基于小波包-神经网络的泵机组故障诊断

泵机组是部队油库的主要工作设备,长期工作容易发生机械故障,对其进行故障诊断非常必要。本文通过采集泵机组工作时的振动信号,对采集到的信号进行小波包分解提取特征向量,利用三层BP神经网络对特征向量分类训练和模式识别的方法,提高了泵机组故障诊断的速度和精度。实验的结果表明,小波包分解与BP神经网络相结合的方法,故障识别精度高、速度快,可以满足油泵故障诊断的要求。     

基于ICA和小波相结合的信号降噪技术研究

针对信号的非线性、非平稳性和奇异性,提出一种联合独立分量分析和小波变化模极大值对强噪声下的振动信号进行降噪的方法.首先采用独立分量分析对含有强噪声的振动信号进行信噪分离,再对分离后的信号采用小波模极大值分解.结果表明,该方法降噪效果非常明显,并能够准确地检测出信号的奇异点位置.     

基于二进离散小波——核降噪自编码的电机振动信号多级降噪

在电机故障预测中振动特性信号常被噪音掩盖难以直接使用,因此针对含有噪音的振动信号本文提出一种基于二进离散小波变换(DDWT)--核降噪自编码(KDAE)的局部-全局多级降噪模型,该模型结合小波降噪在局部信号处理领域的优势和深度神经网络对于多维特征全局优化的能力。局部降噪过程选用sym5小波基函数,降噪阀值0. 06,降噪后的信噪比到达23. 1,信号的样本标准差降低一个数量级;为了弥补二进离散小波降噪后数据的重建损耗波动幅度大的缺点,文章进一步提出了针对全局降噪优化的基于核方法的降噪自编码模型,模型的误差只有0. 16%,通过优化后信噪比在上级降噪的基础上又达到了18,同时样本标准差降低为0. 0004,并且重构损耗的时序曲线在时间尺度上具有明显的光滑性。本文所构建的降噪模型对含有多维特征的的机电振动信号降噪提供了有效的解决方法。     

独立分量分析技术在设备故障诊断中的应用

针对设备振动信号复杂难以分离的特点,提出采用独立分量分析技术对多源振动混合信号进行分离降噪和特征提取。实验结果表明,利用该方法可有效对多源信号进行分离降噪,提取特征信号,从而达到提高故障诊断准确率的目的。     

基于小波包和GA-BP网络的柴油发电机故障诊断

针对柴油发电机的非平稳和非线性振动信号诊断难的问题,利用小波包和遗传算法优化的BP(GA-BP)网络两大工具对其进行故障诊断。首先利用小波包对柴油机发电机的振动信号进行分解,单支重构,构造特征向量,再将特征向量输入到遗传算法优化的BP网络里,从而实现柴油发电机的故障类别诊断。实验仿真和工程应用结果表明:所采用的方法可有效并精确地实现柴油发电机故障类别的诊断。     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

电力电缆局部放电测量小波降噪技术

从主要测试方法、信号提取电路和信号波形、离散小波变换（DWT）的滤波器本质特性实例分析了电力电缆局部放电的现场测量和降噪分析技术。根据离散小波降噪的母小波选择、分解尺度选择和阈值算法等3个关键因素,分析了DWT降噪应用于电缆局放现场信号处理的局限性,并对DWT降噪应用于在线局放检测的前景进行了展望。     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

一种基于小波分解的储罐声发射源定位波形滤波算法研究

小波分解是以小波基为基础,对信号进行多层分解的一种数学方法。近年来,小波分解逐步应用于声发射源定位计算中,根据小波分解后信号时域不变的特性,可以对声发射源的位置进行计算。目前,小波分解定位精度的主要影响因素是声发射信号中的噪声信号。因此,在小波分解前对声发射信号进行降噪,对提高信号小波分解源定位的精度有重要意义。引入了一种基于阈值的降噪方法,结合小波分解,尝试研究了声发射信号降噪算法对定位精度的影响。     

基于多尺度的形态滤波降噪方法

旋转机械的振动信号大多为混有强噪声的非平稳随机信号,降噪是对该类信号进行分析处理的关键。在对数学形态学及其滤波原理和算法进行分析研究的基础上,针对已有基于形态滤波的降噪方法,结合旋转机械振动信号特点,提出基于多尺度运算的平均组合形态滤波降噪方法。在仿真验证该方法有效性的基础上,将其应用于滚动轴承的特征频率提取,结果表明:该方法能够很好地去除滚动轴承振动信号的噪声干扰。     

