基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

正交车铣铝合金薄壁回转体振动信号的试验分析

在MAZAK机床上正交车铣薄壁铝合金试件，压电加速度传感器安装在内壁上，通过PCI-1712高速数据采集卡采集薄壁的振动信号。利用MATLAB强大的信号处理功能对采集的加速度信号进行分析，振动信号的时域标识了振动幅值大小，功率谱显示了薄壁振动信号的频率构成和能量分布。分析了自激振动的频率随刀具转速和壁厚变化的趋势，给出了工艺系统发生颤振时的主频率。然后利用小波包处理信号的优势将剧烈颤振加速度信号进行小波包分解，根据能量和频段分布进行节点信号重构，得到小波包滤波后的颤振信号。为了了解车铣切削力在剧烈颤振前后变化情况，应用小波包分解并重构出颤振前后3种不同刀具转速时强迫振动信号，对比发现剧烈颤振时强迫振动的当量电压幅值增大，振动加强，这从侧面反映了正交车钪切削力的大小和变化。此振动分析对正交车铣薄壁零件有一定的指导意义。     

多电飞机电源系统智能机内测试诊断技术研究

提出了一种基于混合神经网络模型的智能机内测试(BIT)方法,并将其应用在多电飞机电源系统智能BIT故障诊断当中。对BIT各个测点的信号进行功率谱分析,在不损失谱线特征的前提下,利用小波的多尺度分析对谱线数量进行压缩,提取出信号在频域的特征量,并同小波包分解后的频带能量组成诊断用的特征向量。针对原有广义学习矢量量化( GLVQ)神经网络的算法缺陷进行改进,并在此基础上提出了一种混合网络模型结构。将提取的特征向量作为混合网络的学习样本,经训练后对电源系统的故障进行诊断。结果表明,基于这种混合网络的智能BIT方法诊断精度高,对测量噪声也具有良好的鲁棒性,可以有效提高多电飞机电源BIT系统的诊断性能。     

自动机机箱振动分析与诊断研究

自动机射击动作时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性;针对自动机实射动作冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析。根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量,并用比例梯度动量共轭算法训练的神经网络模型进行自动机状态定位与故障识别。     

地面运动目标分类的模式特征与评价

为了进一步对车辆目标分类，对实验获得的典型地面运动目标一轮式车、履带式车的地震动信号从频域、时一频域等多方面进行特征提取。在频域上，应用傅立叶变换、经典功率谱分析等常用的信号处理方法对信号进行处理，提取了信号的FFT特征和功率谱特征。在时一频域应用短时傅立叶变换、小波及小波包分析方法对信号进行处理，得到时频分布矩阵奇异值分布特征和小波包分解能量分布特征。之后基于距离可分性设计了一个模式特征可分性测度，对时域和时一频域所提取的各种特性进行对比评价，结果表明FFT特征、功率谱特征和小波分解后的能量特征具有更好的可分性。该结果与将各特征应用神经网络进行目标识别的结果是一致的。这表明所设计的模式特征可分性测度是有效的。     

一种基于小波和神经网络的故障诊断系统

基于小波变换的时频域局部化特征及神经网络的非线性映射特征,以滚动轴承为例,将小波变换和神经网络的优点结合起来.运用小波变换提取滚动轴承振动信号各频率成分的能量作为故障特征参数,将其作为神经网络的输入进行训练和故障识别,利用BP网络实现了对滚动轴承的故障诊断,取得了较好的效果.     

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。     

模糊神经网络在导弹动力系统多故障诊断中的应用

研究了一种差分进化算法和模糊神经网络相结合的故障诊断算法,构造了用于某导弹动力系统的模糊神经网络结构.故障诊断实例结果表明,基于差分进化算法的模糊神经网络学习速度快,能够正确分离导弹动力系统的单故障和多故障工作模式.     

