基于小波分析的岩石声发射信号处理技术

根据岩石声发射信号的特点,利用小波分析方法对岩石声发射信号进行分解、消噪和重构,得到了较为直观的声发射信号.介绍了小波与小波包分析的特点;对声发射信号进行小波消噪,比较了不同阈值下的消噪效果;并提出了基于能量阈值法的小波包消噪,其效果优于小波消噪.     

基于最优小波包与SOM-BP融合的柴油机故障诊断

柴油机振动信号具有非平稳性,用最优小波包将不同故障的振动信号分解到不同频段。提取各频段的能量组成特征向量输入SOM-BP神经网络,通过神经网络输出结果判别柴油机的故障类型。与BP网络的训练结果相比较,证明将最优小波包分解与SOM-BP神经网络相结合的方法可以得到更好的分类结果,有一定的工程实用性。     

基于小波神经网络的球磨机煤位监测研究

球磨机是制粉系统中的主体设备,为保证制粉系统的自动控制和安全运行,有必要对球磨机简体中煤位进行自动监测。本文通过利用小波包技术分析球磨机振动声辐射信号,提取出反映煤位高低的声信号特征向量,结合神经网络技术,实现球磨机煤位的智能监测。     

基于小波包预处理的神经网络故障模式识别的研究

基于小波包对信号的高分辨率分解和重构能力 ,把信号在不同频段上进行分解 ,提取各分量故障信号的特征 ,应用BP神经网络进行故障模式识别 ,并将这种方法用于齿轮故障模式识别 ,取得较满意的效果     

小波包分形技术在泵机组故障诊断中的应用

针对泵机组振动信号的非线性和非平稳特征,根据小波包和分形理论,引入小波包分形技术对泵机组常见故障类型进行研究。使用盒维数分别计算经过降噪处理的故障信号和对原始信号进行2层小波包分解的4个频带信号,结果表明:250~500 Hz频段状态信号盒维数的区分度最大,最适合作为泵机组的故障特征量;中高频信号的维数值对复合故障和松动故障比较敏感,通过量化中高频信号的维数值,能够有效捕捉到复合故障和松动故障信息。     

微震响应煤与瓦斯突出模拟试验

利用大型煤与瓦斯突出模拟试验系统,研制密封效果好、流变性能强的突出口材料及其制作工艺,模拟垂直和水平应力综合作用下自动触发煤与瓦斯突出的试验过程,利用高灵敏性的微震监测系统全程响应煤与瓦斯突出4个阶段,监测不同阶段突出腔体内的瓦斯压力,素描出突出孔洞大小和形状。微震响应信号分析频率0~2 000 Hz,优选小波基函数,确定小波包最大分解层数,采用小波包分解分析模拟突出孕育、激发、发生和残余4个阶段微震信号时频特征;孕育阶段为高频信号,激发阶段信号频带范围逐渐加宽直至出现低频信号,突出阶段全频带响应,残余阶段信号由相对较低频带逐渐向高频过渡。研究成果为微震预警煤与瓦斯突出提供基础试验依据。     

基于小波包算法的回转零件故障诊断

针对传统的故障诊断方法的局限性,将小波包分析方法应用到回转零件故障诊断中,利用小波包分解和重构方法有效地提取回转零件的共振频段,解决了传统方法人为确定共振解调频段的局限性。应用小波包算法处理后的信号重新采样,再根据Hilbert变换和包络谱细化原理,得到一种新的细化包络谱。通过回转零件的故障诊断实验分析,验证了该理论方法的正确性和实用性。     

小波包频带-能量重构的异步电动机转子断条故障诊断

基于定子电流信号对异步电动机进行故障诊断时,其转子断条故障特征频率分量常被电流的基频分量淹没。尽管小波变换具有频率越高,相应的时间分辨率也越高的特点,但频率域上的分辨率却降低成了它的弱点。而小波包技术能同时对上一层的低频部分和高频部分进行细分,并根据被分析信号的特征,自适应的选择相应的频段,使之与信号频谱相匹配,从而提高时域分辨率。用小波包分析法对所采集信号处理,可作为电动机故障诊断输入特征向量的分解后的频段能量特征值。实验表明,采用小波包技术可快速、准确地诊断出电动机故障,其效果良好,也为电动机故障在线实时诊断提供了理论依据。     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

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。     

爆破震动信号的小波包分析

爆破引起的震动非常复杂,是一种典型的非平稳信号。利用小波分析良好的时频局部化性质,可以很好地对爆破地震波进行信号重构和能量分析。利用MATLAB的“db6”小波基函数,编制MATLAB程序,把震动信号划分为几个频带进行分析,在每个频带上选取该波段的速度峰值及其主频,据此得出不同频带上的能量分布情况。通过对实测爆破震动信号的小波包分析可以看出,大多数信号的主频位于0～15 Hz以内的中低频带内,这对爆破震动的安全控制具有现实意义。     

