基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

基于样本熵的改进小波降噪在微电机质量检测中的应用

微型电机振动信号信噪比低,环境噪声复杂,对噪声信号进行有效去除是对其进行质量检测的关键步骤。针对传统小波降噪阈值函数连续性差、降噪效果不理想等问题,提出一种基于样本熵的改进小波阈值函数,能够根据信号混乱程度自动对阈值函数进行调节。仿真结果表明：在低信噪比环境下,基于样本熵的改进阈值函数降噪效果明显优于传统阈值函数和普通改进阈值函数,信号信噪比得到显著提升。对微型电机异音信号进行降噪处理和特征提取,结合SVM分类器进行训练测试,试验结果表明：改进的小波降噪算法能够有效去除电机信号环境噪声,提取有效的信号特征,对出厂电机性能优劣进行准确判断。该方法将为微型电机厂家大规模质量检测提供理论依据和支持。     

基于IWT_SE与GA_SVM的齿轮磨损检测

为了实现齿轮运行过程中的磨损程度准确识别,提出了基于改进小波阈值样本熵(IWT_SE)与遗传算法优化支持向量机(GA_SVM)的齿轮磨损程度检测方法。首先,对齿轮振动信号进行改进小波阈值降噪;其次,计算降噪后信号的样本熵,组成特征向量;最后,将特征向量输入基于GA_SVM建立的分类器进行故障识别分类。通过齿轮实验数据分析了算法中的参数选取问题;将该方法用于齿轮实验数据,并与传统小波阈值函数样本熵分别与BPNN,PNN,SVM,PSO_SVM相结合的方法进行对比分析,结果表明,IWT_SE与GA-SVM相结合时识别准确率最高,达95%,证明文中所提方法对齿轮磨损程度识别具有一定实际应用价值。     

基于小波阈值法和改进移动平均法的电梯钢丝绳断丝损伤信号去噪方法研究北大核心

针对使用传统方法进行电梯钢丝绳断丝损伤信号降噪过程中存在Gibbs效应,去噪后信噪比较低的问题,提出一种基于小波阈值法和改进移动平均法的降噪方法。对实测信号进行小波变换多尺度分解,得到不同的尺度系数;将各尺度系数与确定的固定阈值比较,去除小于该阈值的尺度系数,保留大于该阈值的尺度系数;对保留下的各尺度系数重构,得到初步降噪后的信号;运用改进移动平均法对其作平滑处理,得到最终信号。结果表明:该方法能够有效抑制Gibbs现象,具有很好的降噪效果,而且信噪比很高,有助于钢丝绳断丝故障的定量识别和特征提取。     

基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

LMD与小波阈值降噪结合的轴承故障识别

直接小波阈值降噪会使有用信号部分失真,为更好地对轴承故障进行特征提取,提出将局部均值分解(LMD)与小波阈值降噪结合进行降噪处理,其方法是:对含噪音的信号先进行LMD分解,并仅对分离出的高频信号分量采用改进阈值函数的小波降噪,保留残余信号的完整数据,然后重构信号。通过MATLAB仿真和轴承故障特征提取实验表明,与其它几种信号降噪方法相比,基于LMD方法并改进阈值函数的小波降噪方法,能提高信噪比,能更好的对信号进行特征提取。     

铁磁性材料脉冲涡流检测信号的消噪方法

为了能够有效地滤除铁磁性材料脉冲涡流检测信号中的噪声成分,提出基于小波分析和卡尔曼滤波器联合降噪的方法。阐述小波阈值降噪的基本原理,通过信号降噪试验优化小波降噪阈值参数,实现小波阈值最优降噪。针对小波降噪后的信号仍然存在少量非平稳噪声的问题,提出卡尔曼滤波器降噪方法,信号降噪试验结果表明:卡尔曼滤波器有效滤除了非平稳噪声,信号的信噪比达到34.976 7dB,均方根误差减小到0.049 395。     

Savitzky Golay-WPT在滚刀主轴振动信号降噪中的应用

为消除滚齿机在加工过程中,滚刀主轴振动信号因环境影响而产生的噪声信号,提出一种基于Savitzky Golay -WPT的信号降噪方法。对原信号进行计算,得其最佳小波包分解树;根据最佳分解树,进行小波包变换（WPT）,得小波包系数;利用阈值函数对小波包系数进行筛选;结合最小二乘拟合方法对小波包筛选后系数进行重构。结果表明：与传统小波包和CEEMDAN相比,所提方法降噪性能分别提高3135%和2271%;在实际加工数据中,与传统小波包方法对比,该方法可减少中心频率周边干扰,使中心频率特征更突出,降噪效果更明显。     

基于小波包与CEEMDAN的MC主轴振动信号降噪方法

针对采集到的加工中心(Machining Center, MC)主轴振动信号中包含大量噪声,导致无法准确地识别MC主轴故障的问题,提出能对高低频的噪声都能分析处理的小波包与具有自适应噪声的完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)相结合的降噪方法,对MC主轴振动信号进行降噪处理。使用小波包算法对主轴振动信号进行预处理,通过CEEMDAN方法对预处理的主轴振动信号进行分解,得到多个本征模态函数(Intrinsic Mode Function,IMF)分量和残余分量;计算预处理的主轴振动信号与IMF之间的相关系数,并对高相关系数的IMF分量进行阈值降噪处理;把处理后的IMF分量、未处理的IMF分量和残余分量叠加以获得重建信号。最后,采用仿真信号和真实MC主轴振动信号进行测试,证明该降噪方法能有效去除噪声,使得信号特征的可分离性更高,提高了MC主轴故障识别能力。     