改进小波包阈值算法在振动信号去噪中的应用

针对传统小波包降噪只考虑加性噪声,而无法去除乘性噪声的问题,提出了一种基于小波包系数阈值降噪的改进算法。该算法通过两次小波包分解和重构对信号降噪,第一次按照传统小波包去噪法去除加性噪声;第二次将分解后的小波包系数进行对数运算并采用阈值去噪法消除信号中乘性噪声。将改进算法应用于火箭发射塔架层2的振动信号去噪中。实验表明,改进算法相比于传统算法信噪比提高了2.2dB,且均方根误差降低;结合傅里叶变换,改进算法较好地保留了原始信号的能量特征及细节特征,为发射塔架在发射过程中承受的振动强度评估提供依据。     

基于多分形特征的枪械自动机裂纹故障诊断

为更好地利用振动信号对枪械自动机的裂纹故障进行诊断,提出基于振动信号多分形特征的故障诊断方法。该方法利用Wavelet Leader 来估计振动信号的多分形谱,通过6个特征量描述多分形谱的形态特征以实现多分形谱的降维,并使用基于Mahalanobis距离的分类器对不同的裂纹故障进行分类。应用该方法对某12.7 mm高射机枪自动机闭锁机构的裂纹故障进行了诊断,诊断正确率达到了82.5%,验证了将振动信号的多分形特征用于自动机裂纹故障诊断的可行性。     

局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.     

TC4切削动态特性及粗糙度形成动力学机理研究

为提高钛合金切削表面质量,通过动力学建模及试验研究,探索钛合金切削加工系统的动态特性及表面粗糙度形成动力学机理.建立单自由度刀具-工件振动系统动力学模型,研究刀具振动的动态特性,在无心车床上进行试验验证,采集刀尖振动加速度信号并测量表面粗糙度,用小波包分解加速度信号进行分析和处理.结果表明:刀尖振动加速度和位移振幅随进给速度增大而增大;加速度振动信号小波包分解后的各小波包能量较低,反映表面粗糙度也较低;刀尖振动信号中高频部分小波包的能量相对波动与表面粗糙度变化趋势相同,能量相对波动越大,表面粗糙度越大.     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

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。     

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.     

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。     

基于高阶累量谱的轴承故障诊断

在轴承故障诊断中，故障信号的提取是一个关键问题。实际测得的轴承振动信号一般是非平稳和非高斯分布的信号，信噪比很低，微弱的故障信息往往完全淹没在噪声中，信号特征的提取非常困难。信号的高阶累积量对加性高斯噪声和对称非高斯噪声不敏感，应用在轴承的故障诊断中，可以有效地分离信号与噪声，提高信噪比，增强故障信息。对轴承在不同状态下的振动信号进行对比分析，提取了不同状态下轴承振动信号的功率谱与高阶累量谱（双谱），建立了用于故障诊断的双谱特征向量，并利用BP神经网络进行了故障诊断。分析结果表明，从高阶累积量提取的特征与功率谱相比，对故障特征比较敏感，容易实现智能诊断中的数字特征提取，可有效地区分轴承的故障。     

基于驱动端电流检测的电磁阀故障诊断研究

提出基于驱动端电流检测的电磁阀故障诊断方法,研究了电磁阀驱动端电流特性及故障阀电流特征分析和识别方法。利用AMEsim软件搭建电磁阀的机、电、液模型,分析其驱动端电流与阀芯位移的关系;采集正常、弹簧断裂、阀芯轻微卡滞和阀芯完全卡死4种状态下的电流信号,分析不同状态的电流特征;针对驱动端电流为直流阶跃信号的特点,选取电流变化率为特征曲线,采用“能量-故障”的诊断方法,利用3层小波包分解对信号进行重构,并提取相应频带能量作为特征向量;利用前馈反向传播(BP)神经网络对提取的特征向量,对电磁换向阀模式识别和故障诊断。实验结果表明：基于“能量-故障”的诊断方法能较好地区分电磁阀的不同状态,并且经过训练的BP神经网络能够准确判别电磁阀的正常、弹簧断裂和阀芯卡死3种状态。     

遗传小波神经网络故障字典在模拟电路故障诊断中的应用

以神经网络、小波分析和遗传算法等为代表的智能诊断技术,是故障诊断技术发展的一个重要方向。以传统故障字典法、BP神经网络、小波分析和遗传算法等基本原理为基础,将神经网络、小波分析和遗传算法与故障字典结合,用小波分解预处理故障信号提取故障特征,用遗传算法优化BP神经网络的结构和权值,对基于遗传小波神经网络的故障字典在模拟电路故障诊断中的应用进行研究,并结合实例验证其实际使用性能。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．