小波包算法在振动信号分析中的应用

针对柴油机振动信号的时频特性,阐述运用小波包算法对振动信号进行分析的方法.利用小波包良好的时频局部化特性以及避免信号频率混叠的移频处理方法,实现了对几种气阀状态振动信号时频特性的分析.结果表明,该算法在柴油机气阀故障诊断中具有可行性和有效性.     

旋转机械振动信号的小波包分解及故障检测

研究了旋转机械振动信号的特点，指出传统的波形分析和频谱分析存在的问题。提出了从小波饭包分解序列图和小波包能量分布图两个方面对振动信号分析的方法，赋予小波变换和小波包分解的结果以明确的物理意义，实验表明了该方法的可行性及对故障检测的有效性。     

基于小波变换和小波包变换的间谐波检测

通过研究小波变换中基函数选取和小波分解过程两个关键问题,针对小波变换在间谐波检测方面的应用,对比分析不同基函数的检测性能,重点分析小波变换与小波包变换对于稳态和暂态谐波的相位、幅值特性检测精度.仿真结果表明,小波包变换具有良好时频局部化特性能聚焦信号细节,选取dmey小波基函数的小波包分解方法可实现对电力系统中稳态或时...     

基于小波神经网络的单相三电平逆变器谐波检测

本文采用小波神经网络（Wavelet Neural Network,WNN）算法对时变谐波信号进行检测。利用Harr小波对谐波信号的幅值和相角进行逼近;将小波对信号的自适应时频分割特性引入神经网络,提高神经网络的逼近和收敛速度;给出网络参数的选定方案;确定网络的训练算法。在MATLAB/SIMULINK环境下对该算法进行仿真,与传统的小波算法比较,该算法不仅可行,而且精确度得到提高。     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

基于时频分析的改进小波包风电功率波动平抑方法

针对传统小波包风电波动平抑方法存在的过度平抑问题,提出一种基于时频分析的改进小波包平抑方法。首先,找出功率最大变化范围超过波动标准的时刻对集合,利用小波包对风电功率进行小波分解得到各频段分量;然后,从高频到低频依次对各频段分量在时刻对集合上进行局部削峰填谷,直到风电功率满足波动标准,从而得到平抑后的风电并网功率和储能功率指令;最后,对波动平抑效果进行评价。算例仿真表明该方法在满足风电波动标准的基础上,减小了储能功率指令的累积功率和充放电切换次数,有利于降低储能配置成本、延长储能寿命。     

基于小波包分解和Kohonen神经网络的气液两相流流型识别方法

针对传统流型识别方法主观性强和BP神经网络训练受病态样本影响较大的缺点,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出一种新的气液两相流流型识别方法。该方法首先利用小波包分解对流型的动态压差波动信号进行分析、提取特征,然后将小波包能量特征与Kohonen神经网络结合进行流型识别。对水平管内空气一水两相流4种典型流型的识别结果表明：该方法能有效克服传统识别方法具有的主观性和BP网络的缺陷,具有很好的识别效果,从而为流型的在线识别提供一种新的有效的技术选择。     

鼓泡流化床风帽压力波动信号的小波包分析

提出通过采集、分析流化床风帽压力波动信号的方法,实现对床内气固两相流的状态监测.在冷态鼓泡流化床试验台上,对不同表现气速、不同床料粒径分布条件下的风帽压力波动信号进行采集,并采用小波包变换分析方法计算小波包各分解结点的功率谱密度值,分析了流化风速及粒径变化对鼓泡流化床压力波动特性的影响.结果表明:小波包分解低频结点的压力信号功率谱密度值P30、P31的变化与表现气速和床内物料粒径分布变化密切相关,表明基于流化床风帽压力信号的流化床状态监测方法具有可行性.     

基于小波包的气门故障诊断

本文利用小波包将信号按任意时频分辨率（满足测不准原则）分解到不同频段的特点,论述了小波包特征提取的方法。利用这一特性对柴油机气门间隙和漏气故障进行了诊断,取得了满意的结果。     

基于小波包分析和神经网络柴油机故障诊断研究

对于柴油机而言,及时的对其实施故障诊断是十分必要的.小波包分析能有效的对柴油机缸体振动信号进行消噪处理,并提取表征柴油机故障的振动信号能量特征向量作为BP神经网络的输入值.本文中,对4100QB柴油机缸盖振动信号实验数据采用单隐层BP网络进行训练,并对不同故障模式进行分类识别,实验验证表明这一方法是非常有效的.     

