谐波小波时频图在齿轮故障诊断中的应用

谐波小波具有简单的时频表达式和更加普遍意义上的正交性，在频域具有良好的盒形谱特性，以及简单快速的FFT分解算法。根据其FFT分解算法构造出谐波小波的时频网格图、时频等高线图与时频剖面图，并用它们成功提取出某试验台齿轮箱的周期性断齿冲击信号，说明谐波小波具有较大的工程应用价值。     

基于谐波小波重构相位谱的齿轮故障诊断

提出一种基于谐波小波变换诊断齿轮故障的新方法——重构相位谱分析法。实际数据分析表明这种重构相位谱图能有效地应用于齿轮故障诊断，与谐波小波尺度谱相结合，有利于提高诊断精度和可靠性。     

噪声和振动信号的谐波小波时频表示

谐波小波变换的时频表示方法应用于持续时间、带宽和采样率差别很大的多种目标的噪声和振动信号处理当中,将其结果与基于STFT方法的结果进行了比对,并给出了其在不同应用场合的参数。结果表明,谐波小波方法用于信号的时频表示,具有很好的灵活性和突出的性能优点,有较好的应用前景。     

基于谐波小波变换的共振解调法

在滚动轴承的振动故障诊断中，广泛使用解调方法分析诊断故障。利用软件方法实现共振解调时，必须首先构造窄带高频带通滤波器，提取高频共振信息，然后利用Hilbert变换进行解调分析。通过分析谐波小波变换的实现过程，发现信号经谐波小波变换的实质是将信号带通滤波后，进行Hilbert解调。另外，共振解调中要求带通滤波器是窄带高频带通滤波器，广义谐波小波突破了传统二进小波在低频分辨率高，而在高频分辨率低的限制，能够实现超窄带高分辨率检波，满足共振解调的要求。在此基础上，提出了基于谐波小波变换的共振解调算法，为软件实现共振解调提供了一种新的途径。     

《基于谐波小波滤波的旋转机械故障诊断新方法》

针对旋转机械非平稳信号的特点,提出采用谐波小波滤波对现场采集的振动信号进行故障诊断的新方法。该方法基于谐波小波良好的盒形频谱特性,将特定频率段的成分与信号的其它频率成分既不交叠又不遗漏地分解到相互独立的频带上,再进行重构就可将特定频率成分提取出来。仿真计算及实例验证表明,谐波小波滤波方法具有良好的滤波效果,能将有用频率成分提取出来,为初步故障诊断提供依据。该方法具有算法简单,运算速度快的特点。     

谐波电能计量方法的研究

本文提出了采用STFT变换和小波变换相结合的方法对各次谐波进行分离提取,通过STFT变换有效地减少了非同步采样带来的频谱泄露,利用小波变换提高了对动态谐波信号的检测能力。根据重构谐波的波形和参数,结合谐波功率计算公式来实现谐波电能的准确计量,Matlab仿真结果验证了该方法的可行性和准确性。     

谐波电能计量方法的研究

本文提出了采用STFT变换和小波变换相结合的方法对各次谐波进行分离提取,通过STFT变换有效地减少了非同步采样带来的频谱泄露,利用小波变换提高了对动态谐波信号的检测能力。根据重构谐波的波形和参数,结合谐波功率计算公式来实现谐波电能的准确计量,Matlab仿真结果验证了该方法的可行性和准确性。     

基于小波方差谱熵的轴承故障诊断方法

本文提出了一种基于小波方差谱熵的故障诊断方法。该方法以信号的方差在小波域上分解形成的谱向量的熵值作为故障的诊断特征,建立了基于小波方差谱熵的故障检测及诊断模型,并提出了基于判别能力因子的小波基选择方法。试验结果验证了小波方差谱熵能有效地反映轴承信号特征并检测出故障类别,实验最后将本文方法同基于小波能谱熵的故障检测方法进行比较,实验结果表明本文建议的方法在检测率及时间上有显著提高。     

基于自适应谐波小波和能量熵的转子系统故障诊断研究

针对转子系统非平稳振动时故障特征难以准确提取的问题,提出一种基于自适应谐波小波和能量熵的转子系统故障诊断方法。首先,采用连续谐波小波方法分解转子信号,克服"二进制"谐波小波包分解不能任意选取感兴趣频段的缺限,同时在分解过程中通过时间尺度变换的方式消除信号采集过程中不同转速及采样频率的影响;然后,通过设定合理的分解参数,提取出表征转子系统的故障特征信息并构建故障模式矩阵,得到转子系统早期局部碰摩、全周碰摩、油膜涡动和油膜振荡等4种工况下的能量熵值;最后,将特征向量输入支持向量机(support vector machine,SVM)判断出转子系统的故障类型。试验结果表明:该方法可以有效用于转子系统的故障诊断。     

基于小波变换的谐波检测法

本文介绍了近年来新兴的小波理论及其在电力谐波检测中的应用,同时通过MATLAB软件对分析的理论进行仿真和综合性能分析,说明小波变换对于谐波检测的优越性及广泛的应用前景。     

基于DDE和小波分析的神经网络故障诊断

应用DDE技术对小波分解后的故障信号进行特征提取 ,利用BP网络进行故障诊断 ,并给出了齿轮箱的故障诊断实例 ,实验证明 ,此方法能取得较好的效果。     

神经网络技术与小波分析相结合的故障诊断方法

提出了一种将神经网络技术与小波分析相结合的故障诊断方法,对诊断对象进行时域信号采集,通过小波分析,获得所需参数,再将此参数作为神经网络的输入量,从而达到故障诊断的目的.     

柴油机缸盖振动信号的小波包分解与诊断方法研究

研究了柴油机缸盖表面振动信号的时域、频域和循环波动特性,揭示了它的非平稳时变特点,提出了从振动信号的小波包分解系数中实现整循环征兆提取和故障识别的方法。实际及分析结果表明了该方法的可行性和有效性,这对其它复杂机械的振动诊断同样具有参考价值。     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

Fault Diagnosis of a Turbo—unit Based on Wavelet Packet Theory

In this paper we studied the fault feature of the generator set and the characteristics of wavelet packet theory for signal de-noising.The vibration signal of the generator set in different states is ana-lyzed by using the signal re-construction technique of the wavelet packet theory.The time domain method is given for the generator set fault diagnosis.The experiment results show that the wavelet packet theory can be used to directly identify the state of the generator set and provide a credible new idea for complex machinery fault diagnosis.     

基于小波分析和模糊神经网络的齿轮故障诊断研究

建立齿轮故障信号采集模拟试验台,结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断,通过实验仿真,取得了很好的诊断结果。相比于传统的BP神经网络诊断方法,无论在诊断速度还是诊断精度上,模糊神经网络更具有优势。     

基于小波时频框架分解方法的滚动轴承故障诊断

损伤点通过其它元件时引起的周期性冲击是判断滚动轴承局部损伤故障的关键特征信息.针对滚动轴承的振动特点,设计了小波时频框架,利用框架分解方法在匹配信号特征结构,直接提取特征信息方面的优势,分析了滚动轴承的振动信号.根据框架分解结果,在时频联合域内清晰直观地提取了滚动轴承局部损伤故障的周期性冲击特征,识别了滚动体、内圈和外圈的单点缺陷,与小波变换的对比验证了框架分解在检测滚动轴承局部损伤故障方面的有效性.