齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中，故障特征提取是诊断的关键，而特征提取的方法也是多种多样的。利用双正交小波基将齿轮的故障振动信号分解到时频域，并提取出齿轮的故障特征。同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果。     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征。实验表明,该方法能对齿轮的故障特征进行有效的监测。     

基于小波包-包络分析的故障特征提取方法

针对齿轮、滚动轴承等的早期损伤类故障，提出将小波包分解作为包络分析的前置处理手段以提取振动信号的故障信息特征。在简述小波包基本原理的基础上．通过仿真信号．对振动信号的具体处理过程进行分析，并对可能遇到的问题．提出处理办法．然后应用于诊断实例。结果表明，该方法能够自由确定振动信号的频带划分并全面获得各频带内隐含的故障特征，且易于实现，有一定的工程应用价值。     

基于小波包频带能量分析的电机振动故障信号特征提取

本文在分析了小波包分解用于信号特征提取的基础上,研究了基于小波包分解的电机振动故障信号特征提取的频带能量分析法、分析了这种方法的特点,与Fourier分析进行了比较,结果表明该方法优于常规的Fourier分析以电机的不平衡和不对中故障验证了这种方法的可行性,并提出了继续完善这种方法的方案,展望了其应用前景.     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

发动机异响信号的小波包能量特征提取

在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题.发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中.发动机声响的分析在其故障诊断中显得极为重要.现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断.     

基于最大提升格形态小波变换的齿轮故障特征提取

针对齿轮故障特征提取问题,提出了一种基于最大提升格形态小波变换的信号分解方法。最大提升格形态小波是在数学形态学和提升方案的基础上提出的一种非线性小波变换方法,具有信号局部极值保持和计算快速的优点。提出将最大提升格形态小波用于齿轮发生故障时所产生的非平稳、非线性振动加速度信号的分析,提取故障的特征信息。通过对仿真信号和实际的齿轮断齿故障信号的分析结果,证明了所采用方法的有效性。同时,与采用传统的线性小波分解分析结果相比,最大提升格形态小波变换能够在较高分解层次下十分有效地保留信号的冲击特征,能够利用较少的系数实现对故障信号的特征提取,而且最大提升格形态小波变换算法只涉及加减和取极大、极小运算,运算简单,执行高效,非常适于齿轮故障的在线监测和诊断。     

小波包分析在故障诊断中的应用

分析了用小波包能量分析方法提取故障信号特征向量的方法，并改进算法解决了小波包分解中的混频现象，根据最佳分解树进行了特征选择。通过实例证明本方法行之有效。     

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。     

提升小波包特征提取在压缩机信号监测中的应用

本文介绍了如何应用提升小波包变换对信号进行特征提取,并在此基础上提出了4条定量的评价标准,能够全面地对此类特征提取方法的有效性进行评价。通过这4个标准,就能更科学地选取合适的特征小波包,从而进一步提高原方法的效率,减少不必要的计算复杂度,使之更加适用于压缩机信号的实时监测。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

发动机汽缸振动信号的小波包分解与故障诊断

通过一种改进的小波包分解算法，有效解决了小波包分解过程中出现的混频现象。利用该算法对振动信号进行实例分析，通过对信号进行小波包分解和重构，可看到信号的概貌和细节，并能捕获到携带设备运行状态和故障特征的奇异信号，便于进行深层信息处理，以查找故障源。     

利用小波包分解提取思维脑电40Hz阵发性信号

确定大脑思维活动与脑电记录之间的时间对应关系是思维脑电研究的关键,阵发性40Hz脑电信号理论有效地解决脑电信号的选择问题,而准确提取阵发性40Hz脑电信号成为分析思维脑电的前提.论文在研究小波包分解与重构的特征的基础上,讨论了小波包分解树的频带分布规律,确定以Shannon熵为熵标准选择Daubechies5小波对脑电信号的进行9层分解,并通过重构获得了频带约为36.1-43.9Hz的窄带40Hz阵发性脑电信号.小波包分解比传统的滤波器分解更便捷,分解得到的阵发性40Hz脑电信号更精确,可以用来作为思维脑电同步选择的依据.     

基于小波包免疫算法的驱动桥故障检测

基于免疫系统的信息处理特点和传统免疫算法的不足,通过建立准自体抗体集SS和准非自体抗体集SNS来改进传统免疫算法,并结合故障信号的小波包分解特点,提出了一种基于小波包免疫算法的故障检测系统。首先利用小波包将检测信号进行分解,获取检测信号能量的特征向量。然后以信号能量的特征向量作为免疫系统的原始抗原,利用阴性选择算法对原始抗原进行自体-非自体分析。最后,将此故障检测系统成功应用于汽车驱动桥的故障检测。     

运用小波变换检测汽车后桥总成故障

用傅里叶变换和小波变换寻找并分解出最能反映汽车后桥故障的频率段，再从该频率段的重建信号中提取最能反映故障的特征（包括信号的方差和峰态）。为了寻找最优判断故障的指标，从现场采集的后桥总成振动信号数据库中抽取一定样本的正常件和故障件，并提取每个工件信号的特征数据，用支持向量机神经网络可得到最优的分类指标。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(ISSD)结合奇异值分解(SVD)的齿轮故障特征提取方法。针对奇异谱分解(SSD)算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点，将小波包变换用于缺陷信号的降噪及特征提取问题的研究，并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念，在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明，小波包降噪效果明显；在特征数据得以压缩的同时，分类的可分性较高。