样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法.分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论.使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪...     

小波包神经网络在齿轮泵故障诊断中的应用

采用小波包技术提取齿轮泵的振动信号的小波包能量谱及其谱熵,作为改进的BP网络的输入特征,进行齿轮泵的故障诊断.实验结果表明,该方法大大地提高了诊断的可靠性.     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于样本熵的改进小波降噪在微电机质量检测中的应用

微型电机振动信号信噪比低,环境噪声复杂,对噪声信号进行有效去除是对其进行质量检测的关键步骤。针对传统小波降噪阈值函数连续性差、降噪效果不理想等问题,提出一种基于样本熵的改进小波阈值函数,能够根据信号混乱程度自动对阈值函数进行调节。仿真结果表明：在低信噪比环境下,基于样本熵的改进阈值函数降噪效果明显优于传统阈值函数和普通改进阈值函数,信号信噪比得到显著提升。对微型电机异音信号进行降噪处理和特征提取,结合SVM分类器进行训练测试,试验结果表明：改进的小波降噪算法能够有效去除电机信号环境噪声,提取有效的信号特征,对出厂电机性能优劣进行准确判断。该方法将为微型电机厂家大规模质量检测提供理论依据和支持。     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征.实验表明,该方法能对齿轮的故障特征进行有效的监测.     

基于小波神经网络的液压泵故障类型识别

根据液压泵发生故障所表现出来的特征,采用小波包能量值提取的办法作为故障类型识别的特征量,采用BP神经网络对输入的特征量进行识别。实验结果表明:采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。     

基于小波包分析的合成金刚石缺陷超声识别

应用超声波探伤仪系统对合成大颗粒金刚石缺陷进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值,应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立了网络模型以实现缺陷定性识别。实验结果表明,小波包分析能够挖掘利用缺陷回波信号时域和频域的信息,通过多层次划分频带,使在多分辨分析过程中未进行划分的高频区间再次分解,还可依据小被分析信号特征自适应挑选相对应的频带,达到和信号频谱相互配合,进而达到使时-频分辨率显著提高的效果,可见小波神经网络的良好局部放大特性和多分辨率学习特性,可使合成金刚石缺陷的定性分类获得较高的准确率。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于小波包与SVM的滚珠丝杠故障诊断

采取小波包方法对数控机床滚珠丝杠故障信号进行分析,结合时域分析,提取不同故障状态下的特征值,得到支持向量机（SVM）的输入特征向量;研究并确定了应用二叉树算法与RBF核函数,采用遗传算法对SVM的参数寻优,建立了SVM多故障分类器,实现了滚珠丝杠的故障诊断与分类。最后通过实验结果证明了多故障分类器的可行性与有效性。     

基于BP神经网络的复合材料超声波检测缺陷类型识别

以碳纤维复合材料的分层、孔隙和疏松缺陷的超声波检测信号为研究对象，对包含缺陷信息的复合材料超声波检测信号进行小波包变换，从近似系数及细节系数提取样本的特征值。建立并训练了一种用于实现缺陷识别的BP神经网络，该网络使用Levenberg-Marquardt算法可以快速地完成对数据的处理。使用该网络可进行缺陷类型的识别。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题,提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数,并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征,应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量,输入GA-LSTM模型进行训练,并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比,GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%,平均相对误差分别下降了48.3%、40.8%、56.7%,模型的预测识别精度有较大提高,实现了铣刀磨损量的有效预测。     

基于小波包分解与K L变换的齿轮泵振动信号故障特征提取方法

针对齿轮泵故障成因复杂、模糊性强的特点,结合小波包分解与K-L变换,提出一种适用于支持向量机故障诊断的特征提取方法。通过小波包对样本故障振动信号进行分解得到特征向量,而后利用K-L变换处理得到新的特征向量集,达到降维去噪的目的。将处理后的特征向量集用于支持向量机的模型训练,分析结果表明:该方法能够有效提高故障模式识别准确率和识别效率。     

基于虚拟仪器的表面肌电信号特征提取算法的研究

提出一种基于虚拟仪器的表面肌电信号的特征提取算法。该方法利用虚拟仪器丰富的函数功能,针对肌电信号的非平稳性特征,应用积分阈值法首先去除静息电位,保留最有价值的信号部分,然后利用小波包变换的方法对肌电信号进行小波包分解,根据其投影到不同频段上小波包系数能量的不同,利用能量较大的几组系数重构肌电信号。实验结果表明:该方法能有效地去除静息电位及噪声信号,且保留了肌电信号的细节信息,为肌电信号的模式识别创造了良好的条件。该研究依据虚拟仪器平台,为创建表面肌电信号实时控制机械臂系统提供了研究基础,具有潜在的工程应用价值。     

基于小波包和倒频谱分析的颤振特征提取方法

立铣加工过程中的颤振会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。虽然大部分颤振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。由于加工过程的非线性导致振动信号频率成分复杂,单一的时频分析方法难于得到可靠的颤振特征。通过小波包分解确定颤振发生频段并重构该频段信号,通过颤振发生频段的倒频谱辨识稳定、过渡和颤振状态。研究结果表明,该方法可以有效识别立铣加工过程的稳定、过渡和颤振状态。     

基于改进的最小二乘支持向量机的退火炉内带钢延伸量预测

带钢在退火炉内进行长时间加热的过程中,由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声,从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的BP神经网络理论(GA-BP神经网络)与最小二乘支持向量机(LSSVM)理论相结合的算法用于目标函数拟合,该算法兼顾最小二乘支持向量机的全局与局部拟合能力,有效避免算法陷入局部最优的缺点,利用改进的BP神经网络算法优化选择LSSVM 模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性,使LSSVM具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测,通过现场生产数据仿真模拟进行非线性函数估计,结果表明：本文所提出的方法具有良好的预测精度,可以应用于实际生产。     

基于遗传算法的图像恢复研究

通过对遗传算法和图像恢复理论的分析，提出了基于遗传算法的图像恢复方式。该方式具有优化、收敛性快等优点。     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。