基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

尺度-小波能量谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：尺度-小波能量谱比较法。通过对具有外圈缺陷、内圈缺陷的滚动轴承振动信号的分析，说明尺度-小波能量谱比较法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

时间-小波能量谱在滚动轴承故障诊断中的应用

为滚动轴承故障诊断提供了一种新途径，针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间-小波能量谱自相关分析法。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析，说明时间-小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

基于小波变换的转子动静件碰摩故障诊断研究

利用小波变换与多分辨率分析理论，对振动信号进行多尺度分解，通过分析细节信号的能量分布研究了振动信号中碰摩特征，由信号的一种特征向量进行了信号特征的放大处理，进而可以清晰地得到振动信号小波分解细节的能量分布特征，能够比较准确地诊断碰摩故障程度，同时也能有效地区分不磁摩与整圈碰摩。     

基于谐波小波重构相位谱的齿轮故障诊断

提出一种基于谐波小波变换诊断齿轮故障的新方法——重构相位谱分析法。实际数据分析表明这种重构相位谱图能有效地应用于齿轮故障诊断，与谐波小波尺度谱相结合，有利于提高诊断精度和可靠性。     

基于复解析小波变换的瞬时频率分析方法

提出了利用基于复解析小波变换的瞬时频率分析的新方法。复解析小波变换将Hilbert变换与小波分析紧密结合在一起，具有自适应分析能力。对信号作复小波解析变换得到信号的瞬时频率，通过瞬时频率的功率谱分析就可提取信号特征。通过对齿轮故障振动信号的分析，表明该方法能有效地诊断齿轮局部故障，且与传统的频域方法相比具有更好的分析效果。     

小波变换和CNN涡旋压缩机故障诊断

针对传统单尺度信号分析难以有效解决涡旋压缩机故障诊断中的故障特征信息多尺度耦合问题,提出一种基于小波变换和卷积神经网络的涡旋压缩机故障诊断方法。首先将采集到的振动信号进行连续小波变换生成时频图,并对时频图进行网格化规范处理,将预处理后的时频图作为特征图输入Alexnet卷积神经网络,通过不断调节网络参数,得出最为理想的神经网络模型,以此实现对涡旋压缩机故障类型的辨识诊断。结果表明,该方法针对涡旋压缩机故障类型的识别准确率达到94.6%,与传统多尺度排列熵、信息熵熵距的故障诊断方法相比,该故障识别方法具有更高的准确率。     

基于频谱编辑和调制信号双谱的齿轮裂纹故障诊断

齿轮产生裂纹故障时,其振动信号中的周期性故障冲击成分易被其他旋转部件的谐波信号以及背景噪声淹没,导致故障特征难以提取.针对这一问题,首先用改进的频谱编辑方法对原始信号中谐波分量进行抑制,提高信噪比;然后对编辑后的信号进行双谱分析,采用相邻切片融合平均的方法对双谱进行降噪,从降噪后双谱中选取故障特征频率明显的切片进行组合...     

基于MODWPT的Hilbert谱及其在齿轮故障诊断中的应用

在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。     

磁罗经/GPS系统中调频高斯小波变换的应用

提出了一种基于调频高斯小波变换的GPS软故障诊断算法.该算法可以对GPS失锁、方差奇异等软故障进行在线检测.以HMR3000磁罗经和BeeLine GPS实际系统跑车试验数据显示,利用调频高斯小波变换方法后,系统航向可用性从原来的72%提高到了100%;系统的误差减小到原来的60%.因此,调频高斯小波变换方法有效地解决了磁罗经/GPS中在线软故障检测的难题.     

基于Chirplet变换的变频视觉诱发电位脑-机接口研究

脑-机接口(brain-computer interface,BCI)是在大脑与外部设备间建立一个直接的信息交流通路,它无须依赖外周神经肌肉系统而仅通过脑电信号特征提取与模式识别来实现思维表达或指令操作.变频视觉诱发电位(chirp stimuli visual evoked potential,Chirp-VEP)是最近提出的一种脑电诱发新模式,可作为BCI控制信号,极富应用潜力.然而Chirp-VEP的诱发条件、信号处理、特征提取方法等都缺乏充分研究.本文采用不同起始频率和chirp调频率进行了Chirp-VEP诱发实验,利用Chirplet变换(chirplet transform,CT)等4种时频分析方法提取了ChirpVEP信号特征.研究结果表明,相较于其他时频分析方法,CT可获得更高的VEP信噪比与正确识别率.在8名受试者参加的在线BCI测试中,Chirp-VEP的总平均正确识别率高达97.8%,进一步验证了Chirp-VEP应用于BCI控制的潜力.     

基于小波变换的多尺度主元分析在传感器故障诊断中的应用

讨论了多尺度主元分析方法在传感器故障诊断中的应用问题.为了解决传统的多尺度主元分析方法不能实现对传感器故障的全面检测问题,本文结合小波变换在相关传感器信号的各个尺度上建立主元分析模型,使这种方法能够同时检测到低频故障和高频故障.实际应用中设计了固定窗长的移动窗口,根据最后一个尺度系数计算残差空间的平方预报误差统计量进行故障检测;在检测到传感器故障后,再采用传感器有效度指标这种具有定量辨识标准的参数对故障传感器进行辨识.最后,通过液体火箭发动机试车台液氢供应系统的传感器故障诊断验证了这种方法的实用性和有效性.     

基于角域平均和连续小波变换的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和连续小波变换相结合,提出了基于角域平均和连续小波变换的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均,以消除干扰噪声的影响,最后对角域平均信号进行连续小波变换,根据小波幅值图和相位图,就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障实验信号的分析,表明该方法能有效地诊断齿轮的故障状态。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

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。     

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。