基于更新提升形态小波变换的车辆目标震动信号特征提取

针对传统线性小波变换在处理地面目标震动信号上的局限性,提出了一种更新提升形态小波来提取车辆目标震动信号的特征信息。利用仿真信号和实测的两类车辆目标震动信号进行对比分析,分析结果表明与传统线性小波和极大形态提升小波相比,更新提升形态小波不仅能在强噪声环境下有效提取目标信号的特征信息,同时不受低频信号干扰,为基于震动信号的地面目标精确识别提供了一条新的途径。     

形态非抽样小波及其在冲击信号特征提取中的应用

针对形态小波分解过程的抽样引起信号长度逐层递减的问题,提出一种基于多尺度Top-Hat变换的形态非抽样小波构造方法。利用形态非抽样小波的一般框架,分别采用形态学开运算和多尺度Top-Hat变换作为形态非抽样小波分解的近似信号和细节信号的分析算子,使形态小波分解过程中信号长度保持不变,从而保证了形态分析时所需的信息量。结合转子振动冲击特征信号提取试验,验证所提方法在故障诊断中应用的可行性与有效性。     

一种基于WMUWD的液压泵振动信号预处理方法

针对轴向柱塞液压泵故障引起的振动信号非线性强、故障信息湮灭在噪声干扰的问题,提出一种基于加权形态非抽样小波分解(WMUWD)的振动信号预处理方法。首先,在形态非抽样小波分解的一般框架下,提出WMUWD方法,利用特征能量因子表征形态非抽样各分解层近似信号对故障特征的贡献量,并以此为依据进行加权融合,以提高有用信息比重,便于特征提取;在此基础上,对WMUWD方法的初始参数设置进行了分析,给出了一套比较系统的优选组合方法;最后,利用仿真信号以及液压泵实测振动信号验证了该方法的有效性。     

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。     

提升小波包最优基分解算法在爆破振动信号分析中的应用研究

针对工程爆破网络监测与预报系统对精度、效率的要求,本文提出将提升小波包最优基分解算法应用于爆破振动信号的降噪处理及能量特征提取。在提升小波包多尺度变换的基础上,通过对最优基搜索算法的改进满足了复杂信号在线处理对算法的需求,结合应用实例验证了该算法能够有效滤除实测信号中的干扰噪声,并准确获取信号在各频带的能量分布特征。提升小波包最优基分解算法在爆破振动信号分析中的应用为爆破振动危害的研究和控制提供了分析基础和技术支持,具有良好的应用前景。     

基于提升模式非抽样小波变换的滚动轴承故障诊断方法研究

首先分析了传统离散小波变换在分解信号时的缺陷,根据非抽样小波变换的原理,提出一种基于提升模式的非抽样小波变换方法。然后根据滚动轴承故障特征,提出了基于提升模式非抽样小波变换的滚动轴承故障诊断方法,在ADBE-56-N4型交流电机上实测了6305型滚动轴承正常情况、外圈故障、内圈故障时的振动信号,结果表明,与传统离散小波相比,该方法能更加有效地诊断滚动轴承的故障     

变压器绕组松动的振动实验分析

变压器绕组故障是变压器故障中的重要部分,基于振动信号分析的方法可以实现变压器绕组运行状态的在线测量。阐述绕组的振动机理及传播路径,通过人为设置绕组松动故障,实测负载时不同松紧程度下的变压器油箱表面的振动信号。利用小波变换(WT)、经验模态分解(EMD)和总体经验模态分解(EEMD)三种方法对信号进行处理,并对信号能量熵求解,对比结果发现:针对绕组振动信号,三种能量熵变化规律与100 Hz处幅值均可作为初步判断绕组松动的指标。     

二代小波包变换在爆破振动信号去噪分析中的应用

在提升算法及小波包变换原理基础上,构造了基于插值细分的小波SGW(6,6);介绍了基于最优提升小波包基分解的阈值去噪算法,将实测爆破振动信号通过二代小波包分解,对小波包系数进行阈值量化,再对阈值处理后的系数进行重构,成功地实现了爆破振动测试信号中的噪声去除。为将二代小波包变换引入到爆破振动效应分析研究领域奠定了基础。     

基于形态非抽样融合与DCT高阶奇异熵的液压泵退化特征提取

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题,提出基于形态非抽样融合与DCT(Discrete Cosine Transform)高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法,通过构建特征能量因子筛选各分解层近似信号,据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息;并利用DCT高阶谱分析法对融合信号进一步处理,通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量;用仿真信号及液压泵实测振动信号验证该方法的有效性。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

田湾核电站基础开挖爆破振动检测与数据分析

为了深入研究爆破振动信号的特征,应用小波变换方法对具有短时非平稳特点的爆破震动信号进行了特征分析。结合连云港田湾核电站3、4号机组扩建爆破施工实例,进行数据采集和分析。根据小波变换的时-频特性和分层分解展开关系。将爆破震动时间历史信号用分层重构信号进行扫描,分析这些信号得到了不同频率带上爆破震动的相对能量分布和振动强度的时间变化规律。爆破震动信号实测结果分析表明:基于小波变化的能量分布特征分析可以更准确的给出爆破震动信号的信息。     

