基于小波分析的柴油机故障信号特征的提取

本文提出了一种新的柴油机表面振动信号的故障特征的提取方法，利用柴油机表面振动信号经过小波降噪处理，有效地剔除柴油机表面振动信号的噪声干扰，提高信号的信噪比。用小波包提取降噪后振动信号的能量特征参数。以表征柴油机故障特征，建立起能量到柴油机故障的映射关系。实际研究表明这一特征提取方法是有效的。     

以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究

分割火焰图像最常用的方法是分类算法,而使用这种算法最大的缺陷在于当像素点数增高时,分割图像的耗时就越大。通过以火焰图像采集装置来采集研究样本,提出了一种可以加快分割速度的方法及运用多尺度颜色小波纹理特征为基础的工业炉火焰图像分割法,经过对图像特征矩阵进行压缩,采用分类算法获取压缩尺度火焰区域并检测其边缘;根据压缩尺度火焰边缘进一步检测其在原始尺度区域,构建边缘区域特征矩阵并进一步检测,从而得到原始尺度火焰区域图像的目的。     

基于时频谱图与图像分割的柴油机故障诊断

将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断.     

基于连续小波变换系数的柴油机异响故障特征提取与诊断

用Morlet小波对EQ6BT柴油机活塞敲缸响、活塞销响的缸体振动信号进行连续小波变换,然后将所得到的小波变换系数作出尺度—能量谱以及三维能量谱图,从而实现了对柴油机异响故障的特征提取和诊断。结果表明：利用Morlet连续小波变换系数的尺度—能量谱和三维能量谱图,能够直观而有效地检测和区分EQ6BT柴油机活塞敲缸响、活塞销响两种故障及其故障的严重程度。     

基于粗糙集和神经网络的柴油机故障诊断

介绍了粗糙集理论的核心内容和ROSETTA软件的特点,给出了基于粗糙集理论的柴油机缸盖振动信号的故障诊断系统。以某型号大功率柴油机为例,首先将提取的缸盖振动信号经过小波包消噪和时域、频域分析,构造出用于故障诊断的特征值,然后应用ROSETTA软件约简特征属性,最后通过神经网络进行故障模式分类。通过对比ROSETTA软件处理前后神经网络的输出结果,表明粗糙集理论能优化特征属性,有效地减少神经网络的输入节点数,提高故障分类的准确率。     

基于小波和分形提取磨粒图像特征参数的研究

根据小波变换和分形理论在多尺度分析与自相似本质上的一致性,提出了一种提取磨粒图像特征参数的新方法。给出了磨粒图像的小波变换方法和小波变换近似系数的分形维数计算方法,然后对磨粒图像进行了分析,实现了磨粒图像的特征提取。结果表明：小波变换近似系数的分形维数反映了磨粒图像上磨粒尺度及数量,可以作为磨粒图像的综合特征参数。     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。     

基于连续小波变换的内燃机瞬态工况噪声信号时频特性研究

以某四缸汽油机为研究对象,发动机加速过程中,对前端噪声信号进行测试,并对采集的噪声信号进行等长度分段预处理。采用连续小波变换方法分别对各数据段的噪声信号进行时频分析处理,分析噪声信号能量在时频域内的分布规律,以及其主要频率成分随转速或时间变化的特性。结果表明,发动机加速过程中,噪声信号能量主要集中在2阶主谐次和转动基频构成的线性调频带附近,而且随着转速的升高,调频带附近的信号幅值和能量也随之增大。在调频带上方也分布着一些频率成分,但是其幅值和能量相对较小,而且随着转速的升高,其频率成分越来越丰富,能量分布也越来越广泛。     

基于振动谱时频图像特征及SVM参数同步优化识别的内燃机故障诊断

为实现内燃机振动谱时频图像特征的自动提取及识别,提出了一种基于振动谱时频图像特征优选及SVM(support vector machine)同步优化识别的内燃机故障诊断新方法.该方法首先采用小波包生成内燃机振动谱时频相平面图,然后从内燃机振动谱图像的形状特征、灰度统计特征和纹理特征来提取特征参数,最后将支持向量机引入内燃机振动谱图像识别中,并针对机械振动谱图像特征参数优选问题,以及SVM的核函数及核函数参数选择问题,提出了基于免疫克隆选择机理的特征选择和SVM参数同步优化算法.内燃机故障诊断实例表明,所提方法故障分类准确率达到了98.92%,验证了该方法的有效性.该方法为实现内燃机振动谱图像特征的自动提取及识别探索了一条新途径.     

基于改进HAC和MSET的给水泵故障预警方法

汽动给水泵是火电厂汽水系统重要的辅机设备,但给水泵运行环境恶劣,且故障种类多,导致给水泵故障频发,对电厂的经济性和安全性造成了影响。对此,提出了一种基于改进的层次凝聚聚类（Hierarchical Agglomerative Clustering,HAC）和多元状态估计（Multivariate State Estimation,MSET）的给水泵故障预警方法,首先选取与给水泵故障相关测点的历史数据,使这些数据可以涵盖给水泵正常运行时所有动态变化情况;通过主元分析法（Principal Component Analysis,PCA）和改进的小波去噪对数据进行预处理,实现数据的降噪和降维,再采用层次凝聚聚类算法构建记忆矩阵D,并引入了距离检测的方法对HAC进行改进,以此构建MSET预警模型,最后通过滑动窗口法分析残差,实现故障预警,并和最小二乘支持向量机（LS SVM）预警模型比较分析,经验证该模型可以准确高效地实现给水泵的早期预警。     

基于Hilbert和CA-VMD的风电机组叶轮不平衡故障电信号特征提取方法

针对风电机组叶轮系统故障的非线性、非稳定性和耦合性使早期微弱故障特征频率处于强背景噪声下难以提取的问题,并考虑到传统故障信号采集方法存在的局限性,从电信号入手,提出了一种基于希尔伯特变换和变分模态分解相关性分析（CA-VMD）的风电机组叶轮系统不平衡故障的电信号特征提取方法。首先,针对传统频域分析方法直接对故障电信号进行分析而无法提取故障特征频率的问题,引入Hilbert变换解调出故障调制信号;然后,针对强背景噪声下早期微弱故障特征难提取的问题,引入变分模态分解将故障调制信号分解,并通过相关性分析剔除噪声分量;最后,重构故障调制信号并提取故障特征频率,提高了原始故障信号的信噪比。通过仿真分析,证明了所提方法的有效性。