超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点，将小波包变换用于缺陷信号的降噪及特征提取问题的研究，并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念，在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明，小波包降噪效果明显；在特征数据得以压缩的同时，分类的可分性较高。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

钢筋混凝土梁损伤的小波包识别方法

基于小波包能量特征向量的损伤识别是一种对损伤非常敏感的方法.为了更有效地选择特征频带,从频带分解的角度分析了基于小波包分解能量特征向量的结构损伤识别方法.将结构响应信号进行小波包分解,提取各频带的能量.通过分析结构响应频率和小波包分解各频带频率范围,选取信号主要频率所在频带及其相邻频带的能量构成特征向量.当信号频率有微小改变时,特征能量向量的变化远远大于信号频率的变化.当结构出现损伤时,脉冲激励下其动力响应信号的频率有所降低,因此可以通过特征能量向量的变化来识别损伤.通过一根钢筋混凝土梁的试验验证了该方法的有效性.     

基于最小二乘支持向量分类机的齿轮泵 故障诊断研究

为了精确诊断齿轮泵故障,提出了基于马氏距离的传感器通道选择方法,采用多项式最小二乘法去除采集振动信号的趋势项和五点三次平滑法对信号进行平滑预处理,而后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量机进行状态识别。以CB-KP63齿轮泵为例进行应用,结果表明传感器1通道识别率达到85%;采集振动信号趋势项干扰较弱,平滑处理效果较好;以EMD提取各频带能量作为特征参数的LS-SVC状态识别方法识别率达到90%以上,最终证明论文提出的方法有效可行。     

基于声发射主轴机械密封开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

基于声发射主轴机械密封端面开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

小波脊线解调与两次EMD分解相结合的故障识别方法及应用研究

提出了一种基于小波脊线解调与两次经验模态分解(EMD)相结合的故障识别方法,用于轴向柱塞泵的故障诊断.结合EMD与小波脊线法在处理非平稳信号方面的优势,首先对故障原始信号进行了EMD分解,利用边际谱发现故障发生时的共振频带范围并据此找出对故障敏感的固有模态函数(IMF)分量,然后对该敏感IMF分量分别进行小波脊线解调和Hilbert解调,最后通过比较两种解调方法解调后敏感分量的时频谱和三维谱图发现,小波脊线解调比Hilbert解调具有更高的时频定位精度和抗干扰能力.此后,分别对小波脊线解调与Hilbert解调后的敏感分量进行EMD再分解,利用所得的各阶二次IMF分量的归一化特征能量来构造特征向量,得到液压泵5种典型状态的样本集,结合K均值聚类算法对故障状态进行识别.研究结果表明,与采用Hilbert解调处理方法相比,利用2次EMD分解与小波脊线解调相结合的故障特征向量提取方法显著提高了故障识别准确率,故障确诊率可高达92％.     

基于小波包分解的机械振动信号分析

提出了一种新的基于小波包的振动信号故障特征提取方法,运用这种方法对柴油机表面振动信号经过小波包降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。对降噪信号提取频带能量特征,为神经网络故障诊断提供了新的故障样本。     

基于神经网络的电机转子不平衡检测研究

针对振动信号非平稳的特点,为了快速准确地判断引起转子不平衡的原因,提出了一种基于小波包分解和神经网络相结合的电机故障检测研究方法,对采集的振动信号进行小波包分解,利用分解的小波系数求取各个频带峭度,根据频带峭度的变化提取特征向量,应用RBF神经网络进行检测识别,并通过MATLAB仿真实现。     

基于小波包变换的齿轮箱降噪方法研究

应用小波包变换理论和小波包降噪原理,对轧机齿轮箱的振动信号进行小波包降噪,有效地从含噪信号中提取出故障特征。通过对计算机仿真信号的降噪效果比较和实例分析,显示了小波包降噪的优越性。最后对齿轮箱降噪前后小波包各频带能量向量的比较,进一步表明了小波包降噪在消除高频干扰,凸显故障特征方面的有效性。