混沌理论与小波包分析相结合的状态监测方法研究

基于混沌与小波包理论的研究，通过比较混沌方法与小波包方法各自在状态监测领域中的优点，提出了一种将两者结合进行状态监测的混沌小波方法，该方法通过对设备运行过程中已采集到的各关键部件振动信号的历史记录进行信号特征量的实时提取，以及对所得特征量的变化趋势进行比较研究，确定各监测部位的运行状态，进而实现故障定位。结合汽车变速箱中齿轮系统状态监测模拟实例，对该方法进行了验证，结果表明理论得出的数据和实验模拟结果相吻合。     

涡街流量信号背景噪声的混沌特性研究

首先介绍涡街发生的原理，分析了涡街噪声信号的产生具有混沌特性的可能性，引入小波方法分解涡街流量信号，运用混沌理论对涡街背景噪声信号的Lyapunov指数进行了计算仿真，结果表明涡街噪声信号是具有混沌特性的，并提取了涡街噪声信号的混沌特征，计算了盒维数。为定性地研究涡街流量信号特征提出了新的思路，实验数据的仿真结果说明了该方法的有效性。     

基于小波脊线的滚动轴承故障诊断方法

滚动轴承发生故障时的振动信号会呈现丰富的非线性动力学特征。基于小波脊线对非线性、非平稳信号分析优势,提出了基于小波脊线的混沌程度刻画方法用于滚动轴承多类故障诊断。通过对故障振动信号共振频带包络信号提取小波脊线,并与故障振动信号K熵对比。结果表明,小波脊线不仅能识别滚动轴承故障类型,亦能由小波脊线表征的混沌程度反映故障严重与否。     

小波分析在混沌信号识别中的应用研究

通过分析混沌信号和噪声信号的频谱特性以及小波变换对两种信号的作用结果的差异。论证了小波变换是一种有效的去除混沌信号中噪声成分的方法。通过数值仿真研究，证明了小波方法的有效性，最后给出了实验结果。     

小波尺度谱在AE信号特征提取中的应用

通过分析典型声发射信号及其特征提取,将小波尺度谱引入到声发射故障诊断领域,首次提出了声发射信号的小波尺度谱分析法。给出了小波基函数及其参数的选取,克服了声发射信号小波尺度谱的时、频分辨率不能同时达到最好的缺陷。将小波尺度谱用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分直观、清晰、准确。仿真分析和实验研究均表明小波尺度谱能有效应用于基于声发射技术的状态监测与故障诊断。     

基于声发射及WST-CNN协同的滑动轴承润滑状态识别

为实现声发射信号对滑动轴承润滑状态变化进行灵敏表征,提出一种采用小波散射变换及卷积神经网络结合的滑动轴承润滑状态识别及故障诊断研究方法。以某310 MW汽轮发电组滑动轴承现场试验所得声发射信号为研究对象,将现有小波散射网络加入散射路径优化机制并进行参数优化,对滑动轴承声发射信号进行自动鲁棒特征提取,将最佳特征矩阵输入优化后的卷积神经网络进行润滑状态识别分类。结果表明,优化后的小波散射网络能够有效提取声发射信号特征,结合优化后的卷积神经网络对特征矩阵进行智能识别,对滑动轴承润滑状态识别率可达到95.28%,能够高效精确地对滑动轴承润滑状态进行诊断。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

基于小波分析ARMA模型的气体压力识别

提出了内燃机缸内气体压力的一种新的间接识别方法。利用缸盖振动响应信号建立盖系统的ARMA模型，并用小波包变换方法对缸盖振动响应信号进行去噪和分形，将重构后的缸盖振动响应信号作为缸内气体压力识别的原始数据，大大提高了识别精度。计算的结果与实测的结果吻合较好，本文的研究对内燃机的状态监测和故障诊断具有实用价值。     

基于小波方差谱熵的轴承故障诊断方法

本文提出了一种基于小波方差谱熵的故障诊断方法。该方法以信号的方差在小波域上分解形成的谱向量的熵值作为故障的诊断特征，建立了基于小波方差谱熵的故障检测及诊断模型，并提出了基于判别能力因子的小波基选择方法。试验结果验证了小波方差谱熵能有效地反映轴承信号特征并检测出故障类别，实验最后将本文方法同基于小波能谱熵的故障检测方法进行比较，实验结果表明本文建议的方法在检测率及时间上有显著提高。     

Detection of internal delamination in multi-layer composites using wavelet packets combined with modal parameter analysis

This paper presents a study on active detection of delamination for multi-layer composites using a combination of modal analysis and wavelet transform. The analysis of modal parameters for multi-layer composites with internal delamination is carried out, and energy spectrum of wavelet packet decomposition of structural dynamic response is investigated. For several samples with different delamination dimensions and support conditions, the finite element method is used to study the relationship between delamination dimension and damage-induced change of structural physical property. Results show that delamination leads to a variation of energy dissipation in plate vibration, and it is mode-dependent. For relatively small delamination, the damage-induced changes of natural frequencies and mode shapes are too slight to be detected practically. However, by means of analysis on energy spectrum of wavelet packet decomposition even smaller delamination can be detected using the measured dynamic response signals.     

