基于小波变换的变压器局部放电信号的分析方法研究

利用小波变换．对变压器局部放电超声波信号进行分析．实现了变压器局部放电的检测及定位．达到了良好的效果。     

一种基于小波迭代优化的局部放电降噪算法研究

目前,局部放电检测已经成为判断GIS安装运行状况的重要依据,超高频法局部放电检测方法由于其被动干扰小且可以定位,因此得到了广泛应用。各类噪声会淹没微小的回波信号,因此必须进行去噪处理,以提高检测的灵敏度。现针对基于小波变换的局部放电超高频检测算法进行了研究,设计了小波检测算法。传统的小波降噪算法是通过软硬阈值来实现降噪的目的的,有着一定的局限性,鉴于此,提出一种基于迭代优化的算法实现阈值的逐级优化和动态调整,据此得出基于迭代优化的小波去噪算法。仿真表明,所提算法一开始随着迭代次数的增加,噪声误差急速下降,在迭代过程中取得最小值后,迭代次数继续增加,性能不再有明显的提升,由此证明所提方法确实可以改善降噪的性能。     

基于小波包变换和奇异值分解的机加工表面纹理特征提取

为提取机加工表面的纹理特征,提出利用小波包变换和奇异值分解提取灰度图像特征的新方法,给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量的均值和方差分别定义了灰度图像的特征参数k1和k2,并探讨了特征参数与表面纹理之间的关系。结果表明:特征参数能够敏感地反映机加工表面的纹理特征。k1表征了机加工表面的支撑面积,其值越大,支撑面积越大;k2表征了机加工表面纹理的粗糙度,其值越大,纹理越粗糙。因此,机加工表面的纹理特征可通过灰度图像特征参数k1和k2评定。     

基于改进小波包变换的机械设备故障信号捕捉研究

为了避免机械设备出现非常规运行状态,其表现出的故障信号特征能够被准确提取,提出了基于改进小波包变换的机械设备故障信号捕捉的方法。通过定义小波包性质的方式,对机械设备故障信号实施分解处理,完成基于改进小波包变换故障特征的提取。在此基础上,计算机械设备的故障特征熵值结果,根据单值特征参数的实时数值水平,定义特征值捕获区间的范围,完成基于改进小波包变换的机械设备故障信号捕捉方法的设计与应用。实验结果表明,在改进小波包变换原理的作用下,既定机械设备元件在运行过程中表现出的奇异值水平明显降低,对故障信号特征的准确捕获与提取起到较强的促进性作用。     

基于小波包分解提取刀具振动信号特征向量

主要介绍了3种基于小波包分解的以不同方式进行提取刀具磨损振动信号特征向量的方法。刀具振动信号通过小波包分解后重构成不同频段的信号系数。在此基础上,首先提取各个频段能量基于总能量比值的特征向量;其次对其进行功率谱分析,提取特定频段幅值的特征向量;最后,利用奇异值分解将不同频段的信号映射到正交子空间中,从中选取信号的奇异值作为特征向量。最终将得到的特征向量组合成一个特征向量输入支持向量机中进行刀具磨损识别。     

基于BP神经网络算法的电缆局部放电类型模式识别

利用计算机技术的模式识别已被运用到了局部放电分析领域。与人工识别相比,其识别结果准确,识别速度快,有很大的发展潜力。现研究了基于BP神经网络算法的电缆局部放电模式识别技术,简述了模式识别的原理,重点研究了BP神经网络的结构及算法,并利用BP神经网络对电缆典型绝缘缺陷局部放电类型进行模式识别。     

基于小波包-包络分析的故障特征提取方法

针对齿轮、滚动轴承等的早期损伤类故障，提出将小波包分解作为包络分析的前置处理手段以提取振动信号的故障信息特征。在简述小波包基本原理的基础上．通过仿真信号．对振动信号的具体处理过程进行分析，并对可能遇到的问题．提出处理办法．然后应用于诊断实例。结果表明，该方法能够自由确定振动信号的频带划分并全面获得各频带内隐含的故障特征，且易于实现，有一定的工程应用价值。     

基于小波包神经网络的发动机振动信号分析

为了有效地对发动机运行状态进行监测,提出了一种基于小波包和神经网络相结合的发动机故障诊断方法。以某微型车用汽油发动机为研究对象,建立基于振动信号分析的测试试验系统,采集发动机正常工况和故障工况的振动特征参数。通过小波包对其进行分解和重构,提取出表征发动机工作状况的特征向量,作为训练样本数据和检验样本数据,输入BP神经网络并对其进行训练, 实现了对所设发动机故障类型进行良好识别的预期效果。     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于小波包变换的柱塞泵脉动压力信号BP故障诊断