Diagnosis of working conditions of an aluminum reduction cell based on wavelet packets and fuzzy neural network

In this paper, fuzzy neural network is combined with wavelet packet analysis for diagnosis of working conditions of aluminum reduction cells. The sample data is pre-processed using best wavelet packet basis for the forecast and then an adaptive-network-based fuzzy inference system (ANFIS) is established for diagnosis of working conditions. The wavelet packet analysis was used to extract the characteristic of signal according to the frequency spectrum characteristics of voltage vibration signal of aluminum reduction cells. The signals were decomposed into eight frequency bands and the information pre-conditioned was used as an energy characteristic vector. The structure of ANFIS is given and the membership function is developed according to the actual situation. All simulated working conditions are emulated on 350 KA pre-baked aluminum reduction cells. The feasibility of this novel method is proved by the simulation results.     

高含气率气液两相流差压信号时频特征分析

为了更有效地揭示高含气率气液两相流流动特征,研究了一种新的时频特征分析方法。首先,对差压波动信号进行小波包变换并由变换系数计算信号能量的时频分布;然后,应用统计方法对时频分布进行特征提取得到一组时频特征量。应用类可分性测量准则分析该组特征量区分不同流型的效果,并与以往小波包特征分析方法相比较,结果表明:该组特征量具有更强的流型特征表征能力。最后,以该组特征量为输入向量,构建了集成多类支持向量机分类器实现了流型识别,其流型正确识别率可达97%。     

小波模极大值在拉曼光谱信号去噪中的应用

针对基于CCD传感器的拉曼光谱仪中拉曼光谱信号受到噪声干扰的问题,在详细讨论了CCD噪声特性及噪声模型,并在分析了小波变换模极大值特性的基础上,提出了一种有效的拉曼光谱预处理的新方法,即小波变换模极大值去噪方法。实验结果表明,该方法能够有效消除光谱噪声,很好地保留了拉曼光谱信号特征,取得了较好的滤波效果,同时为后续的拉曼光谱定性、定量分析奠定了基础。     

基于小波神经网络的FRP复合材料损伤声发射信号识别

针对FRP复合材料损伤声发射信号的特点,运用小波包分解提取特征向量作为网络输入,通过小波分析与神经网络紧致结合的方式对不同类型的损伤模式进行识剐,并将遗传算法引入到小波神经网络中,优化网络初始权值,提高了网络的全局搜索与识别能力.     

小波分析与FCM在输气管泄漏监测中的应用研究

选择输气管道泄漏、压缩机和旁通的若干信号为样本,筛选能有效反映不同工况样本特征的几个特征量组成多维特征向量并作为FCM聚类的输入,计算聚类中心。结果表明:自相关函数最大值、小波谱、小波熵、平均幅值作为特征量能较好地反映输气管不同运行工况音波信号的特征,FCM聚类能较好地区分泄漏工况与正常操作工况的运行模式。     

基于支持向量机的化工装置电力电子故障诊断

采用小波包分析与支持向量机（SVM）对化工装置电力电子故障进行自动识别和诊断,运用变尺度分辨小波包方法对电力电子故障信号进行特征处理。支持向量机能够对小样本数进行模式识别,并且具有良好的分类推广能力。在小波包分析特征基础上,采用分布式多支持向量机（SVM）分类器识别化工装置电力电子故障。结果表明：该方法能准确有效地对化工装置的电力电子故障进行识别和诊断。     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

应用小波分析研究外循环反应器的浓度波

应用小波分析研究了外循环反应器浓度波这类非平稳拟周期信号的特征 .首先利用能量最大准则确定浓度波的特征尺度 .其次利用浓度波的特征尺度 ,重构了浓度波的波形 .最后利用小波分析计算了浓度波波峰处的局部奇异性指数     

管道振动故障三维识别方法

针对传统的管道单通道故障诊断存在的局限性,提出将全信息小波包技术和支持向量机技术相结合的管道振动故障识别。用小波包变换对三通道信号分别分解,用能量法求出分解后各频带信号对应的能量,并构建三维全信息能量特征向量,作为支持向量机分类器的训练样本和测试样本。经验证,训练后的分类器能够对管道振动进行识别和诊断,并且提高了故障识别的效率和精度。