基于小波包的齿轮箱故障诊断

提出了一种齿轮箱故障诊断的方法,这种方法首先利用小波包提取齿轮箱振动信号的故障特征域,然后计算特征域上绝对值信号的频谱,以正常信号的频谱和特征域上绝对值信号的频谱的相似程度作为齿轮箱故障与否的判据,将齿轮箱的特征频率和特征域上绝对值信号的频谱相比较来判断齿轮箱的故障模式.将此方法应用于齿轮箱断齿故障的诊断表明,这种方法能够准确地诊断出齿轮箱中的冲击故障.     

基于小波包分析的往复式压缩机气阀故障诊断

本文针对往复式压缩机故障振动信号的特点,运用小波包分解提取出信号特征向量。结果表明,小波包能量分析够对几种不同类型的气阀故障做出较为准确的诊断。     

基于小波包分析的减速机故障诊断研究

介绍小波包分析理论,利用小波包分析对所测的振动信号的分解,把信号分解到不同频段,求出各频段的能量,分离出故障信息,得出故障频率.针对某轧钢厂的故障减速机,通过所测得的振动信号进行小波包分解和能量分析,可有效提取减速机故障信息,表明小波包分析方法在减速机故障信号提取的有效性,体现小波包分析的优良性.     

小波包分析在齿轮故障诊断中的应用

基于小波包对信号的高分辨率分解和重构能力,把信号分解到不同频段,然后选择有效频段进行故障信号重构,分离出故障信息。通过对含有周期冲击的信号进行分解处理,展示了小波包分析在特征提取中的优点。通过对减速箱齿轮故障信号进行降噪、分解处理,表明该方法可以有效地提取故障信号中的周期冲击成分。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

基于小波包分析的声强计算方法

传统的基于FFT的声强计算方法是分析平稳噪声信号的有效工具，但是它却无法对机电设备发生故障时所辐射出的非平稳噪声信号进行有效的分析。由于小波包分析可以实现非平稳噪声信号在不同频带和不同时刻的合理分离，因此可以利用小波包分析对声强进行计算。文中应用自行研制的噪声自动分析系统对声强的计算方法进行了研究，提出了一种基于小波包信号分析技术的声强计算方法：并通过实验验证了该方法的正确性。该方法不同于传统的基于FFT分析的声强计算方法，可以实现对非平稳故障噪声信号的分析，为机电设备的噪声监测和故障诊断提供了一条研究途径。     

小波包——自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论，由此提出一种称之为小波包－－自回归谱分析的新方法，它将小波包和自加归模型结合起来，该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取，并以挖掘机提升系统龄轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。     

小波包降噪与LMD相结合的滚动轴承故障诊断方法

局部均值分解(Local mean decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了本文方法的有效性。     

小波分析在印刷机故障诊断中的应用

本文介绍了小波变换的原理及在印刷机故障诊断中的应用,利用小波包分析了其机械传动系统的故障。结果显示,同傅里叶变换和傅里叶变换(STFT)相比,小波变换及小波包变换是更有效的印刷机故障诊断方法。     

五滚柱式定向离合器故障诊断的小波包变换方法

论述了小波包分解及其能量谱处理五滚柱式定向离合器故障的原理与方法。应用小波包分解及其能量谱直观地识别出故障的特征频带，并进行了量化分析。结果表明，小波包及小波包分解能量谱比传统的傅立叶分析方法具有更大的优越性和价值。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于小波包变换的内燃机气阀漏气诊断方法

探讨了利用缸盖振动信号诊断内燃机气阀漏气的一种新方法－－小波包方法。诊断机理分析和实验研究表明,缸盖 振动信号中关于气阀漏气的特征信息集中在高频段,故选用了小波包变换作为信号处理的基本方法,因为小波包变换较之小波变换在中高频段具有更高更均匀的频率分辨率;对实测信号的分析和处理结果表明了小波包在该领域的适用性;建立了基于马氏距离法的气阀漏气多指标诊断模型;进行了实机诊断,取得了预期的效果。     

小波包降噪方法在滑动轴承故障诊断中的应用研究

小波分析对高频信号降噪效果不明显。针对该问题,提出利用小波包分析对轴承故障信号的降噪方法,并用计算机仿真和实例分析对小波包降噪方法进行了验证。通过对小波降噪和小波包降噪方法的对比分析,表明小波包分析在降噪中的有效性。     

基于小波包变换的径向基神经网络在故障诊断中的应用

提出了一种新的旋转机械故障诊断方法。基于小波包变换的频率划分特性，对旋转机械的振动信号进行小波包分解，建立旋转机械六种典型故障特征矢量，准确地提取了故障的特征信息，结合RBF神经网络训练速度快的优点，将RBF神经网络应用于故障特征的选择，最后，利用所确定特征及RBF分类器进行故障诊断。实验结果表明，该方法可实现典型故障的可靠诊断。而且由于利用小波包变换代替了传统的FFT，故本方法对于诊断频率分布范围较广而复杂且信号具有较强时变性的复杂故障有着良好的应用前景。     

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。     

一种无频带错位的小波包算法

研究了数字信号处理中的小波分析方法。基于多尺度分析的思想,提出了信号的小波分解及重构新算法和小波包算法。由于算法中采用了频移技术,在小波分解中避免了频率的折叠现象,同时在小波包算法中也解决了频带的错位问题。算法在工程中更具实用价值     

故障振动信号的小波包分解与诊断

本文讨论了故障振动在小波分解下的信号特征,给出了小波包分解处理故障振动信号的原理和方法,论述了诊断信号的表达方式及其特点,给出并分析了一个变速箱多故障源的诊断实例.实践证明,作者给出的小波包分解与诊断方法具有理论和实际价值.     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

机械故障诊断中的小波基及算法研究

针对小波分析在机械故障诊断应用中的小波基选择和快速算法存在的问题,对常用的正交、半正交、双正交小波提取信号特征的能力进行了分析比较,表明半正交Ｂ样条小波因具有线性相位和采用较长的分解序列而具有较好的频率局部化特性和较小的变换误差,具有比较好的综合性能。推导了正交小波包的图形显示算法。利用该算法解决了小波变换快速算法中存在的数据长度随分解层数倍减小的问题。研究结果为故障诊断中小波基的选择和信号的深层