小波包降噪方法在滑动轴承故障诊断中的应用研究

小波分析对高频信号降噪效果不明显。针对该问题，提出利用小波包分析对轴承故障信号的降噪方法，并用计算机仿真和实例分析对小波包降噪方法进行了验证。通过对小波降噪和小波包降噪方法的对比分析，表明小波包分析在降噪中的有效性。     

听觉小波包在舰船噪声分解与重构中的应用

舰船噪声的分解和重构对于舰船噪声特征提取与听音分析都具有重要作用。采用多分辨分析理论对噪声进行分解和重构只能对低频进行精细化处理,但对高频却难以达到理想效果。正交小波包分析可以在任何欲处理的频带内进行可允许的任意层次分解,但分解的小波包树的结构难以确定,没有明确的构造导引方法。将Bark频率群的理论引入小波包树结构的选择,提出构造听觉小波包树结构的方法,构建了基于db6小波的采样率为44.1 kHz的听觉小波包。采用该听觉小波包结构对四型舰船噪声信号进行分解、子带加权和重构,频谱分析和听音分析都表明重构噪声特征更加清晰。     

基于小波包分析的拉索损伤声发射信号特征提取

结合显式有限元和小波包分析技术开展了拉索损伤声发射信号特征提取的仿真分析。采用ANSYS/LS-DYNA模拟得到拉索损伤声发射信号的仿真信号,基于小波包能量谱对拉索声发射的有限元仿真信号进行了特征提取,从小波包分解层次、特征频带数量的选择及特征参数的噪声鲁棒性三个方面开展了讨论分析。结果表明:(1)通过选择适当的小波包分解层次,小波包能量谱可以精细地反映信号的特征;(2)选取少数特征频带就能使得小波包能量谱反映声发射信号的特征信息;(3)基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对拉索不同损伤类型的判别。     

单段爆破振动信号频带能量分布特征的小波包分析

爆破振动分析是研究爆破振动危害控制的基础,也是控制爆破振动危害的前提。根据爆破振动信号具有短时非平稳的特点,利用小波包分析技术对满足分析要求的单段微差爆破振动信号的能量分布特征进行研究。首先,简略地介绍了小波变换与小波包分析的特点。其次,基于MATLAB对单段爆破振动信号进行小波包分析,得到了爆破振动信号在不同频带上的能量分布图。最后,总结了单段爆破振动信号频带能量的分布特征。结果表明,在单段爆破中,爆破震动信号成分主要以中高频(39Hz~156Hz)为主,低频成分(39Hz以下)所占比例极少。     

时频分析方法在冲击故障早期诊断中的应用研究

冲击故障的振动响应信号是时变的 ,用传统的诊断方法一般难以进行早期发现和诊断。本文基于小波包对时变信号的多分辨分解和重构能力以及 CONE时频分布对时信号的优良描述特性 ,发展了基于小波包的时频分析方法。经试验和现场监测数据的分析和验证 ,说明该方法能够从很强的基础振动信号中提取清晰直观的冲击故障特征 ,可以实现冲击故障的早期诊断     

用1(1/2)维谱结合小波包能量提取地震动信号特征

针对车辆（轮式车、履带式车）引起的地震动信号中,具有非平稳、非高斯性特征相互重叠的实际情况,研究了地面活动目标产生的地震动信号特性;从理论上说明了1(1/2)维谱可消除车辆引起的地震动信号中的高斯白噪声或有色噪声,在将[112]维谱分析和小波包能量谱相结合的基础上,提出一种特征提取方法,以便区分不同的车辆目标。在时频域构建以[112]维谱和小波包能量谱作为地震动信号的联合特征向量,建立以训练误差为目标的BP神经网络模式分类器;然后对两类车辆信号进行识别。地震动信号的车辆实测数据表明,该方法能够准确和有效地识别车辆引起的地震动信号。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向。一个有效的特征提取和分类决策方法对水声信号分类技术至关重要。文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器。研究结果表明：三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到（98±1）%的总体准确率。因此,小波包时频图特征结合卷积神经网络的水声分类方法可望推广至更多水声信号分类。该研究结果可为水声信号的分类识别研究提供应用参考。     

三种鱼类发声信号频带能量特征提取与分类研究

海洋渔业资源的开发和利用对经济鱼类的分类识别提出了迫切的技术需求。根据鱼类的不同发声特征,文章采用有监督机器学习方法实现了三个不同鱼种发声信号的分类。基于小波包分解技术提取了黄花鱼、大米鱼和黄姑鱼三种鱼类发声信号的频带能量特征,并利用不同的分类器进行分类。结果表明：三种鱼的发声信号频率主要集中在300～800 Hz之间,基于小波包分解的频带能量特征可实现3种鱼的有效分类。其中,线性判别分类器和随机子空间判别分类器的分类效果较好。该方法可为海洋渔业资源的开发和利用提供服务。