小波和希尔伯特变换在脑电信号消噪中的对比研究

为了更好地消除混杂在脑电信号中的噪声,完成脑电分析,对小波和希尔伯特变换（HHT）的脑电信号消噪效果进行了对比研究。在HHT消噪方法中,利用经验模态分解（EMD）算法对脑电信号进行8尺度分解,得到固有模态函数（IMF）分量的组合,经过滤波和信号重构,得到消噪后的脑电信号。实验结果表明,HHT方法能较好地去除脑电信号中的噪声。运用评价准则比较了HHT方法和小波变换方法的消噪效果,发现HHT方法的脑电信号消噪效果优于传统的小波变换消噪,且算法的效率更高。     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。     

小波消噪及其在往复泵振动监测信号处理中的应用

采用浮动阀值分离噪声是小波分析中一个新的信号检测方法。本文在简述了小波分析及噪声分离的非线性小波理论的基础上,给出了从噪声污染信号中恢复原信号的实例。针对三缸往复泵测量信号非平稳时变特点,研究了用小波消噪方法提取反映往复泵动力端状态的振动波形特征。通过对振动信号的波形特征提取表明,该方法能在很高的背景噪声下有效提高反映往复泵状态的有用信息。     

基于小波去噪和EMD的信号瞬时参数提取

为了消除随机噪声对经验模式分解（EMD）质量的影响,提出利用小波去噪作为EMD的预处理,并结合希耳伯特变换提取信号瞬时参数的方法。研究了经验模式分解与希耳伯特变换相结合的提取信号瞬时参数的EMD／HS法,并针对随机噪声的影响,提出了基于阈值的正交小波变换去噪法。理论分析及仿真结果表明,该法克服了直接运用EMD分解中由于大量噪声带来的不必要的干扰,减少了EMD的分解层数以及累积边界效应对信号分析的影响,提高了瞬时参数提取的时效性和准确性。     

基于EEMD的滚动轴承故障诊断方法

提出一种基于集合经验模态分解的滚动轴承故障诊断方法。首先目标信号中加入一定分量的白噪声信号;然后再进行经验模态分解;并且多次重复以上两步,但每次加入不同的白噪声信号;取多次所得的对应内禀模态函数的平均值作为最终的内禀模态函数。最后对内禀模态函数进行Hilbert变换,得到Hilbert谱和Hilbert边际谱,通过谱分析识别滚动轴承的运行状态和故障类型。实验结果显示所提方法的有效性。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

经验小波变换-同步提取及其在滚动轴承故障诊断中的应用

为了准确诊断轴承故障并探究故障信号的时变特性,提出了一种基于同步提取变换(Synchroextracting Trans-form,SET)和经验小波变换(Empirical Wavelet Transform,EWT)的轴承故障诊断方法.对故障信号进行经验小波变换分解,把分解得到的若干个经验模态进行同步提取变换,将所...     

机械噪声故障诊断中小波变换的应用

本文讨论了小波分析理论在机械噪声故障诊断中的应用。为了识别发动机噪声信号中表征故障的间歇性撞击声,本文构造的一种新型的小波——指数衰减型小波函数,它能有效地识别出间歇性撞击声。本文最后给出了实验结果并与经典高斯型小波分析的结果进行了比较。     

基于小波分解的信噪分离

小波分解能够精细地把信号划分到不同的频带范围内,因此可对振动信号在不同频道范围内的特征进行信息分离,本文从设备诊断领域特征识别的应用角度,探讨了基于小波分解的信噪分离方法,并结合具体实例,说明小波分析对机械振动信号处理的实用性及有效性。     

改进小波算法在机械故障诊断中的应用

小波变换具有优良的时频分析特性,适合于提取非平稳信号和时变信号,利用小波变换来提取机械设备的故障特征是当前的一个研究热点.但是由于小波滤波器的频响应特性不理想,因此直接对信号进行小波变换必定会产生一定的虚假频率,从而影响故障特征提取的准确性.针对小波变换产生混频的原因提出了一种改进的小波分解算法,仿真结果表明该方法能有效地消除混频现象,提高故障诊断的精度.     

基于小波改进阈值去噪和HHT的滚动轴承故障诊断

利用Hilbert-Huang变换（Hilbert-Huang Transformation,简称HHT）对滚动轴承进行故障诊断时,发现振动信号中包含的噪声对诊断结果影响较大。为克服此不足,提出了一种小波改进阈值法与HHT相结合的信号分析方法。该方法首先应用小波改进阈值方法对滚动轴承故障信号进行预处理,然后对去噪后的信号进行经验模态分解（Empirical Mode Decomposition,简称EMD）,接着选取含有故障信息的本征模函数（Intrinsic Mode Function,简称IMF）分量进行边际谱分析,从而提取出故障特征频率,并判断故障类型。仿真和实验结果验证了该方法的有效性。     

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。     

基于小波变换的故障电弧断路器设计

故障电弧是引起电气火灾的主要原因之一,故障电弧断电保护作为一项较新的电路保护技术,能较好地防止因故障电弧而引发的火灾.通过分析故障电弧特征信号,提出了一种故障电弧检测方法,设计了故障电弧断路器的硬件和软件.利用电流互感器采集电流信号,经滤波处理后送入MCU,利用Daubechies 4阶小波变换对检测到的电流信号进行处理分析,判断有无故障电弧产生并做出相应处理.经试验分析,表明该设计是有效的,该故障电弧断路器同时具有漏电保护功能,具有识别率高、误动作率低等特点,可最大限度地保护供电系统、用电设备和人员的安全.     

基于分形理论的自动舵液压阀故障诊断方法研究

针对自动舵液压阀工作过程中存在的非线性问题,提出一种以阀芯位移信号分形特征为判据的故障诊断方法,并研究了分形特征参数——关联维数的计算方法和参数的选择。在建立液压阀数学模型的基础上,对液压阀正常和故障进行仿真,通过确定时间延迟、嵌入维数和无标度区,计算阀芯位移数据的关联维数。结果表明:不同状态的关联维数值具有明显的可分性,可以定量表征液压阀的工作状态,进而达到装备故障诊断的目的。     

双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

柴油机故障诊断试验研究

为了对柴油机故障类型进行准确诊断,根据研究内容,设计出了合理的试验测试诊断系统,并根据最近原则选择测点位置。通过从柴油机缸盖振动信号进行特征提取,对所测取的信号通过小波分解及重构后重新提取时域、频域特征参数,从而可判断故障类型。经过验证,所判断出的故障类型正好为所设定的故障,由此表明该方法的正确性。     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

四通换向阀的实验研究

实验研究了四通换向阀对风冷热泵冷热水机组系统性能的影响;分析比较了四通换向阀的吸气压降损失、排气压降损失、吸气温升损失和泄漏损失;在制冷和制热工况下,四通阀造成的平均系统性能损失分别为6．04％和7．59％,平均吸气压降损失分别为5．49％和7．31％;从实验的角度分析了提高风冷热泵冷热水机组系统性能的方向。     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,同时又以齿轮的故障振动信号为例,进一步表明了该方法在故障诊断中的有效性。     

基于反面选择算法的气阀故障诊断

研究了一种结合克隆和变异原理的反面选择算法，利用傅立叶变换把时域振动信号转换为频域信号，提取出某一故障的特征频段，基于生物免疫系统的反面选择机理，并利用反面选择算法训练和产生适合于这一故障的检测器集。通过对三种气阀故障的检测，实验结果很好地说明了本算法的有效性，为研究新的故障诊断方法提供了可能。