基于Hilbert-Huang变换的切削颤振识别

针对切削颤振信号的非线性、非平稳特征,提出基于Hilbert-Huang变换的切削颤振识别方法。通过对颤振信号进行经验模态分解(EMD)获得一系列本征模函数,筛选出对颤振敏感的本征模函数进行带通滤波,对滤波后本征模函数作Hilbert变换,绘制Hilbert谱;提取Hilbert谱幅值标准差进行颤振定量识别。用仿真及实测振动信号验证该方法的有效性,并用小波包分解方法进行对比。     

基于CEEMD与TQWT组合方法的爆破振动信号精细化特征提取

针对传统小波在爆破振动信号特征提取和分析方面的局限性,提出了基于CEEMD和TQWT组合的信号精细化特征提取方法。预先设定可调品质因子小波TQWT高、低品质因子参数对CEEMD分解优势分量重组信号进行分解,并引入相对权重因子θ,优化了分解过程,实现了爆破振动信号特征的精细化提取。分析结果表明:组合方法对爆破振动信号的分析不依赖于先验小波基的选择,分解过程实现了信号的二次滤波。通过连续小波多尺度三维谱和时频小波脊线对比,说明组合算法分解得到的最佳分析信号可真实反映振动信号的细节信息,时频分辨率更高。该组合方法抑制了杂波分量对信号特征的干扰,可精确地提取复杂环境下的爆破振动信号特征信息。     

桥梁GNSS-RTK变形监测数据的CEEMDAN-WT联合降噪法

在桥梁GNSS-RTK变形监测中,监测信号会被多路径噪声误差所影响。针对上述问题,提出了自适应经验模态分解(CEEMDAN)和小波变换(WT)相结合的方法对桥梁GNSS-RTK监测数据进行降噪处理。采用CEEMDAN对振动响应进行分解得到本征模态函数(IMFs),利用相关系数鉴别出有效的IMFs,同时利用WT中的不同小波基对其余噪声与信号共存的IMFs进行阈值降噪,最后对信号进行重组。通过对模拟试验和基于GNSS-RTK的海河斜拉桥实测数据进行处理,结果表明,CEEMDAN相比于EEMD能有效解决模态混叠问题,CEEMDAN与WT相结合的方法对桥梁监测数据具有良好的降噪效果,能成功提取到桥梁真实位移信息。     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

改进的经验小波变换在滚动轴承故障诊断中的应用

经验小波变换是一种基于Fourier 频谱特性,通过构建自适应小波滤波器组来分析复杂多分量信号的方法。该方法能够有效识别信号中的不同模态分量,但由于其Fourier 频谱分割问题,在处理噪声及不稳定信号方面有所欠缺。针对这一问题,采用改进的经验小波变换方法,将信号分解为具有物理意义的经验模态。改进的经验小波变换主要考虑被处理信号的频谱形状,通过采用基于顺序统计滤波器（OSF）的包络方法以及遵循三个准则来获取有效峰值的方法,改进Fourier 频谱分割过程。将改进的方法应用于滚动轴承故障诊断中,由于改进的经验小波变换能够将振动信号分解为一系列单分量成分,因此在轴承振动信号包络谱中能够清晰的发现故障特征。通过对滚动轴承振动模拟信号和实验信号的分析验证了该方法的有效性。     

自适应小波降噪在轴承故障诊断中的应用

针对轴承振动的非平稳性特点和频谱成分的混杂性,提出了基于小波的信号自适应阈值降噪法。自适应阈值降噪法首先对信号进行离散正交小波多层分解,对分解后的各层细节系数中模小于某阈值的系数进行处理,然后将处理完的小波系数再进行反变换,重构出经过降噪后的信号。用仿真信号进行降噪处理,结果表明:通过选择合适的小波基和阈值选择规则,可以实现信号的完美降噪;实测轴承振动信号用小波降噪方法进行预处理,提高了信噪比,进一步作频谱分析得到了故障特征信息,为诊断决策提供了依据。     

基于小波包的振动信号去噪应用与研究

小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力。基于小波包变换的优良时频分析特性,论述小波包分析的基本原理,研究小波包在振动检测信号消噪处理中的应用,给出应用小波包变换对基于MSP430F449单片机的信号采集电路所检测到的振动信号进行消噪处理的实例。结果表明小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法能够更好地去掉高频部分,从而达到有效去除信号中噪声的目的。     

改进经验小波变换的齿轮箱故障诊断新方法与应用

针对经验小波变换在频谱划分时检测的边界过于集中在频谱中幅值较大频率段的问题,对经验小波变换在频域内利用检测极大值来进行频谱划分的方式进行研究,提出基于频谱趋势的改进型经验小波变换,利用仿真信号和汽车座椅水平驱动器振动信号进行测试。研究结果表明,该方法能够使啮合频率及其谐波与边频带作为一个模态被分解出来。通过对分量信号进行Hilbert变换解调分析,实现对齿轮箱故障的定位。     

基于多重分形与奇异值分解的往复压缩机故障特征提取方法研究

针对往复压缩机故障信息干扰耦合,振动信号呈现复杂非线性、非平稳等特性,提出一种基于多重分形与奇异值分解的多传感器故障特征提取方法。广义分形维数能够更精细的刻画信号的局部尺度行为,通过对多传感器信号进行多重分形分析,构成广义分形维数初始特征矩阵,应用奇异值分解法进行数据压缩,提取矩阵特征值作为故障特征向量。以往复压缩机传动机构为研究对象,通过振动信号提取不同位置轴承间隙大故障的特征向量,利用支持向量机作为分类器,与单一传感器多重分形法和多传感器单重分形法进行对比分析,验证了该方法的有效性。