概率神经网络可充分利用故障先验知识,两者相结合能更有效地突出故障特征。     

小波分析在信号消噪中的应用

用小波分析进行信号消噪常用多尺度小波变换和小波包变换.多尺度小波变换是将信号分解成高频和低频成分,低频包含信号的主要性能,高频含较多噪声,将高频平滑后再重建即可消噪.其消噪处理有强制、默认阈值和给定软/硬阈值3种方法.小波包变换消噪是将信号的小波包分解、计算最佳小波包基、分解系数的阈值化处理及重构原来信号实现消噪.并给出了几个Matlab消噪函数:多尺度一维小波分解和重构wavedec及waverec、消噪默认阈值ddencmp和消噪函数wdencmp;小波包变换的ddencmp 和wdencmp函数.试验表明,此方法具有较高的有效性和实用性.     

基于系统辨识的小波分析在导弹一级变放故障诊断中的应用研究

提出了一种基于系统辨识思想的故障诊断方法，详细介绍了利用小波分析方法将某导弹一级变换放大器故障精确定位的算法，给出了故障诊断的硬件电路原理图，并且通过仿真实验证实该方法的可靠性和有效性。     

基于最大故障诊断信息量准则的测试点优选方法

针对某型导弹姿态稳定分系统的测试点优选问题进行了分析研究。首先在相关性模型的基础上,综合考虑可靠性和测试费用的影响,利用信息论中熵的概念,建立了最大故障诊断信息量准则;然后根据信息量的大小依次选择测试点,确定出优选的故障诊断策略,并画出故障隔离树。实例应用表明:该方法是正确的、可行的,得到的诊断策略只需较低的测试费用。     

一种改进粒子群优化HMM 的故障诊断方法

针对传统故障诊断方法不能准确定位故障位置的问题,提出一种改进粒子群优化隐马尔科夫模型(hidden markov model,HMM)的故障诊断方法.应用HMM识别综合传动装置故障模式,用模糊集定义模式研究电压信号特征提取方法,并根据特征值的敏感程度进行优化选择;应用3种HMM对综合传动装置在不同运行状态下的故障信号进行故障诊断,并且对诊断结果进行对比.结果表明:改进粒子群优化的HMM模型能快速有效地识别综合传动装置中磨损、损坏等故障模式,适用性良好,可应用于实际综合传动装置系统的故障诊断.     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

Fault Diagnosis Method Based on Fractal Theory and Its Application in Wind Power Systems

The non-linear dynamic theory brought a new method for recognizing and predicting complex non-linear dynamic behaviors. The non-linear behavior of vibration signals can be described by using fractal dimension quantitatively. In this paper, a fractal dimension calculation method for discrete signals in the fractal theory was applied to extract the fractal dimension feature vectors and classified various fault types. Based on the wavelet packet transform, the energy feature vectors were extracted after the vibration signal was decomposed and reconstructed. Then, a wavelet neural network was used to recognize the mechanical faults. Finally, the fault diagnosis for a wind power system was taken as an example to show the method’s feasibility.     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。     

基于ADASYN-随机森林的智能家电内部电路故障诊断

针对智能家电内部电路故障诊断中存在的数据不平衡和分类器诊断精度低的问题,提出一种基于ADASYN算法过采样和随机森林(random forest,RF)的故障诊断方法。将电流信号进行小波包分解,提取最后一层各节点能量作为特征向量;使用ADASYN算法扩充训练数据集,得到随机森林故障诊断模型并进行测试。实验结果表明：ADASYN-随机森林故障诊断模型对智能家电内部电路故障具有较高的诊断精度,对故障诊断有一定的实用价值和指导意义。     

某型导弹发射装置液压泵故障预测研究

分析了某型导弹发射装置中液压泵的故障模式,优化了振动传感器的安装位置,通过对其振动信号进行时域分析和小波包分析,提取了用于液压泵故障预测的特征参量;基于支持向量机理论,在Matlab 6,5环境下建立了液压泵的故障预测模型（包括故障映射模型和特征参量预测模型）;预测出液压泵的典型故障。最后通过实例验证了该故障预测模型的有效性。     

小波包神经网络在雷达导引头信号处理中的应用

为从背景杂波中有效地提取出目标的特征信号,文中提出了一种将小波包分解和神经网络相结合的去噪方案。利用小波包对信号的低频和高频部分进行精细分解,得到信号在多尺度空间上的分解系数。根据信号和噪声在不同尺度小波包分解下的小波包特性,利用神经网络对分解系数进行处理,再用新的小波包分解系数对信号进行重构,以达到滤除噪声的目的。     

小波分析在动态系统故障诊断中的应用

提出了一种基于小波分析的动态系统故障诊断方法,在Matlab/Simulink中建立动态系统的数字仿真模型,利用小波分析中的多分辨分析理论对该模型的输出信号进行处理,并依据数据处理结果对系统故障进行诊断.结果表明,该方法不仅可以有效去除测试结果中的噪声,而且能够实现对故障的快速诊断.     

基于改进ART2神经网络的发动机故障诊断方法

基于改进ART2神经网络的发动机故障诊断方法,用警戒和调整因子的双因子法控制网络识别过程中对已知故障再学习,使网络不断学习和优化.以某发动机的相关状态模式训练ART2网络,利用db4小波包对各模式的振动信号进行分解,再利用小波系数计算出各频带的能量构成向量,经归一化后为该模式下的特征向量.其网络只对相似度超过调整因子的识别样本进行学习,有助于提高网络发动机状态模式的识别精度.     

基于小波变换的电子设备故障诊断技术研究

基于BP神经网络的电子设备故障诊断,以其不需要建立故障诊断模型,易于智能化实现等优势,发展较为迅速,而采用此方法的故障诊断大部分以故障树获得的特征参数为依据;由于电子设备往往由大量的工作模块组成,各组成模块之间相互耦合、联系紧密,仅仅依靠故障树获得的特征参数难以较好地反映设备状态;所以基于这些特征参数的BP神经网络故障诊断往往诊断率较低;将小波分析的方法运用于特征参数的提取中,利用BP神经网络模式识别完成电台故障诊断;最后通过获得的实测数据进行了实例分析,验证了该方法对于提高电子设备故障诊断率,是可行有效的。