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.     

基于声信号小波分解的转子碰磨故障特征分析

研究了基于声信号小波分解的转子碰磨故障特征,通过人为条件使转子产生碰磨故障,记录现场信号分析故障特征。转子碰磨信号具有较强的奇异性,而奇异信号往往载有重要的故障信号特征,利用小波分析理论在时域和频域上可同时对信号实现局部化处理的“变焦距”性质,分别对不同试件碰磨故障的声音信号进行了分析,将结果进行了对比,研究了碰磨声信号在小波包变换下的特征。结果表明：声音信号用于旋转机械故障诊断具有其特有的优越性。基于声音信号的小波分解可以识别碰磨故障特征。     

基于小波包提取尾水管水压脉动特征的研究

采用小波包与傅立叶变换相结合的方法，对尾水管振动信号进行小波包多层分解，以提取信号的低频特征信息，然后进行精确的频谱分析取得涡带的特征频率。仿真实验表明，该方法能利用小波包时频局部聚焦分析能力，有效提取尾水管微弱低频特性信息，对尾水管振动故障提供早期预诊手段。     

基于小波包能量熵的变压器振动信号特征研究

利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,最后根据该能量熵值来对变压器绕组进行故障诊断。试验结果表明,该方法能够突显变压器绕组的故障特征信息,为变压器绕组的早期故障的诊断奠定了坚实的基础。     

基于小波包与图像处理的内燃机故障诊断研究

详细分析和讨论了柴油机缸盖振动信号的特点,对其进行了小波包分解,得到时－频分布图,并基于此,提出运用图像处理技术进行内燃机的状态监测与故障诊断的方法,建立了基于图像匹配的内燃机气阀机构诊断模型,并将其和于６１３５Ｇ柴油机气阀机构的故障诊断。结果表明,该方法物理意义明确,诊断结果精度较高,速度快,为内燃机的状态监测与故障诊断找到了一条新的途径。     

基于小波包分析提取汽油机爆震特征

研究了小波包变换提取爆震特征的方法,利用加速度传感器信号进行处理分析.由参数化功率谱密度估计,确定由爆震引起的共振频率,截取爆震能量集中区间较短的数据段,建立AR模型,然后利用Burg算法估计爆震的特征频率范围,确定小波包变换的分解级数,保留与爆震特征频率相对应的小波包变换子空间信息,合理取舍其它子带系数,使重构后的信号能有效地表征爆震特征.实测信号分析表明,在轻微爆震检测方面,该方法优于传统的滤波方法和基础小波分析方法.     

基于小波变换的电力系统谐波有源补偿方法研究

为了保证电力系统的安全运行,提出基于小波变换的电力系统谐波有源补偿的方法.基于电力系统谐波有源补偿原理,有效结合塔式算法与小波变换,经离散信号的分解处理后,实现系统谐波检测;依据电流跟踪控制环节的参考电流,通过流压转换确定参考电压矢量,采用改进空间矢量脉宽调制控制策略,控制三相逆变器实际输出电压跟踪参考电压,实现电力系...     

基于小波变换去噪预处理的EMD谐波检测方法

摘要： 将经验模式分解（empirical mode decomposition,EMD）作为电网谐波的检测方法。通过EMD法分解,把含谐波的正弦信号分解成为包含各阶次谐波的IMF分量和工频分量,从而检测出电网中的谐波分量。研究发现采样信号中的噪声会对EMD的分解产生较大影响,提出了一种基于小波变换去噪预处理的EMD谐波检测方法。此方法首先用小波变换减少随机白噪声对信号的影响,随后对含少量白噪声的信号进行EMD分解。经MATLAB仿真分析,所提方法可以有效地消除随机噪声对谐波检测的影响,提高了EMD谐波检测的精度与适用性。     

基于小波包分析和信息融合技术的汽轮机转子故障诊断

根据Bently实验台所采集的不平衡、不对中、碰摩、松动4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行分析并提取故障特征。将提取的故障特征作为D-S证据理论的识别框架,利用信息融合技术对汽轮机转子振动故障进行诊断。诊断结果表明:基于小波包分析和信息融合技术的故障诊断方法,能提高故障诊断的准确性。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。