基于小波脊线的多分量信号瞬时参数估计及应用

通过分析小波脊线与信号瞬时幅值和瞬时频率的关系,提出一种基于能量重心脊点定位策略的脊线跟踪提取算法实现多分量信号瞬时参数估计。针对小波脊线提取中定中心频率参数优化方法优化复Morlet小波参数存在的局限性问题,提出中心频率自适应参数优化方法优化复Morlet小波参数并计算归一化小波尺度谱,根据能量重心脊点定位策略定位小波脊点,配合局部方向估计算法实现小波脊线迭代跟踪提取,进而估计信号瞬时参数。仿真分析表明该算法具有良好的抗噪特性,齿轮箱和滚动轴承的故障诊断工程实例结果表明该方法可有效提取旋转机械故障振动信号的特征。     

钢筋混凝土梁损伤的小波包识别方法

基于小波包能量特征向量的损伤识别是一种对损伤非常敏感的方法.为了更有效地选择特征频带,从频带分解的角度分析了基于小波包分解能量特征向量的结构损伤识别方法.将结构响应信号进行小波包分解,提取各频带的能量.通过分析结构响应频率和小波包分解各频带频率范围,选取信号主要频率所在频带及其相邻频带的能量构成特征向量.当信号频率有微小改变时,特征能量向量的变化远远大于信号频率的变化.当结构出现损伤时,脉冲激励下其动力响应信号的频率有所降低,因此可以通过特征能量向量的变化来识别损伤.通过一根钢筋混凝土梁的试验验证了该方法的有效性.     

复解析小波在解调分析中的应用

基于Hilbert变换的传统解调法,不具备自适应分析能力.复解析小波是一个带通滤波器,只要选择适当的尺度,就可改变滤波器的中心频率和带宽,使滤波器的频带覆盖信号中感兴趣的频带,即可提取理想的包络,突出信号中有用的信息.因此复解析小波变换具备自适应分析能力,是一种非常灵活的解调器.     

基于小波簇的包络解调方法及其在故障诊断中的应用

本文提出了一种基于小波簇的带通滤波和包络解调方法。通过合理地选择小波参数，用多个单类Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过渡带特性的带通滤波器，可用于提取振动信号的高频自然频率成分。由于该小波簇的虚部是实部的Hilbert变换，可用于实现包络解调提取振动信号在高频谐振带的包络成分。将该方法用于干式真空泵轴承故障的诊断中，结果表明可有效地提取故障特征频率，实验结果验证了该方法的有效性。     

基于完全抗混叠DTCWPT和包络谱熵的轴承故障诊断

针对经典小波包和双树复小波包(dual tree complex wavelet package transform,DTCWPT)能量泄漏和频率混叠的缺陷,提出完全抗混叠的DTCWPT改进算法,该算法解决了经典小波包存在负频率以及经典小波包和DTCWPT滤波器频率不完全截止问题。根据高斯白噪声频率充满整个频带的特性,通过小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了改进DTCWPT具有完全的抗频带能量泄漏特性。将改进DTCWPT方法和包络谱熵引入到轴承故障诊断中,该方法的核心是:对轴承振动信号进行改进DTCWPT变换得到不同尺度的分解信号,分别计算各分解信号的包络谱熵,合并熵值较小的几个分量信号的包络谱,最后根据合并的包络谱来检测轴承故障。该方法在消除经典小波包变换和DTCWPT频率混叠和能量泄漏的同时还解决了小波包分量选择盲目的问题。最后应用轴承故障试验数据对该方法进行试验验证,结果表明:改进DTCWPT结合包络谱熵选择的方法能够很好提取出轴承故障特征频率的基频、倍频,提高了轴承故障的诊断效果。     

基于小波分析和修正指数分布的齿轮故障诊断方法

提出了基于小波分析和修正指数分布(modifiedexponentialdistribution,MED)的齿轮故障诊断方法,该方法采用小波包将齿轮振动信号分解为若干个频率段,然后选择合适的频率段进行小波包重构,对重构后的信号进行MED分析,得到齿轮振动信号的小波包时-频分布,进而从中提取齿轮振动信号故障的故障特征.对具有裂纹的齿轮振动信号分析结果表明了基于小波分析和MED的齿轮故障诊断方法的有效性.     

