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。     

轴承早期故障的小波包-自回归谱诊断法

叙述了小波、小波包理论,详细导出了小波包-自回归谱(WT-AR)的计算方法。将小波包和自回归模型结合起来,在机械故障诊断中实现了不同频道范围内,不同零部件故障信息分离和提取。并以挖掘机提升系统齿轮箱为例,说明该方法适用于轴承早期故障的诊断。     

基于小波包分解的滚动轴承故障信号频域特征提取方法研究

对轴承故障信号进行3层小波包分解,重构第3层所有节点,提取重构信号频谱的峰值作为故障特征点并构成特征空间,计算特征空间的平均欧氏距离,平均欧氏距离最小时对应的节点即为最优小波包节点,重构最优节点得到最优重构信号并从中提取特征点构成最优特征空间,最后,对最优特征空间进行K均值聚类。对4种转速下轴承的4种状态进行特征提取与模式识别试验,结果表明,运用该方法能有效提取轴承故障的特征,并使故障特征空间具有最低的类内离散度,获得了较高的模式识别准确率。     

基于谐波小波包能量熵的轴承故障实时诊断

将谐波小波包变换与信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法.对故障振动信号进行谐波小波包分解,将分解的小波系数按尺度进行排列,计算不同尺度的能量,以尺度能量为划分标准,计算故障信号的能量熵,通过能量的熵值诊断轴承故障.给出谐波小波包能量熵的轴承故障的具体诊断方法和模型.对不同...     

小波包分析方法在齿轮早期故障特征提取中的应用

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,试验表明,该方法能从很强的总体振动信号中提取清晰的损伤特征,实现早期诊断。     

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-AR谱和GA-BP网络的轴承故障诊断研究

针对轴承振动信号具有非平稳、非线性特点,提出将小波包-AR谱和采用遗传算法(genetic algorithm,GA)优化的BP神经网络相结合的轴承故障诊断方法。该文对滚动轴承振动信号进行小波包分解和自回归(auto-regressive,AR)谱分析以得到不同频段的能量,然后将提取到的特征向量输入到BP神经网络进行模型训练和测试。鉴于BP神经网络的诊断效果并不是很好,因此应用遗传算法对BP神经网络的权值和阈值进行优化并再次进行诊断。对比实验结果表明,经遗传算法优化后的BP神经网络的仿真误差大大降低,相关故障诊断准确率达到了100%。     

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.     

基于改进HHT和小波包理论的液压泵故障特征提取

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解(EMD)和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分.通过两种方法的对比可以得出:两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少.     

基于小波包分析的超声缺陷信号特征提取

提取超声缺陷信号的特征是超声缺陷识别的重要关键技术之一,它直接影响着缺陷识别的准确性和可靠性.在分析超声检测信号特征的基础上,采用小波包分析来提取信号的特征信息,其基本思想是选取适当的小波基函数对信号进行小波包变换,提取各个频带上的能量构成特征向量,并用基于距离的类别可分性判据对提取结果进行了评价,可分性测度平均值高达97.7%.试验结果表明,该方法对于超声缺陷回波信号的特征提取非常有效.     

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。     

全矢改进连续谐波小波包滚动轴承故障特征提取

滚动轴承在旋转类机械设备中运行时,会产生成分复杂的振动信号。现有滚动轴承信号处理方法多使用单通道信息,无法反映整个截面故障状态。本文提出了一种基于全矢改进连续谐波小波包变换的故障特征提取方法。首先使用相互正交的两个传感器,实现滚动轴承某一截面上双通道振动信号采集;其次利用全矢谱技术将所采集的同源双通道信号进行融合;然后使用改进连续谐波小波包变换分解融合后的信号;再从各子带中提取能反映各类故障特征的能量值组成特征向量;最后利用美国凯斯西储大学滚动轴承实验台的一组实测故障数据验证该方法的正确性。     

基于小波包变换的电磁超声接收信号特征提取

使用改进的功率谱函数对电磁超声缺陷信号进行了缺陷的定性分析,使用小波包能量谱对电磁超声缺陷接收信号进行了特征提取,从小波包的小波函数选取、分解层次及特征参数的噪声鲁棒性3个方面开展了讨论分析.结果表明:通过选择适当的小波函数和小波包分解层次,小波包能量谱的能量比可以精细地反映信号的特征;基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对EMAT不同损伤类型的判别.     

应用小波包和Hilbert分析的轴承故障特征提取方法

利用小波包理论的基本原理,对滚动轴承的故障信号进行了处理,实测信号经小波包分解和重构后,应用Hilbert变换进行包络解调和细化频谱分析,得出故障信号所对应的频谱。试验结果证明,对滚动轴承的非平稳信号进行小波包的Hilbert变换和细化频谱分析,并进行故障诊断是行之有效的,这为旋转机械的故障诊断提供了新的参考,具有重要的实际工程应用价值。     

车用发动机凸轮轴轴承松脱的故障特征提取

车用发动机凸轮轴轴承松脱故障使得凸轮轴受力不均而引起冲击力,导致凸轮轴附近机体表面出现异常振动和显著噪声。通过对某发动机凸轮轴轴承松脱故障的试验测试,提取缸盖振动加速度信号进行时域分析,发现有明显的周期性冲击;利用小波包分解至较高频段并做解调分析,解调谱的故障激励频率非常显著。分析结果表明,凸轮轴轴承松脱故障有中高频调制现象,可综合利用时域分析、频谱分析和小波包分解与解调分析进行相应的故障特征提取。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于小波包分析的电动机轴承故障诊断

比较详细地阐述了电动机滚动轴承异常产生的机械振动机理,得出了几种常见故障的频率表现.结合实验数据,对所测得的振动信号进行小波包分解,对特定的频率段与正常信号相应的能量进行比对,确定出故障频率,从而准确找出电动机的故障所属.     

基于奇异值差分谱和对称极坐标法的轴承故障特征提取

针对轴承的振动信号往往伴有强烈噪声以及基于直角坐标表示的时间序列对故障特征表现不直观的问题。提出了一种奇异值差分谱和对称极坐标法(Symmetrized Dot Pattern,SDP)相结合的轴承故障特征提取方法。首先,运用奇异值差分谱理论对原始振动信号进行降噪处理;然后运用SDP方法将时间序列变换成可视化的极坐标图形;通过观察可视化图形的差异实现轴承的故障诊断。实验结果验证了该方法能够提高信噪比,增强对轴承故障的特征提取效果。     

基于小波包变换和小波阈值消噪的语音特征提取

为了实现强噪声背景下语音信号的特征提取,根据小波变换的多分辨率特性,以及与人耳耳蜗滤渡相一致的特性,利用小波包变换,在各语音特征频率段上,提取出包含丰富的非平稳信息的语音特征;并在小波包分解去噪的基础上,构造了模糊阈值函数,利用小波模糊阈值去噪,得到了信噪比较高的语音信号.研究结果表明,小波包变换和小波阈值去噪,较好地消除了强噪声背景下的噪声,并有效地提取出了语音信号特征.     

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.