爆破振动信号的小波包分解及各频段的能量分布特征

在结合爆破振动信号具有非平稳、持时短、时域与频域局部化等特性的基础上，通过对爆破振动信号分析技术的简介，得出了小波包分析技术的特点，并在确定小波包分解层数、优选小波包基的同时，运用能量计算公式在MATLAB7.0的语言环境下进行编程，得出了爆破振动信号能量分布的初步规律，为爆破振动信号的进一步研究奠定了理论基础。     

小波变换在故障诊断中的应用

对小波变换与傅立叶变换进行了比较。由于小波分析能对信号高、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特性,能对非平稳信号进行有效识别,达到故障诊断的目的。     

煤矿风机小波神经网络故障诊断系统研究

针对煤矿风机振动信号非线性、非平稳特性,结合小波分析和神经网络技术,研究煤矿风机故障诊断方法。该方法运用小波包分解技术,提取风机信号各个频带的能量特征,构造特征向量作为BP神经网络的输入,并借助于LabVIEW平台实现风机故障诊断。通过对实验数据的分析表明,小波分析和神经网络相结合可以有效地识别风机故障。     

小波包理论在康明斯汽车发动机故障诊断中的应用

本文概要地叙述了小波变换、小波包理论；利用小波包对KTA50型汽车发动机的振动信号进行分析，证实了小波理论能够对康明斯汽车的发动机信号进行有效的分析和处理，利用小波理论分析汽车发动机的振动信号能够对汽车发动机准确实施故障诊断，为小被包理论在汽车发动机故障诊断领域中的应用提供了例证。     

基于最优小波包基的破碎锤测试信号的消噪

通过对采用最小shannon熵标准来获取最优小波包基方法的探讨，针对氮爆式液压破碎锤测量信号非平稳时变特点，对其进行基于最优小波包基的分析与消噪。通过实例分析表明，噪后的信号具有更好的可读性及更佳的分析利用价值。     

基于卷积型小波包能量矩的机械故障特征提取

故障特征参数的准确提取是故障诊断的一个关键性问题。提出了一种基于卷积型小波包能量矩的特征提取方法。相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征。仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

Matlab小波分析在路面雷达信号处理中的应用

脉冲探地雷达回波信号是典型的非平稳、非线性信号,采样信号中不可避免地带有各种噪声,需进行适当处理。小波变换时频局域性好,是分析非平稳信号的有效工具之一。系统地阐述了小波变换的基本理论,并采用小波分析、小波包算法对雷达检测路面厚度的实测信号进行分析处理,然后进行路面层厚度计算,最后将计算结果与实际厚度相比较。对比结果说明了小波分析应用于路用探地雷达回波信号处理的有效性。     

基于卷积型小波包能量矩的机械故障提取

故障特征参数的准确提取是故障诊断的一个关键性问题.提出了一个基于卷积型小波包能量矩的特征提取方法.相比传统的小波包能量特征提取方法,基于卷积型小波包能量矩的特征提取方法能更有效地提取信号在各频带上的能量分布特征.仿真和实验验证了利用小波包能量矩进行故障诊断是一个有效的方法.     

小波包降噪与HHT在齿轮箱滚动轴承中的故障诊断

针对齿轮箱的滚动轴承采集振动信号,进行故障诊断是非常有效的一种方法。但在实际中,采集的振动信号中往往存在噪声信号的干扰,因此,需要去掉噪声后再进行诊断。小波包降噪在机械设备的故障诊断中得到了成功的应用,希尔伯特——黄变换(Hilbert-HuangTransform,HHT)是一种处理非平稳信号的方法。结合这两种方法对齿轮箱中的滚动轴承进行故障诊断,并对比了单独使用HHT的方法,证明了结合两种方法对其进行故障诊断的正确性。     

基于小波包和距离判别法的滚动轴承故障诊断

将小波包分析与距离判别分析法相结合的方法应用于滚动轴承故障诊断问题中。利用小波包分析技术提取了滚动轴承典型故障的振动加速度信号的状态特征向量,选用此特征向量作为距离判别分析模型的判别因子,以滚动轴承故障实测模拟数据作为学习样本进行训练,通过分析计算,建立了相应线性判别函数,并利用回代估计方法进行检验。研究结果表明:这种新模型判别能力强,交叉确认估计的误判率为0,不需要优化网络结构,是解决滚动轴承故障诊断的一种有效方法。     

基于小波包和Bayes判别法的矿用通风机故障诊断

将小波包分析与Bayes判别分析法相结合的方法应用于矿用通风机故障诊断问题中。利用小波包分析技术提取了矿用通风机不同工作状态的特征向量,选用此特征向量作为Bayes判别分析模型的判别因子,以矿用通风机故障实测模拟数据作为学习样本进行训练,通过分析计算,建立了相应线性判别函数,并利用回代估计方法进行检验。研究结果表明:这种新模型判别能力强,交叉确认估计的误判率为0,不需要优化网络结构,是解决矿用通风机故障诊断的一种有效方法。     

基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。     

基于小波能量谱旋转机械振动信号的故障特征提取

旋转机械故障诊断的关键问题在于对振动故障信号的特征提取。利用小波能量谱分析方法能够发现不同分解层中的振动信号特征并分析出故障原因。基于小波能量谱方法能准确提取旋转机械的故障特征,尤其是对微弱故障信号,为正确判断故障提供了依据。实验验证了该方法在提取旋转机械振动故障信号方面的有效性和准确性。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于最小二乘拟合的电机轴承故障诊断新方法

轴承故障诊断的方法有多种,但要在复杂干扰情况全面地诊断、精确地了解电机轴承的故障程度,传统的诊断方法很难满足要求。以电机定子电流信号为分析源,利用小波包变换等数字信号处理技术,在实验中得到了一个与轴承故障程度有良好线性关系的参数。此参数的获得为更精确地诊断轴承设备的损坏程度提供了新的思路。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

小波包分析在采煤机减速器故障诊断中的应用

提出了一种采用小波包理论提取采煤机减速器故障信号的方法。利用小波包变换对减速器振动信号进行分解、重构及能量计算,有效地提取出采煤机减速器故障特征信号,从而获得故障的信息。仿真研究结果表明,基于小波包能量法的故障诊断方法能够有效地提取出采煤机减速器故障的频率信息。     

基于小波包的轴承信号降噪和特征提取的研究

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。