超声波检测中缺陷的智能识别

为了实现超声检测对缺陷的智能识别,引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解,提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络,该网络使用Levenberg—Marquardt算法。实验分析表明,小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。     

基于谱峭度的滚动轴承包络分析

介绍了一种基于谱峭度和复平移Morlet小波的滚动轴承诊断包络分析法,该方法可根据谱峭度值自适应确定共振解调所用的带通滤波中心频率及带宽,使包络分析得到简化,但存在计算量大的不足.对此提出了一种改进的计算方法,该方法利用相邻不同级滤波器组中具有交叠频带的滤波器滤波和谱峭度计算结果的相关性,有效减少了实际需要构建的小波带通滤波器数量和相应的带通滤波、包络提取及谱峭度计算,降低了计算量,使该方法更适合于工程应用,仿真和实际测试验证了该方法的有效性.     

采用EEMD和WPT的结构损伤特征提取方法

为了解决传统小波或小波包变换方法对结构损伤振动信号频率分辨率不高、易受邻近谐波交叠影响的问题,提出了一种基于聚类经验模式分解(EEMD)和小波包变换(WPT)的结构损伤特征提取方法.首先对原始信号进行EEMD分解,提取包含结构损伤信息的固有模式分量(IMF),再对其进行正交小波包分解,并计算小波包相对能量分布.该方法用于美国土木工程师学会(ASCE)提出的钢结构框架的损伤特征提取,结果表明:EEMD方法具有白噪声的剔除特性,可避免模式混叠的发生;不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,可以作为一种理想指标表征结构损伤特征.     

改进小波包多阈值去噪法及其工程应用

针对机械振动信号提取时面临的去噪问题,在小波包多阈值准则去噪法的基础上,提出一种改进的小波包多阈值准则综合去噪方法(改进FMC去噪法)。该方法首先采用探测插值法对机床原始振动信号进行预处理,剔除受外界干扰产生的突变噪声信号;再以小波包分析为基础,根据有用信号的最小频率确定最大分解层数,并按最小代价原理确定信号分解的最佳小波包基;最后采用小波包多阈值降噪准则对振动信号进行重构,得到去噪后的机床振动信号。针对含噪blocks信号、doppler信号及模拟的含噪振动信号进行的仿真实验结果表明,改进后的FMC去噪法去噪效果优于传统方法。将该方法应用于气囊修整机振动信号分析中,结果表明,改进FMC去噪法能够有效剔除振动信号各频段的噪声,提高信号特征的可分离性。     

基于多尺度信息熵特征和RBF神经网络的气液两相流流型识别方法

根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出一种基于小波包多尺度信息熵的流型识别方法。该方法首先对采集到的压差波动信号进行4层小波包分解，在通频范围内得到分布在不同频段内的分解信号，进而建立流型的多尺度信息熵特征向量。并以此特征向量作流型样本对RBF神经网络进行训练，实现流型的智能化识别。试验结果表明，训练成功的RBF网络能很好地识别水平管内的4种流型，为流型识别开辟了一条新的途径。     

基于小波包和细化包络分析的滚动轴承故障诊断方法研究

滚动轴承故障是旋转机械常见的故障之一,针对传统包络解调分析方法需要人为选定共振频带的缺陷,首先采用小波包变换滤波的方法提取滚动轴承固有频率共振频带的信号,并对提取的信号进行重构,滤除了其他信号的干扰．然后用Hilbert变换检波的方法对提取的重构信号实现包络解调,去除高频固有振动成分,诊断轴承的缺陷信息．为了进一步提高包络谱的分辨率,最后采用快速傅立叶变换-傅立叶级数（FFT—FS）方法细化频谱．并在ADBE-56-N4型交流电机上实测了6350型滚动轴承故障模拟信号,与理论分析基本吻合．     

基于Laplace小波相关滤波的结构模态参数精确识别方法

为了从结构脉冲响应信号中精确识别结构模态参数,提出一种基于Laplace小波相关滤波的结构模态参数精确识别方法。首先对结构的脉冲响应信号进行经验模式分解,将结构多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,再对这些分量分别进行Laplace小波相关滤波便可准确识别结构的各阶模态参数。仿真信号的计算结果表明该方法可以得到精确的阻尼固有频率,并能准确地锁定阻尼比。悬臂梁力锤激励试验结果表明该方法在实际结构的模态参数识别中也非常有效。     