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

Application of wavelet packet decomposition and its energy spectrum on the coal-rock interface identification

Introduction　　Shearisoneofthemainmachinesonthecoalface.Realizingautomaticadjustingofthedrumheightistheimportantlinkofrealizingautomaticproductionprocessonthecoalface,alsohasimportantpurposestomachinelife ,machinerelia bility,workerssafeandcoalquality.　　CIIcanmaketheshearhavetheabilitytoautomaticallytracethecoal rockinterface.Itcannotonlycontributetomineautomationandhighefficiency,butalsoreducethecontentofrockandtheothermineralthatmustberemovedintheprocessofcoalbeneficiation.Intherecentye…     

基于小波包能量流和LTSA的垮落煤岩特征提取

针对综放工作面垮落煤岩识别的技术问题,采集了放煤过程中垮落煤岩冲击液压支架后尾梁的振动信号,并提出了一种基于小波包能量流和LTSA的特征提取方法。该方法首先利用小波包变换把振动信号分解成一系列的时频子空间;为了观察原信号能量在各层时频子空间的分布特征,计算了小波包分解每一层各个时频子空间的能量,构成了一个小波包能量矩阵,称为小波包能量流;然后利用局部切空间排列(Local Tangent Space Alignment,LTSA)挖掘小波包能量流的低维流形。为了验证小波包能量流低维流形的有效性,把该特征向量输入BP神经网络来识别垮落煤岩。结果表明:基于小波包能量流和LTSA提取的特征向量可以准确简约地表征垮落煤岩,BP神经网络的识别率达到100%。     

基于缸盖振动信号的发动机排气管堵塞故障分析

现代汽车发动机广泛使用三元催化器进行排放控制,而三元催化器在长期使用过程中容易堵塞,造成发动机排气不畅,影响发动机性能。利用位于发动机缸盖上的振动加速度传感器,提取不同转速下正常状态和堵塞状态的振动信号,通过频谱分析,发现2阶振动幅值有明显变化,经小波包分解求得各频段振动能量,结果表明排气管堵塞后在相同转速下的低频段振动能量都有所减少,而且高转速比低转速减少更加明显,但各频段能量占总能量比重变化不大。此分析结论,可作为发动机排气管堵塞故障诊断的参考依据。     

基于振动信号的采煤机煤岩截割状态识别

为了准确识别采煤机截割状态,提出了一种基于小波包分解和学习向量量化(LVQ)神经网络的模式识别方法。将振动信号进行小波包分解,实现振动信号的预处理,得到若干个子频带。在此基础上,计算各个频带的方差,并将其作为特征向量。然后将计算得到的频带方差作为特征向量,输入到LVQ神经网络进行采煤机煤岩截割状态识别。通过实验验证了该方法的有效性,实验结果表明:该方法能够实现采煤机典型煤岩截割状态的识别,平均识别准确率较高,对实现综采工作面的"无人化"具有重要意义。     

基于CEEMD与小波包的单相接地故障选线方法

为了解决矿井供电系统发生单相接地故障时故障特征不明显情况下小波包选线方法易错选误选的问题,文章提出了一种基于CEEMD与小波包的选线方法。该方法首先对各条线路的零序电流进行CEEMD分解,提取分解得到的高频IMF1分量进行小波包变换,求取各频段小波包能量总和并排序,按照能量最大原则确定特征频带并进行小波包分解系数模最大值极性的比较,确定模最大值极性相反的线路为故障线路。利用RTDS搭建了35/6kV的矿井供电系统仿真模型,仿真结果表明该选线方法具有较好的选线准确性,并且受不同故障因素的影响较小,在不同故障条件下均有较高的选线准确率。     

基于小波包与SOM神经网络的截齿磨损状态识别

为实现采煤机截割过程中截齿磨损状态的实时在线监测,采用声发射传感器对不同磨损程度截齿截割时的声发射信号进行采集,采用小波包分析方法分析声发射信号不同频带能量的变化规律,建立能量值的样本空间,构建基于SOM神经网络的截齿磨损识别模型,实现对截齿不同磨损状态的在线监测。通过随机测试实验对截齿磨损状态识别模型进行验证,结果表明,基于小波包分析与SOM神经网络的截齿预测磨损状态识别模型识别精度较高,测试样本识别精度约95%。研究结果为准确识别截齿的磨损状态、提高采煤机的工作效率提供一种重要的技术手段。