提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

基于双树复小波变换的轴承故障诊断研究

提出了一种基于双树复小波变换解调技术的轴承故障诊断新方法。该方法利用双树复小波变换具有近似平移不变性、避免频率混叠和有效降噪的优点,首先对轴承故障振动信号进行双树复小波分解和重构,将振动信号分解成实部和虚部,然后计算振动信号的双树复小波幅值包络和包络谱。齿轮箱轴承故障振动实验信号的分析表明,该方法能在强噪声环境下准确提取轴承故障产生的周期性瞬态冲击信号,能有效消除频率混叠现象和强噪声的影响,能有效识别轴承内圈和外圈故障。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

改进双树复小波包变换及在故障诊断中的应用

针对双树复小波包分解存在频带错位和频带重叠的缺陷,提出了一种改进的双树复小波包分解算法。该算法通过交换高频子带节点小波包分解后的两节点频带顺序来消除频带错位缺陷,引入切比雪夫滤波器滤去除低频、高频子带理想通带范围之外的频率成分,以消除频带重叠缺陷。将改进双树复小波包谱峭度方法应用于齿轮箱故障诊断,首先将振动信号分解成不同频带的分量,然后利用谱峭度理论自动确定最优带通滤波器参数,获取最佳频带,再采用Hilbert包络解调,准确识别出故障齿轮的转动频率。实验结果表明,该方法能更有效地提取强噪声干扰下的齿轮箱微弱故障特征,验证了该方法的可行性和有效性。     

用最大重叠离散小波包变换的Hilbert谱时频分析

在介绍基于最大重叠离散小波包变换(Maximal Overlap Discrete Wavelet Packet Transform,简称MODW-PT)的Hilbert谱方法的基础上,将基于MODWPT的Hilbert谱应用于非平稳信号的分析.采用MODWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值都具有经典物理意义的分量之和,求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合得到原始复杂信号完整的时频分布.对基于MODWPT和基于经验模态分解(Empiri-cal Mode Decomposition,简称EMD)的Hilbert谱,在不同类型非平稳信号下的时频分析效果进行了比较和分析,结果表明了基于MODWPT的Hilbert谱分析方法的有效性.     

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。     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

基于小波包分解的交流腐蚀信号时频表征方法

建立了基于小波包分解的腐蚀信号时频表征方法,讨论了分解序列与子频带频率递增顺序的不一致性,及小波包的选择对表征结果的影响.结果表明该方法能有效地表达交流腐蚀信号的非线性特征,可作为交流腐蚀研究的基本表征方法.     

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。     

基于改进双树复小波的光谱去噪算法研究

为了消除可见光近红外光谱噪声,提高利用光谱曲线进行信息提取的精度,提出一种改进双树复小波变换(DTCWT)的后验估计及广义形态滤波的光谱去噪方法。首先对带噪信号进行双树复小波分解,将信号的高频部分和低频部分进行分离。然后分别采用最大后验(MAP)估计算法和广义形态学滤波(GMF)对高频系数和低频系数进行去噪处理。最后对去噪后的高频系数和低频系数进行DTCWT反变换,得到去噪光谱。对USGS光谱库中的植被光谱以及铁铝榴石光谱进行实验,结果表明该方法易于实现,去噪效果理想,是一种很好的可见光近红外光谱去噪方法。     

基于双树复小波变换的心电信号去噪研究

在心电信号处理过程中,为了避免产生Gibbs振荡现象和严重的频率混叠现象,提出一种基于双树复小波变换,并结合最大后验估计确定阈值的心电信号去噪方法.文中采用了信噪比和均方误差来评价双树复小波变换和离散小波变换两种方法对心电信号的去噪效果.实验结果表明:与传统离散小波变换相比,双树复小波变换去噪更彻底,边界、纹理等特征能较好地保留,可以作为一种生物医学信号降噪处理的新方法.     

