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.     

基于小波包和概率神经网络的滚动轴承故障诊断

为更好实现滚动轴承的状态监测和故障诊断,提出了基于小波包分析的特征向量提取算法。通过小波包分析对信号的高频和低频进行同样精度的分解,再将有效特征向量作为概率神经网络的输入,实现滚动轴承状态监测和智能化模式识别。结果表明,小波包变换可提高信号的频率分辨率,概率神经网络可充分利用故障先验知识,两者相结合能更有效地突出故障特征。     

小波神经网络研究

小波神经网络是小波分析和神经网络相结合的产物。小波分析具有良好的时频局部性质,而神经网络具有自学习功能和良好的容错能力,将二者结合具有强大的优势。本文对小波神经网络的基本结构、训练算法、结构设计及其应用进行了详细的分析和论述,最后通过小波神经网络逼近一非线性函数表明了小波神经网络具有收敛速度快、仿真精度高的优点。     

整数小波变换与矢量量化在图像处理中的应用

研究了基于提升框架下整数小波变换与矢量量化相结合在静止图像处理中的应用。将提升框架的整数小波变换的优点同矢量量化编码方法相结合，可在一定程度上解决编码速率低，难以生成通用码本的问题，同时小波变换方法的优点还能克服LBG等经典算法对高频分量的平滑，提高了分辨率。仿真结果表明：采用提升方法的整数小波变换和矢量量化相结合进行静止图像的压缩，同经典的图像压缩算法相比，在一定程度上降低了计算复杂度，提高了压缩效率，同时简化了编码与解码的过程，并可利用数字信号处理器（DSP）予以实现。     

基于BP神经网络的N80钢CO2腐蚀预测方法研究

采用灰度数据矩阵统计、小波变换和二值化等方法对N80钢CO2腐蚀图像进行特征提取。结合BP神经网络技术,以腐蚀图像的各向异性和小波变换后子图像的能量参数作为腐蚀类型判据,建立基于BP神经网络的孔蚀速率诊断模型,实现了CO2腐蚀类型和腐蚀程度的预测。诊断结果与实验结果较好吻合。     

小波包神经网络在雷达导引头信号处理中的应用

为从背景杂波中有效地提取出目标的特征信号,文中提出了一种将小波包分解和神经网络相结合的去噪方案。利用小波包对信号的低频和高频部分进行精细分解,得到信号在多尺度空间上的分解系数。根据信号和噪声在不同尺度小波包分解下的小波包特性,利用神经网络对分解系数进行处理,再用新的小波包分解系数对信号进行重构,以达到滤除噪声的目的。     

基于小波神经网络的航天器故障诊断方法

针对微小航天器集群的故障诊断问题,提出一种故障诊断(fault diagnosis,FD)新方法。依据小波神经网络(wavelet neural network,WNN)理论,结合航天器集群的领队航天器故障检测与系统重构问题,构建一种故障诊断框架,采用小波神经网络与神经网络相结合,得出航天器姿态故障诊断策略及卫星姿态故障重构技术,给出了领队航天器故障重构方案,并进行了仿真实验与验证。仿真结果表明,该故障诊断方法是有效性的、故障重构是可行性的。     

飞机声信号的特征提取与识别

在对某型喷气飞机声信号做时频域分析的基础上，采用LMS自适应横向滤波对飞机声信号作预处理，而后分别采用过零率和小波变换作目标特征提取。对这两种方法提取的特征再分别应用BP神经网络作目标分类识别，结果表明这两种特征提取方法与BP神经网络分类器相结合对处于起飞或降落滑跑中的喷气飞机均有较高的识别率。     

变速箱典型故障奇异性指数的模糊神经网络识别

基于小波奇异性分析和模糊神经网络理论,建立变速箱故障识别模型,探讨将两种理论集成用于状态监测以提高故障识别准确度.通过小波变换提取车辆变速箱运行状态监测数据的奇异性指数,并据此训练模糊神经网络,计算表征变速箱技术状况的代码,判断部件是否发生故障及故障类型.对某型车辆变速箱监测信号的研究表明,本模型用于识别变速箱典型故障的误差仅为0.15384.     

一种扩展的自适应小波变换算法及应用

在Claypoole自适应小波变换基础上,提出了一种扩展的自适应小波变换方法。该方法将Sweldens构造小波的内插细分多项式,由奇次扩展到正整数次,从而扩大了自适应小波消失矩的选择范围。将自适应小波变换与扩展自适应小波变换应用于信号滤波,结果表明：扩展自适应小波变换,得到了理想的滤波效果,也为应用提供了更广泛的自适应小波选择。