小波变换在轴承故障诊断中的应用

提出了一种利用连续小波变换诊断轴承故障的方法。该方法不需要对象的数学模型，具有灵敏度高，仰操能力强，鲁棒性好的特点。     

小波变换在轴承故障诊断中的应用

提出一种利用连续小波变换诊断轴承故障的方法。该方法不需要对象的数学模型，具有灵敏度高、仰操能力强、鲁棒性好的特点。     

小波分析在滚动轴承故障诊断中的应用研究

为了能有效识别滚动轴承的故障信号,利用滚动轴承滚动体故障模型,构造相应的小波基;研究提升小波的预测器和更新器算法;利用小波基对故障特征信号敏感的特点,对轴承故障信号进行检测和分析.实验和仿真结果表明,利用提升小波对滚动轴承振动信号进行N层分解后,可在细节信号中容易地发现突变信号,再根据模极大值原理,有效地判断轴承故障是否存在;进一步对细节信号作Hilbert包络,检测功率谱中的故障特征频率,可准确判断滚动轴承滚动体是否存在损伤点.     

小波分析与Hilbert分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析技术,对检测的信号进行分解,并对含有故障特征的信号进行重构,实现故障信号的提取.应用Hilbert变换进行解调和细化频谱分析,得出故障信号所对应的频谱,从而判断轴承故障模式.通过Matlab仿真证明了小波分析结合Hilbert分析法在滚动轴承故障诊断中提取特征频率的应用价值.     

小波神经网络在变压器故障诊断中的应用

为提高神经网络系统故障诊断的效率和准确率,考虑到小波变换的良好的时－频特性,本文结合小波变换和神经网络并应用于电力变压器的故障诊断中,取得了较好的效果。     

SST和深度脊波网络在轴承故障诊断中的应用

传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取与选取困难。为此,提出一种基于同步压缩小波变换(synchrosqueezed wavelet transform,SST)和深度脊波网络(deep ridgelet network,DRN)的滚动轴承故障诊断方法。首先,对轴承振动信号进行SST变换,得到信号时频图像;其次,将时频图像进行双向二维主成分分析压缩,然后将其作为DRN的输入,进行自动特征提取和故障识别。试验结果表明,该方法能够对滚动轴承进行多工况和多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法,以及深度信念网络、深度稀疏自编码器等深度学习模型。     

包络-小波技术在轴承故障诊断中的应用

分析了滚动轴承典型故障的故障机理及其振动特征，详细介绍了滚动轴承振动信号分析与故障诊断的方法。提出了将包络分析作为小波分解的前置处理手段以提取信号故障特征的思想，并在此基础上开发研制了“CZZD-01型轴承故障诊断仪”。现场调试结果表明，该方法准确有效，适用于滚动轴承的监测和诊断。     

傅里叶变换与小波变换在信号故障诊断中的应用

研究了傅里叶变换与小波变换在信号故障诊断中的应用。仿真表明，小波变换在检测信号突变点方面比傅里叶变换优越得多，且利用小波变换可以精确地检测出信号突变的时间与位置。最后探讨了在应用小波变换进行故障检测时小波基的选取原则。     

小波分析在齿轮故障诊断中的应用

利用MATLAB语言编程检验了小波分析在齿轮故障诊断中的应用效果。利用双正交小波基（Bior2.4）将减速机箱体的故障振动信号分解到时频域，提取出了齿轮故障信号，同时结合传统的故障诊断方法进一步诊断了齿轮的故障模式，试验结果验证了上述方法结合应用的有效性。     

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.     

小波变换及其在滚动轴承故障诊断中的应用

小波变换不仅具有良好的时频局部化特性,而且它的时域分辨率和频域分辨率随着分解尺度变化而变化．广义的小波分析包括多分辨率分析和小波包分析,本文采用小波分解和信号重构的方法,提起了噪声掩盖下滚动轴承振动信号中的故障信息,并计算出406滚动轴承外圈故障下的故障特征频率,通过对比由公式求取的故障特征频率,从而对滚动轴承的故障进行诊断．     

基于小波包变换的故障诊断

由于小波包变换在信号分析与处理中,具有良好的局部化品质,本提出了一种基于小波包变换的故障诊断方法,并应用于控制系统动态测试过程的故障检测。计算和实验结果表明：该方法可以快速有效地进行故障检测与定位。     

基于第二代小波变换的图像消噪

为了减少图像消噪后发生的边缘模糊现象,在第二代小波变换的基础上,提出了采用最小二乘法获得预测系数进行图像消噪的方法．仿真结果表明,当噪声概率达到0．5时,采用该方法滤波后图像的峰值信噪比可达到27．744dB,效果明显优于其他方法．     

基于小波变换的整流电路故障诊断

小波变换具有在时域和频域内的局部化特性,对于弱信号的检测非常方便,易于从高信噪比的信号中去除噪声,在故障诊断领域中的信号去噪应用非常广泛.首先介绍了小波变换的基本原理,建立了晶闸管三相桥式全控整流电路的MATLAB仿真模型,并对故障仿真中的含噪信号进行了小波变换去噪,较好地从噪声中分离出了电压故障曲线.     

基于冗余第二代小波的降噪技术

构造了一种基于插值细分原理的冗余第二代小波变换.该方法在分解过程中不进行剖分,逼近信号和细节信号长度与原始信号长度相同,因此数据量是原信号的2倍.数据冗余性决定了该方法具有良好的分析效果.通过与传统小波变换、第二代小波变换对相同数据的对比,验证了冗余第二代小波变换的有效性.     

故障诊断的小波分析方法

本文分析了Fourier变换和窗口Fourier变换的不足,给出了小波变换的时—频特性,阐述了小波变换用于故障诊断的可能性,指出了小波变换用于故障诊断的理论和方法．     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.