基于小波包能量和调制信号双谱边带估计的齿轮磨损监测

为提高调制信号双谱边带估计的分析效果和鲁棒性,提出了小波包能量和调制信号双谱边带估计相结合的磨损特征提取方法.首先,使用小波包变换将信号分解为多个频段,计算每个频段的小波包能量,选取小波包能量较高的频段进行重构,以达到优选分析频段和降低计算量的目的;然后,对重构信号进行调制信号双谱边带估计以提取齿面磨损特征,并通过合理构建指标实现齿面磨损损伤状态的在线监测.仿真与试验结果表明,所提出方法具有更强的鲁棒性,能够更准确地监测齿面磨损的发展过程,评估磨损损伤程度.     

基于小波包变换的轴承外圈超声检测信号处理研究

为进一步提高铁路货车轴承外圈超声检测质量,将小波包变换理论应用于轴承外圈超声检测信号处理,构建水浸探伤特征扫描成像系统,将铁路货车轴承外圈应用于水浸探伤特征扫描系统中,对水浸系统采集到的轴承外圈超声信号进行小波包变换,用于缺陷信号的降噪处理,提高超声信号的信噪比。并以小波包分解频带的能量作为缺陷信号特征值,根据小波包不同空间能量谱中能量的大小及分布判断轴承外圈内部缺陷程度。     

压电柔性梁裂缝损伤识别实验

针对压电柔性悬臂梁裂缝损伤检测与损伤程度识别问题,采用小波包分析和小波神经网络相结合的方法进行裂缝深度识别实验研究.利用小波包频带能量谱构造柔性悬臂梁裂缝损伤指标,即能量比相对变化量的H2范数,并建立压电柔性梁裂缝损伤实验装置.激励柔性梁的振动,记录两路压电传感器采集的振动信号,进行小波包分解并计算损伤指标.将这些损伤指标进行组合,作为小波神经网络的输入特征参数,进行裂缝深度即损伤程度的识别.实验结果表明:能量比相对变化量的H2范数对柔性梁的裂缝损伤敏感,对测试噪声不敏感;采用的小波神经网络可以精确识别柔性梁的裂缝深度.     

基于小波包能量的桥梁损伤识别指标

为达到桥梁结构损伤识别的目的,基于小波包分析方法提出了小波包能量变化率平方和(the sum square of wavelet packet energy change rate,简称WPERSS)损伤指标。分别将健康与损伤结构的加速度响应信号进行小波包分解得到小波包能量,通过计算小波包能量变化率平方和损伤指标进行损伤识别。对简支梁模型进行数值模拟,分析单一损伤与两处损伤时不同损伤程度的损伤识别情况,分析不同噪声水平对识别效果的影响。结果表明,该指标可有效识别损伤位置且对噪声具有鲁棒性。对装配式双塔斜拉桥模型进行试验,联合多个测点响应的损伤指标可以判别结构的不同损伤状态,验证了小波包能量变化率平方和指标的有效性。     

基于完全抗混叠DTCWPT和包络谱熵的轴承故障诊断

针对经典小波包和双树复小波包(dual tree complex wavelet package transform,DTCWPT)能量泄漏和频率混叠的缺陷,提出完全抗混叠的DTCWPT改进算法,该算法解决了经典小波包存在负频率以及经典小波包和DTCWPT滤波器频率不完全截止问题。根据高斯白噪声频率充满整个频带的特性,通过小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了改进DTCWPT具有完全的抗频带能量泄漏特性。将改进DTCWPT方法和包络谱熵引入到轴承故障诊断中,该方法的核心是:对轴承振动信号进行改进DTCWPT变换得到不同尺度的分解信号,分别计算各分解信号的包络谱熵,合并熵值较小的几个分量信号的包络谱,最后根据合并的包络谱来检测轴承故障。该方法在消除经典小波包变换和DTCWPT频率混叠和能量泄漏的同时还解决了小波包分量选择盲目的问题。最后应用轴承故障试验数据对该方法进行试验验证,结果表明:改进DTCWPT结合包络谱熵选择的方法能够很好提取出轴承故障特征频率的基频、倍频,提高了轴承故障的诊断效果。     

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。     

光纤光栅型智能结构损伤识别的小波包分析

基于结构振动监测技术,采用小波包分析方法对采集的结构振动信号进行了小波分解。介绍了小波包分解技术,提出将小波包能量谱作为损伤指标用以表征结构的损伤状态。在相同损伤位置不同损伤程度、不同损伤位置相同损伤程度的两种情况下对试件进行了六种不同损伤工况的振动信号分析。数据分析结果表明,结构的损伤将导致结构振动信号小波包分解中特定阶数的能量增加,而所提出的损伤指标对结构的损伤程度、损伤距离及损伤位置与光栅传感器之间的角度均敏感,实验中能够识别12 g重物且距离光纤光栅传感器30 cm的损伤,表明对智能结构的在线损伤识别是可行的。     

超声波检测中缺陷的智能识别

为了实现超声检测对缺陷的智能识别,引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解,提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络,该网络使用Levenberg—Marquardt算法。实验分析表明,小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。     

小波包分解算法研究及其在机械故障诊断中的应用

基于小波包的多分辨率特性,研究了B样条小波的小波包分解算法.小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,从而提高了频率分辨率.并且基于上述算法,对齿轮传动系统的振动加速度信号进行了小波分解,建立了一套基于小波包能量分布的机器运行特征和诊断特征参数,并给出了实验数据及分析结果.     

基于小波包分析的超声缺陷信号特征提取

提取超声缺陷信号的特征是超声缺陷识别的重要关键技术之一,它直接影响着缺陷识别的准确性和可靠性.在分析超声检测信号特征的基础上,采用小波包分析来提取信号的特征信息,其基本思想是选取适当的小波基函数对信号进行小波包变换,提取各个频带上的能量构成特征向量,并用基于距离的类别可分性判据对提取结果进行了评价,可分性测度平均值高达97.7%.试验结果表明,该方法对于超声缺陷回波信号的特征提取非常有效.