为了提高柱塞泵脉动压力信号的故障诊断诊断能力,分别提取得到正常的泵脉动压力与齿圈出现磨损故障时对应的泵脉动压力,利用小波包变换的方法消除原始信号的噪声信号,再提取得到由故障信息构成的频段,完成信号时域特征的分析。频段介于0～4 kHz之间时,在柱塞泵脉动压力信号中形成了泵轴频、基频与谐倍频等,含有泵运行过程的各项信息参数,处于高频区间时,发生了线谱幅值的持续减小。利用MATLAB软件建立BP网络故障诊断结果表明：脉动压力指标可以实现柱塞泵内部运行情况的准确识别,达到故障诊断的测试要求。方法在诊断方面是有效的,在处理柱塞泵脉动压力信号故障诊断领域具有很好的实际指导意义。     

分数阶小波包时频域的信号去噪新方法

为了提高信号去噪的效果,提出了一种基于分数阶小波包变换(FRWPT)的信号去噪新方法。该方法根据输出信号信噪比的大小,用迭代法寻找分数阶小波包变换的最优分数阶p值,通过分数阶小波包变换将带噪信号映射到最优分数阶小波包时频域内,对变换后的信号进行窄带通滤波,最后通过分数阶小波包逆变换对信号进行重构,实现分数阶小波包时频域内的信号去噪。以带噪Bumps信号和语音信号为例的去噪实验结果表明,采用该方法去噪后的信号信噪比明显提高,在抑制噪声的同时可以有效保持细节信息。     

De-noising of diesel vibration signal using wavelet packet and singular value decomposition

The vibration signals of diesel include excess noise that must be eliminated before extraction of characteristic parameters. Firstly, the effects of vibration-signal de-noising among Fourier transform, wavelet decomposition and wavelet packet decomposition are compared. Secondly, singular value decomposition is applied to de-noising vibration signals. Finally, a new de-noise method integrated with wavelet packet and singular value is presented. In this method, vibration signals are decomposed by wavelet packet, and the wavelet packet coefficient is de-noised by singular value decomposition again. The results indicate that the new de-noising method is the best. The SNR (signal-to-noise ratio) of the vibration signals of a diesel cylinder lid is the highest. The diesel vibration waveforms of combustion and valve become clear and the extracted characteristic parameters become more precise. __________ Translated from Journal of China University of Petroleum (Natural Science Edition), 2006, 30(1) (in Chinese)     

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。     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

基于参数优化Morlet小波变换的故障特征提取方法

针对轴承或齿轮箱等机械元件的故障振动信号表现为冲击衰减波形的特点,提出一种基于参数优化Morlet小波变换的故障特征提取方法。利用最小Shannon熵方法优化Morlet小波的形状参数,实现与冲击特征成分的最佳匹配,再对小波变换系数矩阵进行奇异值分解,根据奇异值曲线中主要反映突变信息的过渡阶段所对应的尺度范围求得最佳小波变换尺度,最后对信号进行Morlet小波变换提取故障特征。仿真试验和实际应用的结果表明,该方法能更有效地从强噪背景中提取故障特征。     

基于小波包能量谱和包络分析细化的轴承故障诊断

提出了一种将小波包能量法和细化包络分析相结合的滚动轴承故障诊断方法。首先利用小波包变换将滚动轴承振动信号分解到独立的频段上,计算出不同频率段的能量,根据频段能量的变化情况,确定滚动轴承故障所在频段。重构故障频段信号。然后应用Hilbert变换对重构信号实现包络解调,提取故障特征频率。最后为了进一步提高包络谱的分辨率,采用线性调频Z变换细化频谱。实际的滚动轴承实验数据的处理和分析结果表明,该方法在滚动轴承故障诊断中是有效的。     

基于小波包变换和径向基神经网络技术的汽车后桥总成故障诊断研究

现代汽车工业中,汽车故障有近20％是由汽车后桥引起。后桥故障诊断的难度大并且技术落后,导致后桥总成故障率居高不下,给厂家带来了巨大的经济和名誉损失。为了替代落后的诊断方法,实现后桥总成故障诊断的囱动化和智能化,降低后桥总成故障率,本文基于小波包变换和径向基神经网络技术提出了一种新型的汽车后桥总成故障诊断算法。首先,介绍了小波包和径向基神经网络的基础知识并对常见后桥故障类型进行了分类,得到后桥总成故障模式;然后,实现了对重构后桥振动信号进行四层小波包重构,得到了各频率段能量特征向量,继而与重构信号的方差、偏度和峰度构成了特征输入向量;接着,使用适量的后桥振动样本数据进行建立并训练了用于故障诊断的径向基神经网络;最后,利用50套后桥验证数据验证了所建立的神经网络在故障诊断中的实际效果,网络的故障诊断率迭到了92％。     

基于平稳小波变换的X射线衍射信号消噪研究

讨论利用平稳小波变换进行X射线衍射信号消噪的方法,首先利用Haar小波将受噪声污染的X射线衍射信号进行多层平稳小波变换,利用小波变换的细节系数估计噪声均方差σ,选取阈值σ2lnN(N为细节系数长度),对小波分解的细节系数进行阈值处理,然后进行平稳小波逆变换重建信号,以达到对信号消噪和提纯。实验结果证明,这种去噪方法是非常有效的,它在消除噪声的同时保留了信号的奇异特征。     

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。