自动机机箱振动分析与诊断研究

自动机射击动作时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性;针对自动机实射动作冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析。根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量,并用比例梯度动量共轭算法训练的神经网络模型进行自动机状态定位与故障识别。     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

基于小波能量谱的舰船辐射噪声分类特性分析

根据舰船辐射噪声的“三亮点”模型,采用小波变换,以不同的频率分辨率获取舰船辐射噪声信号相应3个不同频带的小波能量谱,然后计算小波能量谱突变项的五水平聚点,据此选取能量谱突变性显著的频段,最后对各能量谱聚点作聚类分析实现特征压缩并确定特征量。在舰船声场通过特性研究中的应用表明,该方法具有识别与分类准确率高的特点。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.     

基于小波包的炮架振动响应信号能量分析

针对炮架结构优化中固有频率提升目标不明确的问题,结合实弹射击响应试验,提出了一种基于小波包的结构振动信号能量分析方法。针对炮架振动响应数据采集问题,设计了一种结构振动响应测试系统,结合舰炮实弹射击响应试验,采集到了炮架的结构响应数据;基于炮架固有频率选择频带宽度,采用小波包对振动响应信号进行分解,求得振动信号在各个频带内的能量分布情况;根据振动信号的能量频带分布特性,给出炮架结构优化后的一阶固有频率目标范围。试验和信号分解分析结果表明,炮架振动能量主要集中在低频段,且在炮架的模态修改中,模态的提升需要避开振动能量较高的频带范围。该方法能够为炮架的结构设计和优化确定目标和优化方向。     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

一种基于小波和神经网络的故障诊断系统

基于小波变换的时频域局部化特征及神经网络的非线性映射特征,以滚动轴承为例,将小波变换和神经网络的优点结合起来.运用小波变换提取滚动轴承振动信号各频率成分的能量作为故障特征参数,将其作为神经网络的输入进行训练和故障识别,利用BP网络实现了对滚动轴承的故障诊断,取得了较好的效果.     

一种基于局部能量的自适应图像融合方法

文中提出了一种基于局部能量的自适应图像融合方法.首先对原始图像进行小波分解,得到低频和高频子图像.然后分别计算高频子图像的局部能量,再根据不同图像的相应局部能量,计算局部能量熵,根据值局部能量熵赋予其不同的加权系数,从而实现自适应的信息融合.最后通过小波反变换,得到完整的融合.实验结果表明该方法有较好的融合效果.     

小波分形技术在齿轮故障诊断中的应用

分析小波包变换理论和盒维数的改进算法,利用LabVIEW和MATLAB软件编写小波分形处理程序。采用该程序计算特定频率范围内齿轮振动信号的盒维数,在不同状态下,振动信号的盒维数不同。该技术的软件通过读取振动信号、信号分解和重构、计算给定频段信号的盒维数实现。诊断实例表明小波分形技术具有较好的实效性。     

正交车铣铝合金薄壁回转体振动信号的试验分析

在MAZAK机床上正交车铣薄壁铝合金试件,压电加速度传感器安装在内壁上,通过PCI-1712高速数据采集卡采集薄壁的振动信号。利用MATLAB强大的信号处理功能对采集的加速度信号进行分析,振动信号的时域标识了振动幅值大小,功率谱显示了薄壁振动信号的频率构成和能量分布。分析了自激振动的频率随刀具转速和壁厚变化的趋势,给出了工艺系统发生颤振时的主频率。然后利用小波包处理信号的优势将剧烈颤振加速度信号进行小波包分解,根据能量和频段分布进行节点信号重构,得到小波包滤波后的颤振信号。为了了解车铣切削力在剧烈颤振前后变化情况,应用小波包分解并重构出颤振前后3种不同刀具转速时强迫振动信号,对比发现剧烈颤振时强迫振动的当量电压幅值增大,振动加强,这从侧面反映了正交车钪切削力的大小和变化。此振动分析对正交车铣薄壁零件有一定的指导意义。     

希尔伯特-黄变换与小波变换在故障特征提取中的对比研究

研究了希尔伯特一黄变换( HHT)和小波变换(WT)在故障特征提取中的应用。以电源系统三相短路故障为例,针对无畸变和有畸变两种故障电压信号,采用HHT和WT提取故障特征。对比了仿真结果并分析了WT存在的问题。得出对于故障造成信号包络变化但频率基本不变的信号,HHT比WT的故障特征提取更有效。     

小波包在硬目标侵彻仿真结果分析中的应用

硬目标侵彻仿真得到的速度、加速度信号频率成分非常丰富，而且是非平稳的随机过程，小波分析具有良好的时频局部化性质，可用来分析这些信号，在总结小波，小波包理论的基础上，利用小波包将仿真得到的加速度信号分解到相邻的不同频率段上，然后用信号重构方法对各个频率段上的信号进行重构，并作了相应的频谱分析，最后对小波包分析的工程意义进行了探讨。     

随机振动信号的小波处理方法

利用小波变换处理随机振动信号,先随机振动信号进行小波分解,分解的层数根据需要的精度而定;再对各频域内的信号进行时域分段,分段数与各频段的中心频率成正比,以使时间分辨率与中心频率成正比;最后对分段后的数据求平均功率,并将各频段各时间段的数据合在一起,构成一个压缩后的时频分布。处理结果表明,小波变换处理方法能够充分反映随机振动信号的时频局域特性。     

爆炸气泡帷幕对水中冲击波能量的衰减特性

在传统气泡帷幕减震技术的基础上,提出了爆炸气泡帷幕削能新理念,并对爆炸气泡帷幕削能设想进行了实验研究,发现在本实验条件下爆炸气泡帷幕能有效衰减冲击波峰值压力,且衰减量高达60%,对冲击波比冲量的衰减高达62.2%;采用小波包分解技术对爆炸气泡帷幕的削能效果进行评判,发现爆炸气泡帷幕对各频段的冲击波能量衰减效果明显,绝大部分频段的能量衰减都在50%以上;爆炸气泡帷幕能够有效消除水下爆炸冲击波的高频部分,爆炸冲击波通过爆炸气泡帷幕后只有低频成分,且低频成分能量大大削弱。