基于小波包能量谱的滚动轴承振动噪声检测方法

针对轴承振动与噪声源零件识别与检测问题，利用小波包分解的方法来分析轴承的振动噪声信号：根据待测轴承振动信号特点，确定小波包分解的小波函数及分解层数，得到了轴承振动信号在频域的信息；通过构造小波包能量谱来分析各个频段上振动信号的特征，根据各个小波包空间能量值的大小判断轴承振动的剧烈程度；通过小波包重构算法对轴承振动噪声贡献较大的小波包空间进行重构，得到具有较高信噪比的重构信号，便于进行频谱分析。结果表明，本文的检测方法可以较准确的识别出新出厂轴承中振动噪声的主要来源，对于后期实现轴承静音降噪具有重要意义。     

基于时频域模型的噪声故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。     

基于小波包分析的拉索损伤声发射信号特征提取

结合显式有限元和小波包分析技术开展了拉索损伤声发射信号特征提取的仿真分析。采用ANSYS/LS-DYNA模拟得到拉索损伤声发射信号的仿真信号,基于小波包能量谱对拉索声发射的有限元仿真信号进行了特征提取,从小波包分解层次、特征频带数量的选择及特征参数的噪声鲁棒性三个方面开展了讨论分析。结果表明:(1)通过选择适当的小波包分解层次,小波包能量谱可以精细地反映信号的特征;(2)选取少数特征频带就能使得小波包能量谱反映声发射信号的特征信息;(3)基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对拉索不同损伤类型的判别。     

基于小波包分析的减速机故障诊断研究

介绍小波包分析理论,利用小波包分析对所测的振动信号的分解,把信号分解到不同频段,求出各频段的能量,分离出故障信息,得出故障频率.针对某轧钢厂的故障减速机,通过所测得的振动信号进行小波包分解和能量分析,可有效提取减速机故障信息,表明小波包分析方法在减速机故障信号提取的有效性,体现小波包分析的优良性.     

小波包分析在混凝土检测中的应用

当前 ,对混凝土质量判断主要依赖于对接收信号的处理。和小波分析相比 ,小波包分析的优势在于其不仅对低频部分进行分解 ,对高频部分也进行分解 ,并能根据被分析信号的特征 ,自适应地选择相应频带 ,使之与信号频谱相匹配 ,从而提高时频分辨率。本文利用小波分析方法 ,对超声接收信号进行小波包分解 ,分别提取各个频率成分的信号特征 ,并对小波包分解系数重构 ,求出各频带信号的总能量。通过构造特征向量 ,进行归一化处理 ,用实验统计方法确定特征值和容差范围 ,通过对不同混凝土试块中传播的超声波进行分析 ,判断出混凝土的内部质量     

听觉小波包在舰船噪声分解与重构中的应用

舰船噪声的分解和重构对于舰船噪声特征提取与听音分析都具有重要作用。采用多分辨分析理论对噪声进行分解和重构只能对低频进行精细化处理,但对高频却难以达到理想效果。正交小波包分析可以在任何欲处理的频带内进行可允许的任意层次分解,但分解的小波包树的结构难以确定,没有明确的构造导引方法。将Bark频率群的理论引入小波包树结构的选择,提出构造听觉小波包树结构的方法,构建了基于db6小波的采样率为44.1 kHz的听觉小波包。采用该听觉小波包结构对四型舰船噪声信号进行分解、子带加权和重构,频谱分析和听音分析都表明重构噪声特征更加清晰。     

基于Shannon熵的自适应小波包阈值函数去噪算法研究

小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。     

基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术

由于滚动轴承声发射信号在各频段的能量分布与轴承的故障类型相关,可以利用谐波小波包将不同故障滚动轴承的声发射信号分解到不同频段,进而将各频段的能量组成特征向量输入BP神经网络,通过神经网络判别滚动轴承的故障类型。利用神经网络对滚动轴承进行故障识别时,对谐波小波包和Daubechies小波包进行了比较。实验结果表明对于滚动轴承声发射信号的故障模式识别,将谐波小波包分解和BP神经网络相结合的方法可以获得良好的效果。     

改进增强峭度图和增强包络谱在滚动轴承故障诊断上的应用

针对滚动轴承故障诊断问题,在分析了基于二进制小波包分解的增强峭度图方法的不足后,提出了基于谐波小波包分解的改进增强峭度图方法。通过计算故障信号的改进增强峭度图,筛选出峭度值最大的最优节点,利用最优节点处的谐波小波包系数进行信号重构,并对重构信号做增强包络谱分析,利用故障特征频率的理论计算值与增强包络谱中峰值明显的谱线进行对比,从而对轴承故障类型做出判断。运用所提出的诊断方法分别对滚动轴承内圈故障模拟、实测信号进行分析,结果表明,该方法具有一定的可靠性,能够满足实际的工程需要。     

基于小波包能量矩阵的轴承信号特征提取

为通过振动信号识别轴承的工作状态,结合小波包变换和矩阵特征值理论,提出了一种新的轴承信号特征提取方法。引入了能量值方法,对小波包分解信号进行分层分段能量计算,组成能量特征矩阵,求得矩阵特征值;定义基于特征值的振动信号特征参数,并探讨了特征参数与轴承运行状态间的联系。最后在特征提取基础上,提出了故障早期模式识别的对应系数相乘方法。结果表明：最大值特征参数能够敏感的反映轴承工作性能的变化,可作为轴承状态监测特征量;对应系数相乘法可以作为故障部位诊断的有效方法。