基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及其于多分辨分析的信号小波的分解算法，研究了信号局部奇异性的小波变换下的特性；根据故障信号的局部奇异性在小波变换下模的极大植及其在不同尺度上的传播特性，对308型滚动轴承振动加速度故障信号进行分解，对故障特征信号进行时域定位，并提取了故障特征频率f=46.88Hz，这与实际的故障特征频率相近，说明该方法适用于滚动轴承的在线监测和故障诊断。     

小波分析在电液系统故障诊断中的应用

通过实验的方法,对电液系统进行了局部故障模拟,提取了模拟故障的特征信号,并利用小波变换这一时变信号分析的有力工具,对信号进行了多尺度分析,通过对小波变换后系数的模量极大值的检测来确定故障发生的时间点,对突变信号进行有效识别．结果表明,小波分析方法应用于电液系统的故障诊断是可行的．     

基于提升小波的输电线路短路故障奇异点检测

输电线路的破坏大多由短路故障引起．通过分析短路故障,采用提升小波对故障后的电流进行检测．仿真结果表明,提升小波能有效地检测输电线路短路故障信号的奇异点．同传统小波变换相比,提升小波变换计算速度更快,计算方法更简单．     

基于高阶统计量和小波变换的差压信号分析

为分析气液两相流差压信号的内在特征，提高测量信号的信噪比（SNR），提出了一种基于小波变换和高阶统计量的信号分析方法.该方法利用小波变换技术将差压信号分解为多个不同频段的尺度函数，根据先验知识滤除信号中的高频噪声，同时提取不同尺度上的细节信号能量特征值.基于高阶统计量技术，提取不同工况下重构的已除噪差压信号的双谱特征值，分析了信号的双谱特性.初步研究表明，小波变换和高阶统计量相结合的信号分析方法能有效地抑制信号中的高斯有色噪声，提取的细节尺度能量特征和双谱特征可以提供更多的关于管道内复杂流动状况的信息.该方法为气液两相流流动状态的判别和过程监控提供了有益的借鉴.     

基于提升小波变换和Hilbert调制技术的故障识别方法

齿轮局部发生故障后,非线性振动信号频谱中齿轮啮合频率及其二、三次谐波附近的边频带均出现显著增长.由于提升小波算法预测和更新原理与故障信号紧密相关,利用提升小波对振动信号进行时频特性分析和信息预处理,通过预测器和更新器的设计取代小波基函数选取过程;随后对蕴含大量故障特征信息的高频细节信号实施Hilbert变换,调制信号的包络谱中彻底剔除常规振动分量仅保留故障信息,该方法可高效识别振动信号频谱中的齿轮故障特征频率.最后用实例验证基于提升小波变换的Hilbert调制分析在齿轮故障诊断中的有效性.     

基于形态小波的转子轴心轨迹提纯

针对汽轮发电机组轴心轨迹的提纯问题,提出采用形态小波提纯转子轴心轨迹的新方法.形态小波作为一种非线性小波,兼顾数学形态学的形态特征和小波的多分辨率特性,具有良好的细节保留和抗噪声性能.采用形态小波提纯轴心轨迹,无须考虑信号的频谱特征,通过对形态小波分解得到的分量进行阈值降噪处理,然后重构原信号得到提纯的轴心轨迹.将实际数据分别通过传统的Haar小波与形态小波进行处理,结果表明,形态小波在轴心轨迹提纯方面的效果更明显.由于形态小波变换算法只涉及加减和极大、极小运算,算法简单且执行高效,适合汽轮发电机组故障的在线监测和诊断.     

利用小波变换提取电力系统故障时刻的研究

在简要介绍小波理论的基础上，将小波变换应用于电力系统故障时刻的提取，并给出了220kV系统单相接地故障的MATLAB仿真实例，同时根据有效信号和随机噪声的小波变换呈现出不同的特征，探讨了小波分析用于微机继电保护时，尺度参数对小波变换的影响。     

小波故障选线新原理中基于频谱分析的尺度选择

从传统的信号频谱分析出发,对小波故障选线新原理中的尺度选择进行了深入分析,探讨了电力系统故障暂态信号的频谱与信号小波变换模极大值之间的内在联系,为基于小波分析的故障选线新原理提供了尺度选择的理论依据,同时也为小波分析在电力系统其它领域中的更广泛应用提供了一个很重要的分析方法.     

小波包降噪在风机振动检测中的应用

该文针对小波包变换理论及小波包降噪基本原理,对风机的异常振动加速度信号进行了处理,提取有效的信号特征,滤除干扰.实验结果表明,小波包降噪能够根据实际信号的特征,自适应地选择频带,滤出各种噪声干扰.在此基础上对信号进行频谱分析,可以实现对风机故障的高效诊断.     

基于小波变换的高密度电法资料去噪研究

小波变换方法是近年来发展起来的一种新的数学方法,目前,小波分析已经成为国际上公认的最新时频分析工具,成为多学科共同关注的焦点,尤其是它可以对离散性信号进行非线性降噪处理.传统的高密度电阻率信号降噪处理一般采用坏点切除、滑动平均或偏值滤波的方法,即采用线性方法经行降噪,不能很有效地突出有用异常信号、完全去除畸变点,从而不...     

