强背景噪声下的小波熵模极大值消噪方法

针对矿井提升机特征信号在强非平稳和强噪声背景下难以有效提取的问题,结合小波能量熵理论与小波模极大值的奇异性理论,提出一种有效的强背景噪声下提升机信号消噪方法。该方法利用信息熵能定量描述时-频域能量概率分布的特性,采用小波熵自适应确定噪声阈值,有效去除随小波分解尺度增大而不断减小的小波模极大值,保留随尺度增大而增大的模极大值,并重构经有效过滤的剩余小波模极大值,实现强背景噪声下噪声信号与真实信号的有效分离。通过对仿真信号和提升机实测信号的应用,表明了该方法消噪效果明显,消噪数据可靠,提高了强背景噪声下提升机故障诊断的数据可靠性。     

小波变换在多层复合材料的超声波检测中的应用

针对多层复合材料深层界面脱粘检测中回波信号信噪比低和难以分辨的难题,将小波变换引入到回波信号的超声波检测中来;分析了小波变换及多分辨率分析的理论依据,针对回波信号首先进行小波去噪,然后提取小波变换后各频段的信号能量作为特征,为缺陷分析及识别提供依据;实验结果表明:小波阈值去噪算法的改进方案明显要比单纯的硬阈值和软阈值方法降噪效果好,信号分析方法并可有效提取信号的特征,并将缺陷识别、定位。     

小波包分析在飞控系统测试信号处理中的应用研究

介绍了小波包分析的分解和重构算法；利用小波包分析对飞控系统的原始数据进行消噪预处理；基于“能量-信息”的数据信息辨识思想，应用小波包分析技术提取数据特征。给出一种飞控系统故障诊断方法。     

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.     

低信噪比下相位编码信号脉内特征提取的新方法

利用小波脊线法可以实现相位编码信号脉内特征的提取,但低信噪比下噪声幅度将淹没小波变换的尖峰,误差较大,严重影响识别效果．为改善低信噪比下相位编码信号脉内特征提取的准确性,提出一种基于小波分析去噪和小波脊线法相结合的改进算法,首先通过小波分析对相位编码信号进行去噪,改善信噪比,在此基础上再进行其脉内特征的提取．仿真结果证明该方法有效,具有一定的参考价值．     

一种改进的小波阈值降噪算法研究

小波阚值降噪是一种从带噪信号中去除噪声的直观而有效算法,提取降噪后信号的目标特征可以获得良好的识别效果,舰船目标识别通常使用该方法。论述了基于Stein的无偏估计原理的自适应小波降噪阚值选择(rigrsure)算法,利用小波变换分解低信噪比下的Block信号,使用rigrsure算法获得重构后的低频信号和各层细节信号小波降噪阈值。提出了一种改进的处理各层信号的算法,对Block信号去噪,取得了良好的仿真结果,具有很好的工程应用前景。     

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。     

基于小波的故障信号去噪研究

由于故障的信号的特殊性,因此基于传统的信号去噪方法不可避免的在去噪的同时也滤掉了一些故障特征,这就对故障诊断带来难度。文中针对导弹的信号特征,选定某一类小波,并根据信号和噪声在小波域的不同传播特性进行去噪研究,从而最大限度的提高信噪比,保留故障特征。     

基于小波域OBF分解的磁异常信号检测算法

针对传统的OBF分解算法在非高斯噪声下检测性能较差的问题,提出了基于小波域OBF分解的磁异常信号检测算法。首先对含噪信号进行小波分解,提取最后一层的低频分量;再对低频分量作OBF分解,提取能量特征信号进行门限检测。试验结果表明,该算法显著增强了非高斯噪声下微弱磁异常信号的检测效果。     

小波包分析与能量算子结合的声目标特征参数

为了解决强噪声下识别率低的问题,提出了一种新的战场声目标特征参数提取方法。该方法将小波包分析和Teager能量算子(TEO)相结合,采用小波包对带噪声信号进行分解,对分解系数计算Teager能量。实验结果表明:基于小波包分析和Teager能量算子的特征参数提取方法具有良好的抗噪性能,提高了噪声环境下的声目标识别的准确率。     

Fault Diagnosis Method Based on Fractal Theory and Its Application in Wind Power Systems

The non-linear dynamic theory brought a new method for recognizing and predicting complex non-linear dynamic behaviors. The non-linear behavior of vibration signals can be described by using fractal dimension quantitatively. In this paper, a fractal dimension calculation method for discrete signals in the fractal theory was applied to extract the fractal dimension feature vectors and classified various fault types. Based on the wavelet packet transform, the energy feature vectors were extracted after the vibration signal was decomposed and reconstructed. Then, a wavelet neural network was used to recognize the mechanical faults. Finally, the fault diagnosis for a wind power system was taken as an example to show the method’s feasibility.     

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。     

基于小波神经网络的航天器故障诊断方法

针对微小航天器集群的故障诊断问题,提出一种故障诊断(fault diagnosis,FD)新方法。依据小波神经网络(wavelet neural network,WNN)理论,结合航天器集群的领队航天器故障检测与系统重构问题,构建一种故障诊断框架,采用小波神经网络与神经网络相结合,得出航天器姿态故障诊断策略及卫星姿态故障重构技术,给出了领队航天器故障重构方案,并进行了仿真实验与验证。仿真结果表明,该故障诊断方法是有效性的、故障重构是可行性的。     

基于ADASYN-随机森林的智能家电内部电路故障诊断

针对智能家电内部电路故障诊断中存在的数据不平衡和分类器诊断精度低的问题,提出一种基于ADASYN算法过采样和随机森林(random forest,RF)的故障诊断方法。将电流信号进行小波包分解,提取最后一层各节点能量作为特征向量;使用ADASYN算法扩充训练数据集,得到随机森林故障诊断模型并进行测试。实验结果表明：ADASYN-随机森林故障诊断模型对智能家电内部电路故障具有较高的诊断精度,对故障诊断有一定的实用价值和指导意义。     

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。     

一种小波神经网络的优化构造及其应用

根据离散小波框架理论,在有限维Hilbert函数空间中,给出了一种基于正交投影算子的小波神经网络构造学习算法,并讨论了该算法的几何速度稳定收敛性.它从能量信息角度保证了网络构造的最优化,同时体现出信号的时频域特性,较好地解决了网络的优化设计问题.通过在某歼击机运动系统故障检测中的仿真应用,验证了该算法的优越性能.     

变速箱典型故障奇异性指数的模糊神经网络识别

基于小波奇异性分析和模糊神经网络理论,建立变速箱故障识别模型,探讨将两种理论集成用于状态监测以提高故障识别准确度.通过小波变换提取车辆变速箱运行状态监测数据的奇异性指数,并据此训练模糊神经网络,计算表征变速箱技术状况的代码,判断部件是否发生故障及故障类型.对某型车辆变速箱监测信号的研究表明,本模型用于识别变速箱典型故障的误差仅为0.15384.     

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。