小波变换在混凝土冲击回波检测中的应用

采用冲击回波法检测混凝土厚度或者缺陷时,采用传统快速傅里叶变换方法,由于傅里叶变换的时移性以及信号中包含表面波和结构模态振动使得特征频率的提取较为困难。要解决特征频率提取受到干扰的问题,该文提出一种小波变换结合傅里叶变换的信号处理方法。首先对回波信号进行小波变换,得到信号时频图和小波边际谱,其次将小波边际谱与傅里叶谱相乘,得到增强傅里叶谱。结果表明:信号时频图可以确定表面波和模态振动的频率范围和时间跨度,增强傅里叶谱不仅可保证频率分辨率,而且抑制由于傅里叶变换的时移性产生的多个波峰,使得特征频率在频谱中更为清晰和准确,是一种适用于冲击回波检测的信号处理方法。     

内积变换原理与机械故障诊断

机械故障诊断广泛使用的方法是对动态信号进行傅里叶变换、短时傅里叶变换、小波变换以及第二代小波变换。指出这些变换的本质是采用不同的基函数与信号进行内积变换．从动态信号中提取和基函数最相似的故障特征。运用三角基函数、Gabor基函数、离散基函数、谐波基函数、Laplace基函数、Hermitian基函数、第二代小波基函数等，有效地提取出发电机组松动、齿轮箱冲击摩擦、高压缸蒸汽激振、机车轮对滚动轴承损伤等故障特征。采用合理的基函数或多重基函数（多小波）对动态信号进行内积变换，可有效地提取故障特征，进行正确的故障诊断。     

基于多分辨分析的时频分析

短时傅里叶变换由于采用固定宽度的时域窗，在缓变与瞬变信号共存的宽频带信号分析中，其时间与频率分辨力矛盾突出。采用Mallat算法的小波变换能够将信号正交分解成多尺度的信号分量，然而所提供的时频信息不很直观，难以识别其时频谱。通过对短时傅里叶变换和小波变换在时频分析中的优缺点分析，发现两者具有互补性。因此本文提出基于多分辨分析的短时傅里叶变换（取名为WAVSTFT），即采用Mallat算法将信号分解成多个尺度信号分量，再对各分量分别做与其尺度相适应的短时傅里叶变换，最后把得到的各时频谱在同一个不相平面上叠加，从而得到信号的总体时频构造。经理论分析与实例验证，该方法有效可行，为工程测试中的时频分析提供了一种有效的手段。     

傅里叶-小波正则反卷积医学超声成像方法

研究了利用傅里叶-小波正则反卷积改善医学超声图像质量的方法。将高阶谱方法和傅里叶-小波正则反卷积算法创新地用于医用超声诊断仪的轴向和纵向的二维射频信号,首先估计出中心频率为3.5MHz的A扫描系统函数,然后应用对射频A扫信号进行反卷积成像。实验结果表明,该方法显著改善了因系统函数与被测信号卷积所产生的分辨率退化现象,极大地提高了医学超声图像的分辨率和信噪比。     

基于小波分析的焊接裂纹金属磁记忆信号特征提取

采用小波多分辨分析和快速傅里叶变换,对焊接裂纹金属磁记忆信号进行了处理,找出了焊接裂纹存在的磁记忆信号的判据特征,并建立了该特征的阈值.现场检测结果表明:采用小波多分辨分析和快速傅里叶变换得出的特征,可以准确判断出裂纹等缺陷是否存在.     

基于小波降噪和短时傅里叶变换的主轴突加不平衡非平稳信号分析

针对主轴运行过程中突加不平衡而产生的非平稳信号无法采用传统的傅里叶变换对信号进行分析处理的问题,提出一种采用小波降噪与短时傅里叶变换相结合对主轴振动特征信息进行准确提取的方法,该方法利用小波降噪技术对非平稳信号进行滤波处理,再对滤波处理后的信号进行重构,最后通过短时傅里叶变换精确获取主轴振动幅值,通过仿真和实验验证了该方法的有效性。     

傅里叶与小波变换的电力谐波测试性能研究

简述傅里叶变换和小波变换的基本原理,在Matlab平台上设计傅里叶变换模块和小波变换模块。针对含有突变干扰、白噪音干扰等常见工程电力信号,通过实验系统研究傅里叶变换、小波变换的频域和时频分析特性。实验结果表明,傅里叶变换能较好地测试出信号的谐波成分,小波变换具有良好的信号频段分析特性。根据这些特点,探讨傅里叶变换、小波变换各自的适用场合,以便高效利用这两种方法分析电力谐波成份,为治理谐波奠定基础。     

小波分析在齿轮故障诊断中的应用研究

通过对突变分段信号的傅里叶变换和小波分析,说明小波分析在判断频率突变位置方面的优越性。利用db4小波对从故障模拟机械平台提取的齿轮故障信号进行小波分析,有效的提取了信号故障特征。     

时频分析方法在冲击故障早期诊断中的应用研究

冲击故障的振动响应信号是时变的 ,用传统的诊断方法一般难以进行早期发现和诊断。本文基于小波包对时变信号的多分辨分解和重构能力以及 CONE时频分布对时信号的优良描述特性 ,发展了基于小波包的时频分析方法。经试验和现场监测数据的分析和验证 ,说明该方法能够从很强的基础振动信号中提取清晰直观的冲击故障特征 ,可以实现冲击故障的早期诊断     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。