小波阈值降噪在岸桥小车轨道振动信号处理中的应用

针对测量时振动信号易受噪声干扰的特点,采用小波降噪法对原始信号进行降噪处理。小波具有“变焦距”、较好的时频局部分析能力等特性,适合非平稳信号振动噪声处理。分别通过小波阈值降噪法对仿真信号并口岸桥小车轨道铰点振动信号进行降噪处理。试验表明,小波阈值降噪法能够较好的消除噪声,能有效提高信噪比、降低均方误差,为进一步分析振动信号奠定了基础。     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

基于LMD-SVD的微震信号降噪方法研究

作为一种3维、实时的监测手段,微震监测通过分析岩体破裂产生的微震信号,评估工程岩体的稳定性,为工程建设和人员安全提供预警。然而,工程现场情况复杂,采集微震信号时通常会混入一定程度的噪声,影响后续微震信号的分析工作。针对这一问题,提出一种基于局部均值分解（local mean decomposition,LMD）和奇异值分解（singular value decomposition,SVD）的LMD-SVD联合降噪法以降低噪声干扰。该方法首先使用LMD分解,获得一系列由高频到低频分布的乘积函数（product functions,PF）;通过计算原始信号与各个PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将分界分量之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,使用SVD法,以加权能量贡献率（percent of contribution to total energy,PCTE）作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。通过上述处理,最终实现微震信号降噪。在仿真实验中,对于同一带噪的Ricker子波,分别使用经验模态分解（empirical mode decomposition, EMD）、LMD、LMD-SVD这3种方法进行降噪处理。其降噪前后信号的信噪比、波形图及频谱图对比结果表明LMD-SVD是一种更好的降噪方法。此外,对于白鹤滩水电站左岸地下厂房的微震监测系统所采集的信号,运用LMD-SVD对含噪微震信号进行降噪处理,表明本文方法能够有效地去除微震信号中的高频噪声,为后续微震分析工作提供帮助。     

基于DCT及高频屏蔽窗的小波图像去噪方法

为精确估计噪声方差,提出一种基于离散余弦变换及高频屏蔽窗的去噪方法,利用离散余弦变换（DCT）对小波高频子带进行局部特征提取,在此基础上对由噪声引起的小波系数的幅值进行估计,从原小波系数中屏蔽噪声部分的幅值,并用小波逆变换对剔除噪声分量后的小波系数进行恢复,从而得到去噪后的图像．该方法避开了噪声方差的估计,并在去噪效果和保留细节方面要好于传统的阈值去噪方法．     

复双谱耦合性质在故障诊断中的应用

为了提高故障诊断正确率,提出了一种基于复双谱的机械故障诊断方法.这种方法根据复双谱的不同耦合方式进行故障判别.由于耦合方式不同,复双谱包含的信号间的耦合信息也不相同,这些信息可以用来进行故障诊断.在减压阀故障诊断实验中,对特定的故障信号和正常信号同时采用相同的耦合方式,根据二维小波可以有效提取信号中频率信息的特点,利用二维小波提取复双谱中的这些耦合信息的特征值,并将这些特征值输入支持向量机进行故障判别.实验结果表明,随着耦合方式的不同,同一故障的诊断正确率也不相同.     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.     

基于Wigner-Ville分布的角域故障特征提取方法的研究

将采集的时域非平稳信号经过角域重采样转换成角域准平稳信号,再应用时频分析的方法进行分析,可提高分析精度.实际的工程信号不可避免的都存在噪声干扰,必须对信号作预处理,将信号中的噪声部分消除而又不至于将有用信息滤除,从而能够准确地提取出故障特征,第二代小波去噪方法可以较好地满足此类要求.角域信号带有相位信息,对角域信号应用基于Ga-bor重构的时变滤波技术遮掩掉信号中的各阶比分量,提取出仅包含有故障特征的信号,再计算其Wigner-Ville分布,可将故障定位在某一具体角度上,这对于叶轮机、齿轮等的故障检测具有重要的现实意义.     

基于小波变换的汽车齿轮箱振动信号故障分析

本文利用小波变换和能量特征值对汽车齿轮箱振动信号进行特性分析。利用小波变换的分解和重构算法,对小波系数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,及时发现齿轮箱的早期故障,提高汽车运行的安全性。仿真研究结果表明用小波变换在故障信息诊断方面是可行的和有效的,提高了故障检测的可靠性。     

提升小波包在滚动轴承故障特征提取中的应用

为从滚动轴承振动信号中提取出故障状态信息的特征,针对信号的特点和提升小波包变换性质,采用提升小渡包最优分解法获得故障敏感特征频带,对各频带进行标准化向量特征构造,提取出各个频带的故障特征。结果表明,滚动轴承故障信号的敏感特征频带能量集中明显,故障特征得以有效的提取出来。