基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

强背景噪声下的小波熵模极大值消噪方法

针对矿井提升机特征信号在强非平稳和强噪声背景下难以有效提取的问题,结合小波能量熵理论与小波模极大值的奇异性理论,提出一种有效的强背景噪声下提升机信号消噪方法。该方法利用信息熵能定量描述时-频域能量概率分布的特性,采用小波熵自适应确定噪声阈值,有效去除随小波分解尺度增大而不断减小的小波模极大值,保留随尺度增大而增大的模极大值,并重构经有效过滤的剩余小波模极大值,实现强背景噪声下噪声信号与真实信号的有效分离。通过对仿真信号和提升机实测信号的应用,表明了该方法消噪效果明显,消噪数据可靠,提高了强背景噪声下提升机故障诊断的数据可靠性。     

基于小波熵的弹丸激波信号特征提取方法研究

在实验中获取的弹丸激波实测信号,由于受到激波在空气中传播时各种因素的影响,使得获取的信号有很多不确定性,其持续时间难以利用传统的信号处理方法来获取.文中从小波变换的角度出发,通过在尺度域上对信号能量的一种划分,引入了小波能谱与小波熵作为信号特征提取的特征量来反映系统信号的统计特征.实验结果表明,该算法能有效提取弹丸激波信号特征,速度快、准确率高,而且具有对噪声不敏感的优势.     

局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.     

小波包在火炮系统故障特征提取中的研究分析

故障的特征提取是故障诊断尤其是动态信号分析中经常面临的首要问题．文中通过对小波包正交变换理论的分析．给出了基于小波包的特征提取方法．并采用相对熵标准对其分类能力进行优化。通过对火炮系统的仿真试验．显示了这种方法的有效性，具有一定的工程应用价值。     

基于小波数据压缩技术的故障特征提取

文中基于小波数据压缩技术．提出了一种基于小波多分辨分解的特征提取方法。首先．研究了小波基函数的选择方法；然后，基于选择的小波基，应用小波数据压缩技术实现故障数据特征提取；并将其应用于导弹故障诊断的特征提取过程中。通过对几种典型的故障信号的分析实验，验证了基于小波多分辨分解的特征提取方法的有效性。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

基于自适应形态提升小波与改进非负矩阵分解的发动机故障诊断方法

信号处理与特征参数提取是实现发动机故障诊断的关键。针对传统小波和形态小波的 缺陷,提出一种自适应形态梯度提升小波变换(AMGLW)。该方法采用信号的局部梯度作为判断 信号奇异性的度量指标,在信号突变处采用提出的形态梯度提升算子以保留信号的冲击特征,在信 号缓变处采用平滑算子以抑制噪声。在此基础上,提出采用改进非负矩阵分解方法对分解后的信 号进行特征提取,计算用于发动机故障分类的特征参数。利用实测的发动机在5 种状态下的振动 信号对提出的信号处理及特征提取方法进行了验证。     

基于小波熵的组合定位系统数据融合

文中提出了一种基于小波熵的组合定位系统数据融合方案。对于两个子系统北斗/罗兰C的实测定位数据,先用小波多尺度变换将信号在多个频率段展开,再根据小波熵判别法进行消噪和融合。结果用平均误差证明了这种方法的优越性,确保了组合系统所用样本的可信度及其数据融合中权值的合理性。     

自动机机箱振动分析与诊断研究

自动机射击动作时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性;针对自动机实射动作冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析。根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量,并用比例梯度动量共轭算法训练的神经网络模型进行自动机状态定位与故障识别。