改进停止阈值准则的振动信号降噪方法研究

在使用压缩感知理论解决振动信号的降噪问题时,信号重构阶段使用最多的是正交匹配追踪算法,如果该算法的迭代停止阈值选取不当,迭代误差的循环将会导致重构误差增大,降噪性能会下降。提出一种基于改进停止阈值准则的降噪方法,利用离散余弦变换得到完备字典矩阵,对振动信号进行稀疏表示,得到稀疏系数向量;然后用正态分布检验稀疏系数是否服从正态分布,利用3σ准则计算得到停止阈值;最后在求解最小二乘解的步骤之后添加筛选判断条件与迭代停止阈值。仿真定义信号和实测振动信号的降噪分析结果表明：此改进方法可将信噪比(SNR)为-1.025 7 dB强噪声背景信号的信噪比提升到2.054 9 dB。此方法在信噪比、均方差根等降噪性能指标上均优于SP、OMP、SWOMP三种降噪方法。     

基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。     

模糊提升小波包变换降噪法在漏磁检测信号处理中的应用

漏磁（MFL）检测信号常被多种噪声源污染,极大地降低了漏磁信号中缺陷信号的可检测性。为此提出应用模糊提升小渡包解决漏磁信号的噪声抑制问题。对比分析软阈值、硬阈值和模糊阈值三种阈值处理方式下,传统小波包与提升小波包的降噪性能,并应用模糊提升小波包实现了漏磁信号的降噪。仿真结果表明,该方法具有运算速度快,降噪效果好的特点,是一种有效的漏磁检测信号降噪方法。     

最优冲击响应小波在振动信号分析中的应用

提出最优冲击响应小波,将其与尺度相关降噪相结合,进行强噪声背景下振动信号分析。从单自由度系统冲击响应出发,得到冲击响应小波基函数,然后依据峭度最大准则确定最优小波基。利用连续小波变换和尺度相关对振动信号降噪。实例分析表明:该方法具有良好的去噪性能,并能更好地提取振动信号中的故障特征。     

改进小波降噪算法在轴承缺陷图像的应用

针对传统Bayes阈值不能随小波分解尺度变换以及提高传统算法图像降噪效果的问题,文章提出一种改进的基于小波维纳滤波与Bayes自适应阈值估计图像降噪算法,该算法在多层小波变换的基础上,对小波分解后的第一层细节系数进行维纳滤波处理,对其他层细节系数进行改进Bayes软阈值估计算法处理,最后对处理后的小波系数进行重构,得到降噪图像。实验结果表明,该方法在图像峰值信噪比(PSNR)定量指标上优于传统的小波Bayes软阈值估计图像降噪方法,并将该方法成功的应用于轴承缺陷图像的降噪预处理以及轴承缺陷图像边缘检测中,达到了图像降噪的优化效果。     

改进EWT降噪与快速谱相关的滚动轴承早期故障诊断

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换(EWT)降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用快速谱相关(Fast-SC)进行分析,获得平方增强包络谱;对平方包络谱中幅值突出的成分与故障频率进行对比分析,实现早期故障诊断。结果表明：与快速谱分析、改进EWT降噪结合快速谱峭度图相比,所提方法能有效增强早期故障特征频率,实现早期故障的准确诊断。     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

基于SSD和ICA降噪的滚动轴承故障诊断

针对轴承故障信号在早期由于能量小容易受到噪声影响而被淹没的问题,提出了一种奇异谱分解(SSD)和独立分量分析(ICA)的滚动轴承故障诊断方法。首先,通过SSD对原始故障信号分解,得到一系列不同频段的奇异谱分量(SSC);其次,利用SSC分量构造观测信号和虚拟噪声信号,将观测信号与虚拟噪声信号组成观测矩阵;然后通过ICA对观测信号降噪;构造虚拟噪声通道信号;最后,将分离出来的独立分量进行Hilbert解调,对解调后的信号做FFT运算,并识别故障类别。通过仿真和实验表明了所述方法能够满足对滚动轴承振动信号降噪要求,准确清晰地提取故障特征频率。通过与EMD-ICA方法对比分析,验证了该方法对滚动轴承的早期故障诊断更加有效。     

基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明：该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。     

基于EWT和ICA联合降噪的轴承故障诊断方法

针对轴承早期故障信号易被淹没于噪声中、故障特征难以提取的问题,提出一种经验小波变换(Empirical Wavelet Transform, EWT)与独立分量分析(Independent Component Analysis, ICA)的联合降噪方法。该方法依据峭度准则将经EWT分解得到的固有模态分量(Intrinsic Mode Function, IMF)重构后利用ICA进行盲源分离,有效抑制了振动信号中的噪声,使故障特征频率的能量幅值最大,从而识别故障特征。通过仿真分析和实际轴承早期故障的实验研究,表明该方法可明显削弱噪声干扰,突出故障频率成分。与EWT和包络谱结合的方法对比,信噪比提高了24.45%,能更清晰准确地提取故障特征信息,满足对轴承故障的诊断要求,为滚动轴承早期故障提取提供了一种方法。     

基于小波包分解的航空涡轮盘超声相控阵检测图像降噪技术

针对航空涡轮盘难检区域缺陷的超声相控阵检测技术,分析了检测信号及图像特征,提出了检测信号的小波包软阈值降噪方法,并对小波阈值进行改进,最后基于降噪后的信号进行了相控阵图像重构。结果表明:缺陷特征信号几乎分布于检测信号的整个频域范围,单纯的频域滤波必然导致缺陷信号的损失;基于改进的小波包阈值,并且有针对性地选择部分分解信号进行滤波降噪,可在较好保留有用信号的同时滤除噪声信号,有效地提高了检测信号信噪比及检测图像分辨率,对于提高涡轮盘的超声相控阵检测能力具有重要作用。