高斯混合模型与小波包能量相结合的齿轮故障分类

提出小波包能量与高斯混合模型相结合的齿轮故障分类算法。利用小波包分析提取某种模式下齿轮振动信号多层分解后的不同频带内的能量,并进行归一化处理。然后以各频带能量为元素构造该模式的特征向量,利用这些特征向量以及高斯混合模型良好的数据分布刻画能力,对该模式进行描述。最后采用贝叶斯分类器进行齿轮故障分类。采用该方法对齿轮振动信号进行故障识别,结果表明能取得比人工神经网络算法更高的识别率。     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

基于小波域对数正态模型的滚动轴承故障诊断

针对小波分析无法全面准确描述滚动轴承振动信号的非高斯问题,提出一种结合小波变换与对数正态分布模型的故障特征提取方法,以提取能准确反映滚动轴承运行状态的特征信息。首先,通过小波变换对滚动轴承运行时产生的非平稳、非高斯振动信号进行分解重构,得到不同尺度下的重构信号;然后对重构信号建立对数正态分布模型,提取模型的对数均值和对数标准差作为表征滚动轴承运行状态的统计特征;最后采用支持向量机分类器对提取的特征进行故障分类与识别。实验结果表明,该方法可以有效、准确地识别滚动轴承的运行状态。     

基于多特征混合与支持向量机的动态过程异常监控

为提高动态过程异常模式的监控效率,提出基于多特征混合与多分类支持向量机的动态过程质量异常模式识别模型。采用离散小波变换提取原始数据的低频近似系数和重构数据特征;抽取重构数据的形状特征并与低频近似系数进行混合,形成质量模式的混合特征;采用粒子群优化的多分类支持向量机进行异常模式识别。仿真实验表明,所提出的识别模型比采用单一类型特征或融合特征的整体识别精度均有显著提高,且大大降低了模型训练时间。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构中提取一维信号的低频系数作为特征向量，将其输入到各个状态HMM来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

数控机床主轴系统性能退化评估方法

为了揭示数控机床主轴系统性能退化规律,准确评估主轴系统性能退化程度,采用动态模糊神经网络建立主轴系统性能退化模型.采用小波包对信号进行分解与重构,实现小波包去噪和频段分解,以小波包功率谱作为信号特征.通过融合振动信号、电流信号和声发射信号,利用动态聚类的数据预处理方法简化数据,采用滑动窗遗忘法与梯度下降法相结合训练评估模型,改善评估动态特性.仿真结果表明,性能退化评估结果准确,满足制定备件计划和主动维护的需要,具有工业推广价值.     

基于β散度约束的非负矩阵分解的机械复合故障诊断方法

时频分析经常被用来刻画非平稳振动信号的局部信息,而经时频变换后的特征信号具有较高的矩阵维数,很难对高维特征矩阵直接进行分类或特征提取.为此,提出了基于时频分析与β散度约束的非负矩阵分解算法(NMF)相结合的机械复合故障诊断方法.对采集的振动信号进行时频分析,获取局部特征信息;利用β-NMF算法实现数据的降维,并根据特征信息重构信号;在β-NMF算法中引入加权脉冲因子(CIF),对重构后的信号进行筛选;将得到的分离信号进行包络频谱分析,实现故障诊断.以滚动轴承复合故障为研究对象进行验证,分析结果表明:所提出的方法可以有效提取出外圈与滚动体冲击性特征,实现了滚动轴承的复合故障诊断.     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。     

基于小波变换的非接触式电导信号去噪研究

耦合毛细管电泳技术的非接触式电导检测器在检测痕量化学物质时具有较高的灵敏度,然而噪声会导致获得的信号检测结果存在偏差。针对非接触式电导检测信号的数据特点,提出基于小波变换的阈值去噪方法:利用高斯函数模型和高斯白噪声模拟仿真非接触式电导信号曲线,继而逐步选取不同的参数来得到多个去噪结果,并选择若干评价指标对去噪结果进行评价,从而确定最优去噪参数。同时,将小波变换算法与其他常用去噪算法进行对比,验证其优越性。最后将最优参数代入小波阈值去噪算法,对三种痕量无机离子的非接触式电导信号进行去噪处理。实验结果表明:三种痕量无机离子的电导信号经过去噪处理后,信噪比显著提高,数据曲线光滑,且保留了数据特征,具有可行性及有效性。     

