基于开关电流的Morlet小波变换研究

开关电流技术是一种新型的电流模式的模拟取样数据信号处理技术,对于实现小波变换具有很大的优势.Morlet小波在时域和频域都具有较好的局部性,能够提取信号中的幅值和相位信息.用开关电流技术实现Morlet小波变换的关键是高斯函数发生器.用Padé遥近获得高斯函数的有理分式逼近后,可以用开关电流一阶节和二阶节来实现高斯函数...     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波包变换的故障诊断

由于小波包变换在信号分析与处理中,具有良好的局部化品质,本提出了一种基于小波包变换的故障诊断方法,并应用于控制系统动态测试过程的故障检测。计算和实验结果表明：该方法可以快速有效地进行故障检测与定位。     

基于小波变换的整流电路故障诊断

小波变换具有在时域和频域内的局部化特性,对于弱信号的检测非常方便,易于从高信噪比的信号中去除噪声,在故障诊断领域中的信号去噪应用非常广泛.首先介绍了小波变换的基本原理,建立了晶闸管三相桥式全控整流电路的MATLAB仿真模型,并对故障仿真中的含噪信号进行了小波变换去噪,较好地从噪声中分离出了电压故障曲线.     

小波变换在轴承故障诊断中的应用

提出了一种利用连续小波变换诊断轴承故障的方法。该方法不需要对象的数学模型，具有灵敏度高，仰操能力强，鲁棒性好的特点。     

小波变换在轴承故障诊断中的应用

提出一种利用连续小波变换诊断轴承故障的方法。该方法不需要对象的数学模型，具有灵敏度高、仰操能力强、鲁棒性好的特点。     

傅里叶变换与小波变换在信号故障诊断中的应用

研究了傅里叶变换与小波变换在信号故障诊断中的应用。仿真表明，小波变换在检测信号突变点方面比傅里叶变换优越得多，且利用小波变换可以精确地检测出信号突变的时间与位置。最后探讨了在应用小波变换进行故障检测时小波基的选取原则。     

Morlet小波变换的像空间

针对Morlet小波,给出了其小波变换像空间再生核函数的具体表达式,并且当固定尺度因子时利用再生核空间的理论,对Morlet小波变换的像空间作出了具体的描述,为一般小波变换像空间的讨论提供了理论基础.     

基于Morlet小波变换的自振射流瞬态特性影响因素分析

针对喷嘴腔内流体流动为典型的具有时变特性的非定常流动,提出采用时频分析方法对喷嘴腔内流体压力脉动信号进行分析。首先,通过Morlet小波变换联合小波脊线方法提取自振射流喷嘴腔内流体压力脉动信号的瞬时频率。然后,研究不同来流流速、不同来流扰动频率对喷嘴腔内流体压力脉动信号瞬时频率的影响。在此基础上,研究自振射流打击到打击靶上形成的反射压力波对喷嘴腔内流体瞬态特性的影响,以及不同靶距的影响。结果表明:本文方法可有效辨识来流扰动频率、来流流速对喷嘴腔内流体瞬态特性的影响,获取了试验用喷嘴的最优靶距范围,并辨识了反射压力波的影响,为研究自振射流瞬态特性的影响因素提供了有效手段。     

基于小波变换的汽车齿轮箱振动信号故障分析

本文利用小波变换和能量特征值对汽车齿轮箱振动信号进行特性分析。利用小波变换的分解和重构算法,对小波系数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,及时发现齿轮箱的早期故障,提高汽车运行的安全性。仿真研究结果表明用小波变换在故障信息诊断方面是可行的和有效的,提高了故障检测的可靠性。     

基于小波神经网络的容差模拟电路故障诊断方法

以模拟电路的故障诊断为例,利用小波分析,将电路故障信号进行层次分解,获得不同频段的信号成分,取其能反映故障信号特征的成分作为电路故障特征,再输入给神经网络,大大减少了神经网络的输入数目、简化了神经网络的结构、减少了它的训练时间,并提高了辨识故障类别的能力.     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.