发动机汽缸振动信号的小波包分解与故障诊断

通过一种改进的小波包分解算法，有效解决了小波包分解过程中出现的混频现象。利用该算法对振动信号进行实例分析，通过对信号进行小波包分解和重构，可看到信号的概貌和细节，并能捕获到携带设备运行状态和故障特征的奇异信号，便于进行深层信息处理，以查找故障源。     

声发射和小波包分析在损伤状态监测中的应用

为应用声发射技术对结构的损伤状态进行监测与识别,基于小波包分析提出了一种在线损伤监测方法。采用D-S证据理论对声发射信号的小波包能量谱进行多源信息融合得到改进的小波包能量谱,计算Mahalanobis距离构建结构损伤状态判别指标,采用t检验的概率方法考察不同损伤状态下判别指标的变化情况。旋转轴承结构的声发射信号分析结果表明,D-S证据理论能够对声发射信号的小波包能量谱识别样本抽取有效信息,结构损伤状态判别指标具有良好的结构损伤识别能力,能够准确地实现对结构不同损伤状态的识别。     

基于小波包与关联维数的阀片故障诊断

结合了小波包降噪和关联维数对某往复压缩机阀片故障做了定量识别。实测阀片在正常和磨损两种工况下的振动信号,用小波包对信号进行降噪处理后,用改进的关联维数算法分别计算两个信号的关联维数。实例表明:小波包降噪能明显地滤除噪声,阀片在正常和磨损两种工况下的关联维数明显不同,关联维数可作为阀片故障特征的定量提取。     

基于小波包分析的风机故障诊断

根据故障信号特征和小波包变换多尺度分解性质选取小波包分解层次,得到能正确地反映风机的运行状态的特征向量;参照特征向量的组成方法,提出并构建基于小波包分析的韶钢4号风机典型故障特征表。对待检信号选用db10小波进行6层小波包分解,利用待检状态的特征向量与典型故障特征表,通过模糊模式识别方法进行风机故障诊断。     

Maximum kurtosis principle for the parameter selection of Gabor wavelet and its application to ultrasonic signal processing

The noise suppression techniques with wavelet transform (WT) are widely used in nondestructive testing and evaluation (NDT&E), especially in ultrasonics. But the wavelet based filter has the property of equal Q-factor, so, it is impossible to choose the central frequency and the bandwidth arbitrarily at the same time. This paper develops a new technique using WT to eliminate this drawback. In this paper, a weak ultrasonic signals identification method by using the optimal parameter Gabor wavelet transform is proposed. We address the choice of the optimal central frequency and bandwidth of the Gabor wavelet using the kurtosis maximization algorithm. The central frequency and bandwidth of the optimal parameter Gabor wavelet matched that of the ultrasonic signal very well. Numerical and experimental results have been presented to evaluate the effectiveness of the optimal parameter Gabor wavelet transform on ultrasonic flaw detection. This technique is a simpler and effective technique for processing heavy noised ultrasonic signals.     

超声检测信号中的小波包分析

超声检测中缺陷回波信号的质量是实现缺陷定位定量定性分析与评价的基础,去噪是超声检测信号处理中很重要的环节。小波包分析方法可以有效地抑制噪声干扰,提离有用信号。在Windows环境下,采用MATLAB 6．5 编程实现了缺陷回波信号的小波包去噪处理。研究结果表明:利用小波包阈值去噪,大大提高了缺陷回波信号的信噪比,改善了信号特征信息的质量,并且具有较高的缺陷定位精度和纵向分辨率。     

Acoustic emission method for tool condition monitoring based on wavelet analysis

It is believed that the acoustic emission (AE) signals contain potentially valuable information for tool wear and breakage monitoring and detection. However, AE stress waves produced in the cutting zone are distorted by the transmission path and the measurement systems and it is difficult to obtain an effective result by these raw acoustic emission data. In this article, a technique based on AE signal wavelet analysis is proposed for tool condition monitoring. The local characterize of frequency band, which contains the main energy of AE signals, is depicted by the wavelet multi-resolution analysis, and the singularity of the signal is represented by wavelet resolution coefficient norm. The feasibility for tool condition monitoring is demonstrated by the various cutting conditions in turning experiments.