基于小波包重构的汽车发动机故障诊断

利用小波包对信号进行分解，分解的层数越多，频域分辨率越高，但时域分辨率越低，对故障信号的精确诊断不利，为提高时域分辨率，本文采用小波包重构算法，对发动机气缸振动信号的特定频段进行了小波包重构，并由此判断汽车发动机气缸燃烧振动的具体状态。     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号,通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量,应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射,现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

小波分析在旋转机械故障诊断中的应用现状及展望

小波分析在旋转机械故障诊断领域已有广泛应用。介绍了小波分析的发展及研究现状,阐明了小波分析的基本理论及其特点,详细讨论了小波在旋转机械振动信号去噪中的应用,最后提出一些有待解决的问题及展望。     

板带轧机HAGC系统基于小波变换的传感器故障诊断

 提出了一种基于小波分析的HAGC系统传感器故障诊断方法。通过建立系统的MA模型，建立残差信号，利用离散小波变换对残差信号进行多分辨率分析。通过残差信号的故障高低频特性，提取故障敏感特征，实现了传感器故障时间、故障原因、故障程度的诊断。仿真研究表明，该方法凸现故障特征，时域定位准确，不但适用于突变故障，对渐变故障同样有效。     

基于小波分析的齿轮箱故障诊断

对测取的齿轮箱振动信号进行了离散小波变换,提取了齿轮箱螺栓拉断的故障信息.结果表明,小波变换或小波分析为判断、预防同类事故提供了一种有效的分析手段.     

小波包分解在超声检测缺陷回波信号处理中的应用

介绍了一种基于小波包分解的缺陷回波多尺度空间能量特征提取方法，对焊缝超声回波信号进行了特征提取，并采用基于距离的类别可分性判据对提取结果进行了评价。     

基于神经网络的TRT伺服系统故障诊断研究

文章通过介绍神经网络(BP)的原理,研究BP算法在TRT伺服系统故障诊断方面的应用。BP算法因其高度的非线性、模拟的并行性、高度容错性、系统健壮性、自联想、自学习和自适应等许多特点,在TRT伺服系统诊断中发挥较大的作用。     

小波—AR谱估计在齿轮故障诊断中的应用

针对在齿轮箱故障诊断中,由于现场环境的噪声干扰,采集的故障信号的信噪比低.用FFT变换求功率谱进行谱分析时,转频、啮合频率被很强的背景噪声所淹没,无法判别齿轮是否有故障.在采用峭度、偏态等统计量特征值初步判别齿轮是否异常的基础上,用小波降噪方法提取故障信号,并用AR模型进行谱估计,确定齿轮的故障类型及严重程度.     

基于小波包分解的转子叶片裂纹故障特征分析

应用小波包分解能对信号高、低频部分局部细化并保留原信号的时域特征,因而具有良好的时频局部化特性,对非平稳信号进行有效识别的技术,从采集到的有叶片裂纹时的振动信号,通过选取适当的频段进行信号重构,提取叶片裂纹故障的特征,从而实现转子叶片裂纹故障诊断。     

基于神经网络的轴承故障诊断方法

研究了基于神经网络的轴承故障诊断方法,应用于球轴承、圆锥轴承和圆柱轴承在轴承疲劳试验机上实际运行产生的各种真实故障的诊断,结果表明:该方法具有较好的效果。     

基于小波包分析的AOD炉喷溅预报特征信息提取

研究了用小波包分析方法从炉口音频信号中提取AOD炉喷溅预报特征信息的方法。采用db10（小波基函数）小波对喷溅发生前的特征信号进行4层小波包分解,结合快速傅里叶变换法及小波尺度谱进行时频特征分析,并研究了其各频带分解信号的能量比例特点。结果表明,喷溅前40s信号的主频值较正常信号有明显降低,0~312Hz与312~625Hz频段信号能量值比例变化显著。而且低频重构信号可以极好地滤除多种现场干扰,说明该时频特征可以作为准确预报喷溅的特征向量。最后,通过实验确定了8个特征向量值并分别与喷溅或正常信号的特征向量进行相关性比较,验证得出相关度0.95可作为喷溅预报的判定阈值。从而实现了喷溅预报特征信号的准确提取并可转化为计算机容易识别的数值特征。     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

小波遗传神经网络-阳极溶出伏安法同时测定钢中铜和铅

研究了二硫代二安替吡啉甲烷作修饰剂的修饰玻碳电极,并以此为工作电极,建立了测定铜和铅的阳极溶出伏安法。应用小波变换去噪、数据压缩和背景扣除功能对峰电流信号进行处理,用遗传算法自适应概率搜索神经网络的最优网络结构和参数,解决神经网络过拟合问题,将小波神经网络(WT-BP-ANN)、小波遗传神经网络(WT-GA-BP-ANN)的分析结果进行比较,Cu2+,Pb2+测定结果的RSD分别为3.49%,2.33%;3.77%,1.89%,表明小波遗传神经网络优于小波神经网络。     

热轧轧制力小波神经网络预报模型的研究

为了进一步提高热连轧精轧机组轧制力的设定精度,采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明：建立的轧制力预报模型的预报值与实际值之间的相对误差在±6％以内,且学习算法收敛速度快。     

基于小波变换的自适应阀值植物根系图像边缘检测

植物根系的生长状况可以反映该地区的气候及土壤特性,现有的根系研究方法如挖掘法、整段标本法和剖面法,都有破坏样本和工作量大等缺点.为了实时跟踪植物根系生长状况,介绍了一种基于多尺度小波变换和自适应阀值的图像处理方法,对采用内窥方法获得的根系图像进行边缘检测,并将边缘提取后的图像进行融合.此方法可以在不损伤植物根系的前提下自动对根系的生长情况进行提取分析,实现实时采集及精确测量根系的物理参数.     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.     

基于遗传BP网络的PID控制算法在无模拉拔温度控制中的应用

将遗传算法与BP神经网络结合,提出了一种利用遗传算法优化BP神经网络权值的智能PID控制算法,改善了系统的动态性能.通过实验采集数据,拟合出无模拉拔感应加热温度控制系统的数学模型.采用本文提出的方法进行了仿真实验,结果表明该算法具有较强的快速性和鲁棒性.     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.