基于模极大值小波域的包络去噪算法研究

针对包络轮廓信息提取粗糙的难题,结合小波变换和希尔伯特变换原理,提出了一种基于模极大值小波域的包络去噪算法.仿真表明该算法提高了包络提取的精度,全面获得信号所隐含的故障特征.     

基于模极大值小波域的包络去噪算法研究

针对包络轮廓信息提取粗糙的难题,结合小波变换和希尔伯特变换原理,提出了一种基于模极大值小波域的包络去噪算法.仿真表明该算法提高了包络提取的精度,全面获得信号所隐含的故障特征.     

液压泵故障的小波变换诊断方法

分析了小波变换的时 -频局部化特性及基于多分辨分析的信号小波分解重构算法 ,研究了信号局部奇异性在小波变换下的特性。根据故障信号和噪声的局部奇异性在小波变换下的模极大值在不同尺度上的传播特性不同的特点 ,并利用小波分解重构算法 ,对泵壳振动加速度信号进行了分解、去噪和重构。大大改善了监测信号的信噪比 ,对故障特征信号进行了时域定位 ,提取了故障特征频率。     

机械微弱振动信号检测的研究

研究了信号局部奇异性在小波变换下的特性。根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点，利用小波分解重构算法，对机械振动信号进行了分解、去噪、重构和谱分析。实验表明，小波减噪方法非常适于机械微弱振动信号的检测。     

小波变换在电缆故障精确定位中的应用

将小波变换模极大值对检测信号奇异点的理论应用于检测脉冲反射信号,实现电缆故障的定性定位.重点分析了小波变换在强噪声中提取信号,再现信号突变点方面的优越性.仿真表明它能有效去噪、准确定位脉冲反射信号,有利于提高信道故障定位精度.     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于小波变换的直扩信号检测方法研究

详细介绍了小波变换模极大值去噪的原理,以BPSK信号为例研究了自相关检测方法。最后对基于小波变换的直扩信号的检测系统用Matlab软件进行了仿真,验证了该方法的可行性。证明该方法明显优于传统的直接对接收到的直扩信号进行检测的方法。     

基于小波模极大值的自动机信号降噪方法

自动机的运动信号主要包括位移信号、速度信号等,这些信号中的噪声严重地影响我们分析判断自动机运动的真实过程.运用小波模极大值方法对自动机运动信号降噪,并对处理结果进行了详细的分析.分析结果表明:小波模极大值降噪方法在武器自动机运动信号分析中有比较好的去噪效果.     

提升小波变换在振动信号去噪中的应用

振动信号存在不同形式的波形特征,传统小波去噪中,小波分解的结果与所采用的小波基函数有关,选用不适当的小波基函数会冲淡振动信号的局部特征信息,从而造成原始信号的部分有用信息丢失。为了克服上述缺陷,介绍了提升算法和基于该算法的小波变换快速算法,探讨了如何利用提升小波变换对信号进行去噪一通过对实际信号去噪处理．得出了提升小波算法能够较好地应用于信号去噪的结论。     

小波变换在管道泄漏在线监测中去噪的应用

对小波变换的基本理论进行了简要的阐述 ,并提出了利用小波变换模极大值消除工程背景噪声的方法 ,给出了小波变换模极大值的算法。最后本文将小波分析方法与波动法结合起来应用到管道泄漏的在线监测中 ,实验结果证明了该方法可以有效地提高波动法对管道泄漏诊断的精度 ,显示了小波变换对信号的去噪声、滤波以及定位等方面具有广泛的应用前景。     

Improved CICA algorithm used for single channel compound fault diagnosis of rolling bearings

