基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

基于小波包变换的柱塞泵脉动压力信号BP故障诊断

为了提高柱塞泵脉动压力信号的故障诊断诊断能力,分别提取得到正常的泵脉动压力与齿圈出现磨损故障时对应的泵脉动压力,利用小波包变换的方法消除原始信号的噪声信号,再提取得到由故障信息构成的频段,完成信号时域特征的分析。频段介于0～4 kHz之间时,在柱塞泵脉动压力信号中形成了泵轴频、基频与谐倍频等,含有泵运行过程的各项信息参数,处于高频区间时,发生了线谱幅值的持续减小。利用MATLAB软件建立BP网络故障诊断结果表明：脉动压力指标可以实现柱塞泵内部运行情况的准确识别,达到故障诊断的测试要求。方法在诊断方面是有效的,在处理柱塞泵脉动压力信号故障诊断领域具有很好的实际指导意义。     

基于小波包变换的小电流故障选线算法研究

随着变电站配网出线数目的增大,小电流接地系统单相接地故障总的次数也在逐渐增多,为了能快速有效地辨识出故障线路,首先从小电流接地系统出现单相故障后所形成电流的特征分量出发,研究了不接地和经消弧线圈接地系统的单相接地故障选线依据;并在此基础上,利用小波包变换提取故障时刻的高频分量,通过小波包系数极性选出故障线路;最后,通过仿真分析验证了选线算法的正确性。     

基于小波变换的纹理特征变化检测方法研究

本文提出和实验了一种基于小波变换的区域纹理特征差值的变化检测方法,该方法通过小波变换提取区域纹理特征,而后采用差值求得其变化部分.实验结果表明,该方法对于高分辨率的遥感影像具有较好的检测效果,同时提高了运算速度,从理论和实践方面证明了该方法的可行性和有效性.     

基于小波包变换和蚁群算法的纹理分割方法

为了解决纹理图像分割中所存在的区域一致性差、像素分割错误率较大的问题,提出基于小波包变换并且利用蚁群算法来对纹理图像进行分割的方法。考虑到传统聚类算法依赖于初始值的选取,选用了具有较强鲁棒性的蚁群算法来进行聚类分割。同时考虑到同种纹理的像素往往在空间上具备连续性,所以在进行再次分割时,结合了像素临域的其它像素的分割结果,来抑制纹理分割中的孤立点的出现。     

基于小波分析的滑动轴承参数识别研究

提出一种滑动轴承油膜参数识别的最小二乘新算法,建立识别模型,采用小波分析技术获得响应的基频成分,进行试验识别,结果表明该方法能有效地抑制测量误差的影响,提高参数识别精度。     

小波分析突发故障中小波基的选择

小波变换是一种日益获得广泛应用的信号分析方法,它在时域和频域同时具有良好的局部化特性,能够很好地反映瞬态信号的特征,为诊断以非稳态信号为特征的机械故障提供了有效的分析手段。然而,由于小波变换没有固定的基函数,不同的基函数具有各自的特征,而且缺乏可比性,因此在故障诊断中,如何选择小波基,便成了一个棘手的问题。本文从应用的角度简述了小波变换中小波基的选择方法,并给出了应用实例。     

基于小波变换的单相接地故障选线方法

将小波变换的方法应用到配电网单相接地故障选线中，利用小波变换的时频局化特性，充分利用故障线路暂态信息，再利用合理的判据，从而达到准确选线的目的。Matlab小波工具箱仿真分析的结果表明了方法的可靠性。     

基于小波包变换的齿轮箱降噪方法研究

应用小波包变换理论和小波包降噪原理,对轧机齿轮箱的振动信号进行小波包降噪,有效地从含噪信号中提取出故障特征。通过对计算机仿真信号的降噪效果比较和实例分析,显示了小波包降噪的优越性。最后对齿轮箱降噪前后小波包各频带能量向量的比较,进一步表明了小波包降噪在消除高频干扰,凸显故障特征方面的有效性。     

机电BIT故障特征选择方法研究

提出一种故障特征选择方法，该方法采用类内类间距离作为特征评价准则，并利用遗传算法良好的寻优能力，解决特征的优选问题。轴承诊断实例证明，该方法有较好的寻优特征子集的能力，能够提高BIT系统的诊断精度，降低系统的虚警率，因而在机电BIT故障特征选择中有较好的应用前景。     

最优Morlet小波滤波及其在机械故障特征分析中的应用

分析了Morlet小波及其滤波特性,结合小波变换技术和奇异值分解技术,提出了基于最优Morlet小波和奇异值分解的滤波消噪方法,解决了传统小波去噪方法的不足,即如何选取小波基、阈值方法和阈值。依据最优Morlet小波滤波方法,研发了基于小波变换的故障特征分析仪,并应用于轴承故障的特征提取,实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的。     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

遗传算法在故障特征选择中的应用研究

针对传统组合优化方法用于特征选择的种种缺陷 ,提出了基于遗传算法的特征选择策略。经仿真及回转机械故障实例分析 ,证明该方法拥有较强的并行性和寻优能力 ,在机械故障诊断领域有广阔的应用前景     

基于最优小波基的电机故障信号特征提取研究

小波变换去噪中最关键的问题是最优小波基的选取,使其能够将噪声从原始信号中分离出来。针对电机故障的特点,提出了一种基于信号的最优小波基选取方法。将信号小波变换的能量阈值曲线作为小波基函数的适用性评价指标。通过训练神经网络,选取适合该信号的最优小波基,最后采用平移不变量(TI)小波阈值法实现信号去噪。在此基础上对750W化纤电机进行了测试,实验结果表明,该方法能准确找出适合特定信号的最优小波基。训练后的神经网络可直接用于其它类型电机的信号去噪处理,具有实用价值。     

基于特征相关性和冗余性分析的机械故障特征选择研究

从特征相关性和冗余性的定义出发，利用特征与类别间的互信息对特征相关性和冗余性进行了度量，提出了一种基于特征相关性和冗余性分析的特征选择方法。数值仿真和柴油机故障特征选择实验结果表明，新方法可以快速、有效地求得优化特征集，是求解特征选择问题的一个较好方案。     

发动机缸盖振动信号特征提取与优化选择算法

为了从发动机缸盖振动信号中提取出完备的、高质量的状态特征,并选择出最优特征子集进行分类,建立了缸盖振动信号集成特征提取模型,提出了一种基于样本分散度的最优特征子集选择算法。集成特征提取模型选取多个完整工作循环数据处理,用提升小波包对其进行快速变换,消除波动影响和噪声,求取所构造特征集的各特征值,得到包含完备发动机状态信息的特征向量;最优特征子集优化选择算法,建立了基于样本分散度的特征选择模型,解决了冗余分类信息的消除问题,结合分类器选择出最优特征子集,使其规模与分类效果综合最优,用欧氏距离分类法和支持向量基分类器进行测试,所有40个特征输入分类器正确率分别为67.86%和70%,优化选择后特征个数分别降低为6个和5个,而分类正确率提高到了90.71%和90%。     

基于小波变换和波形特征分析的峰电位分类

峰电位分类是细胞外记录中一个重要的技术。提出了一个基于离散小波变换和波形特征分析的新的峰电位分类方法（DWT-SFA）,同时定义了3个不同的波形特征。首先,对信号进行小波消噪处理,然后,使用这3个不同的波形特征进行信号分类。通过对大壁虎嗅觉神经信号的分类处理,证明该方法明显优于主成分分析方法。此外,通过对该方法与Offline Sorter软件的分类对比,也验证了它的正确性和精确性。