双密度双树复小波变换及其在机械故障微弱特征提取中的应用

为改善经典小波变换在机械设备早期微弱故障特征提取中的不足,通过在滤波器组中引入适当的冗余度设计出双密度双树复小波基。双密度双树复小波变换具有两个尺度函数和四个小波函数,其中小波函数构成两组近似希尔伯特变换对,使双密度双树复小波基具有高度正则性、较小频带混叠和近似平移不变性等优良性质。频带分解上,双密度双树复小波变换的子频带中心频率处于经典小波变换相邻子频带的过渡区间上,能对经典小波变换难以处理的过渡带特征进行有效提取。将双密度双树复小波变换应用于重型卧式车床出厂检测,诊断出一处装配缺陷。同时结合平稳双密度双树复小波变换与相邻系数收缩策略提出改进消噪算法,将其应用于热轧机组减速箱齿轮故障特征提取中,检测出同一齿轮上的两处齿面损坏。     

基于谐波小波包和改进功率谱的球磨机振动信号特征提取

为有效提取球磨机振动信号特征实现负荷识别,提出一种基于谐波小波包和改进功率谱相结合的特征提取方法。首先应用谐波小波包分解将振动信号分解到不同频段,对各频段的小波系数进行改进自相关得到自相关函数,再通过自相关函数加2阶Hanning自卷积窗后进行离散傅里叶变换求取各频段功率谱,最后引入频偏结合能量重心法对功率谱进行校正,获得精准的各频段层最大值对应频率,据此获取球磨机内部负荷的特征向量。基于该方法应用于工业球磨机实测的结果表明,文中提出方法提取的特征量具有更好的区分度和更高的正确识别率,可作为负荷识别模型的输入实现球磨机负荷的实时检测。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

基于张量奇异谱分解的机械故障特征提取方法研究

提出了将张量奇异谱分解运用于机械故障诊断特征提取,张量奇异谱分解(TSSA)是传统奇异谱分解(SVD)的扩展。由于传统奇异谱分解在处理非平稳、非线性的信号效果不理想,故障特征不明显。因此将传统的奇异谱分解延伸到三阶张量分解中,从而将一维的时间序列转换成为三阶的张量,然后运用标准(PARAFAC)张量分解,标准(PARAFAC)张量分解是把秩为R的张量分解为R个秩-1的张量的和,分解出原始张量的因子矩阵和权重,并重构回一维信号进而对信号的时域和频域做出分析。为了证明方法的有效性,将该方法应用于轴承故障信号的特征提取中,分别运用了仿真和实测信号做了分析,结果表明该方法不仅能有效地抑制噪声,明显地提取轴承故障信号特征,而且其效果要优于传统的奇异谱分解方法,具有一定的工程实践价值。     

双树复小波包与自适应排列熵在轴承故障诊断中的应用

针对滚动轴承信号存在大量噪声、故障特征难以提取,而双树复小波包可减少有用信息的丢失,提出双树复小波包与排列熵结合的轴承故障诊断方法。首先经双树复小波包与排列熵结合对不同层数的分量计算平均排列熵值,确定最佳分解层数;其次采用峭度值作为指标对加噪信号选取分解后的最佳分量;最后对最佳分量进行包络分析提取故障特征频率。双树复小波包与排列熵相结合确定最佳层数方法,避免了对原始信号的过分解和欠分解,从而有效应提取到故障特征。     

基于双树复小波变换的三维粗糙表面评定方法研究

针对目前用于提取三维粗糙表面基准面的第一和第二代小波存在的平移变动性与方向性差等缺点,以及最优小波基的选取和小波分解次数的确定等难点,提出将第三代小波变换--双树复小波变换（DT-CWT）用于三维粗糙表面的评定。通过比较三代小波实际重构图像以及仿真三维粗糙表面的误差和最大重构误差,得出了DT-CWT最优的结论;采用频带能量法确定DT-CWT的分解次数,并用仿真三维表面表征参数均方差S来验证得出的分解次数的正确性。最后用DT-CWT对具有分形特征的三维非平稳随机粗糙表面进行基准面的提取,结果验证了所提出方法的有效性。     

基于小波包特征提取的ART1网络故障诊断研究

系统阐述了小波包分解及ART1神经网络的基本理论和特点,在对故障诊断进行理论分析的基础上,结合ART1神经网络对输入矢量的要求,提出了一种差值门限方法,将小波包特征提取与ART1神经网络相结合进行动态系统的故障诊断。用MATLAB仿真了系统及其故障,对上述故障诊断方法进行了测试实验。实验结果表明,基于小波包特征提取的ART1神经网络故障诊断方法是可行的,能够应用于多个领域,其发展前景广阔。