A Compound fault signal usually contains multiple characteristic signals and strong confusion noise, which makes it difficult to separate week fault signals from them through conventional ways, such as FFT-based envelope detection, wavelet transform or empirical mode decomposition individually. In order to realize single channel compound fault diagnosis of bearings and improve the diagnosis accuracy, an improved CICA algorithm named constrained independent component analysis based on the energy method (E-CICA) is proposed. With the approach, the single channel vibration signal is firstly decomposed into several wavelet coefficients by discrete wavelet transform(DWT) method for the purpose of obtaining multichannel signals. Then the envelope signals of the reconstructed wavelet coefficients are selected as the input of E-CICA algorithm, which fulfills the requirements that the number of sensors is greater than or equal to that of the source signals and makes it more suitable to be processed by CICA strategy. The frequency energy ratio(ER) of each wavelet reconstructed signal to the total energy of the given synchronous signal is calculated, and then the synchronous signal with maximum ER value is set as the reference signal accordingly. By this way, the reference signal contains a priori knowledge of fault source signal and the influence on fault signal extraction accuracy which is caused by the initial phase angle and the duty ratio of the reference signal in the traditional CICA algorithm is avoided. Experimental results show that E-CICA algorithm can effectively separate out the outer-race defect and the rollers defect from the single channel compound fault and fulfill the needs of compound fault diagnosis of rolling bearings, and the running time is 0.12% of that of the traditional CICA algorithm and the extraction accuracy is 1.4 times of that of CICA as well. The proposed research provides a new method to separate single channel compound fault signals.     

基于卷积稀疏表示及等距映射的轴承故障诊断

针对卷积稀疏表示(convolution sparse representation,简称CSR)在轴承故障脉冲提取过程中过于依赖惩罚因子的缺点,提出了一种基于卷积稀疏表示、希尔伯特变换(Hilbert transform,简称HT)以及流形学习降维相结合的轴承故障诊断方法。首先,通过在不同惩罚因子下的CSR提取不同稀疏特征的脉冲;其次,针对提取的一系列脉冲进行希尔伯特变换,构造脉冲包络空间;最后,利用等距映射(isometric feature mapping,简称Isomap)流形学习算法对脉冲包络空间求解低维本征包络,以实现故障诊断。通过仿真数据以及台架实验数据验证表明:基于CSRHT-Isomap算法的轮对轴承故障诊断方法可以很好地提取轴承内圈及滚动体故障特征,通过与基于聚合经验模态分解和小波包变换的包络空间算法进行比较,证明该方法在提取本征包络、强化本征包络谱以及放大故障特征频率的谐波数方面具备较大优势。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

DT-CWT相关滤波在齿轮箱故障诊断中的应用

根据小波系数的相关分析理论,提出了基于双树复小波变换的小波相关滤波法。该方法根据相邻层小波系数的相关性,通过迭代过程自适应地进行滤波,能够在达到良好降噪效果的同时保留微弱故障特征信息。对降噪后的信号进行希尔伯特包络分析便可准确得到故障特征频率。试验信号分析与工程应用结果表明,该方法能够有效提取强背景噪声下的齿轮箱轴承早期故障特征信息。     

基于小波分析的滚动轴承故障诊断研究

通过典型信号的MATLAB仿真,针对滚动轴承故障信号的非平稳性特点,结合峭度直方图和小波函数的时频分析方法,对包含滚动轴承故障信息的信号进行了小波分解和重构,对重构后的细节信号作Hilbert包络并进行谱分析,从而有效地把轴承中的故障信息成分识别出来.     

基于小波簇的包络解调方法及其在故障诊断中的应用

本文提出了一种基于小波簇的带通滤波和包络解调方法。通过合理地选择小波参数，用多个单类Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过渡带特性的带通滤波器，可用于提取振动信号的高频自然频率成分。由于该小波簇的虚部是实部的Hilbert变换，可用于实现包络解调提取振动信号在高频谐振带的包络成分。将该方法用于干式真空泵轴承故障的诊断中，结果表明可有效地提取故障特征频率，实验结果验证了该方法的有效性。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

小波包和小波脊线相结合的解调方法在液压泵故障诊断中的应用

针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点,提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法,将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析,明确故障振动信号反映出的能量集中频带带宽;根据确定的带宽和原始信号分析频率设定小波包分解的层数,采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构;利用小波脊线法对重构后的频带信号进行解调处理,通过信号的包络解调谱提取故障的特征频率,利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证,该方法能有效地对液压泵的故障信号进行解调,并能找出反映故障的敏感特征频率。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。