基于混合高斯模型与小波变换的火灾烟雾探测

本文提出了一种基于混合高斯模型和二维离散小波变换的图像型火灾烟雾探测方法.在RGB空间使用混合高斯模型对背景进行建模,通过当前图像与背景参考模型的比较提取可疑区域,分割可疑图元.对可疑图元进行特征提取:在灰度空间通过二维离散小波变换提取高频和低频能量特征值;在HSV空间提取颜色饱和度特征值;利用图像帧序列提取边界闪烁频率特征值.综合各特征值进行烟雾判断.使用烟雾视频图像进行烟雾判断实验,结果证明了此种方法的有效性.     

基于小波变换和波形特征分析的峰电位分类

峰电位分类是细胞外记录中一个重要的技术。提出了一个基于离散小波变换和波形特征分析的新的峰电位分类方法（DWT-SFA）,同时定义了3个不同的波形特征。首先,对信号进行小波消噪处理,然后,使用这3个不同的波形特征进行信号分类。通过对大壁虎嗅觉神经信号的分类处理,证明该方法明显优于主成分分析方法。此外,通过对该方法与Offline Sorter软件的分类对比,也验证了它的正确性和精确性。     

发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

Wigner-Ville分布复小波相似性评价及应用

针对常规特征量对轴承早期故障不敏感问题,基于不同状态下振动信号时频分布的结构差异,融合WignerVille时频分析和复小波变换的优点,提出了基于复小波变换的Wigner-Ville时频分布相似性评价指数(WignerVille distribution-complex wavelet structural similarity,简称WVD-CWSS),实现时频分布相似性的定量评价,并用于轴承早期状态评估。首先,对振动信号进行Wigner-Ville时频分布;其次,进行复小波变换,获取不同状态下的二维时频分布结构相似性复小波指数;最后,对滚动轴承全寿命试验数据进行了对比试验。结果表明,所提取的WVDCWSS特征对滚动轴承的早期损伤更敏感。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

基于小波网络的某放大电路故障检测

为了提高某放大电路故障诊断与故障定位的快速性和准确性,引入了小波网络对电路板进行故障诊断。神经网络具有良好的非线性映射及函数逼近能力,小波分析具有良好的时频局部化性质。将两者结合构成小波网络用于故障诊断,具有自适应分辨性和良好的容错性。实例证明该方法能够实现故障检测及定位,具有准确率高的特点。     

瞬变信息提取与机器诊断

机器的二次信号往往因机器故障产生大量的冲击、摩擦以及运行转速的不稳定、负荷的变化导致非平稳信号的产生.对非平稳信号分析,付氏变换效果不佳,需要研究这类信号的局部时频特征,提取瞬变信息方能准确地诊断.本文介绍处理非平稳信号的新型工具——小波分析、短时付氏变换两种时频分析方法.最后用小波分析、短时付氏变换和付氏变换对机器的实测振动信号进行分析.说明了小波分析、短时付氏变换作为时频分析方法对处理非平稳信号比付氏变换优越.     

基于时频分析的雨刮直流电机故障分析

分别采用短时傅里叶变换和小波变换对雨刮直流电机的轴承异响和蜗轮蜗杆异响故障的振动和噪声信号进行了分析,得出了这两类故障的时频特性,为特征参数提取和实现故障诊断提供了直接依据。通过对比,初步验证了短时傅里叶分析和小波分析的正确性与适用性,发现小波分析更具有优势。     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中，故障特征提取是诊断的关键，而特征提取的方法也是多种多样的。利用双正交小波基将齿轮的故障振动信号分解到时频域，并提取出齿轮的故障特征。同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果。     

应用最优重分配小波尺度谱的小波脊线提取

针对基于小波尺度谱的模极大值法提取小波脊线存在受噪声干扰影响大、高频部分频率分辨率低等缺点,提出一种基于最优重分配小波尺度谱的小波脊线提取方法。首先,优化M orlet母小波使其与信号特征成分实现最佳匹配,再对小波尺度谱进行重分配,提高尺度谱的时频聚集性;然后,对重分配尺度谱进行信号奇异值分解降噪,降低噪声干扰影响;最后,利用模极大值法提取出小波脊线,根据小波脊线与频率的关系得到信号的瞬时频率。仿真算例和实际工程应用结果表明,该方法能有效提取出强噪背景下的机械故障特征。