齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中，故障特征提取是诊断的关键，而特征提取的方法也是多种多样的。利用双正交小波基将齿轮的故障振动信号分解到时频域，并提取出齿轮的故障特征。同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果。     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征。实验表明,该方法能对齿轮的故障特征进行有效的监测。     

基于核函数估计的转子故障诊断方法

研究核函数估计方法(KFA)在机械故障诊断中的应用问题,提出一种基于特征样本选择的转子故障模式分类方法。通过计算转子振动信号原始特征空间的内积核函数,将所有原始特征样本映射到高维特征空间,在高维空间中选择特征样本对转子裂纹、转子不平衡及转子碰摩三种故障模式进行分类识别,选择的特征样本远小于样本集中全体样本的数目,提高了运算速度。比较了KFA分类方法与支持矢量机(SVM)分类方法的效果,结果表明,在保证分类精度的条件下,KFA方法可以明显减少运算量,性能更优越。     

鲁棒主成份分析与IHS变换相结合的卫星图像融合

由于传统的主成份分析(PCA)和IHS卫星图像融合方法会产生光谱信息损失和特征细节失真等现象,本文提出一种基于鲁棒PCA(RPCA)和IHS变换相结合的卫星图像融合方法。首先,对多光谱图像进行IHS变换,使其从RGB空间变换到IHS空间;对其中的I分量进行RPCA变换得到低秩矩阵L0和稀疏矩阵S0,并利用直方图匹配把全色图像匹配到L0分量上。然后,用匹配后的全色图像替换L0分量进行RPCA反变换。最后,进行IHS反变换得到融合图像。实验结果显示,本文算法获得的融合图像的信息熵分别为7.5275和7.4772,显示RPCA与IHS相结合的方法可以保留更多的光谱信息和空间特征细节,优于传统的IHS和PCA融合的方法。     

FEATURE EXTRACTION OF VIBRATION SIGNALS BASED ON WAVELET PACKET TRANSFORM

A method is proposed for the analysis of vibration signals from components of rotating machines, based on the wavelet packet transformation (WPT) and the underlying physical concepts of modulation mechanism. The method provides a finer analysis and better time-frequency localization capabilities than any other analysis methods. Both details and approximations are split into finer components and result in better-localized frequency ranges corresponding to each node of a wavelet packet tree. For the purpose of feature extraction, a hard threshold is given and the energy of the coefficients above the threshold is used, as a criterion for the selection of the best vector. The feature extraction of a vibration signal is accomplished by computing the reconstruction signal and its spectrum. When applied to a rolling bear vibration signal feature extraction, the proposed method can lead to be very effective.     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

SIGNAL FEATURE EXTRACTION BASED UPON INDEPENDENT COMPONENT ANALYSIS AND WAVELET TRANSFORM

It is an important precondition for machine fault diagnosis that vibration signal can be extracted effectively. Based on the characteristic of noise interfused during the course of sampling vibration signal, independent component analysis (ICA) method is combined with wavelet to de-noise. Firstly, The sampled signal can be separated with ICA, then the function of frequency band chosen with multi-resolution wavelet transform can be used to judge whether the stochastic disturbance singular signal is interfused. By these ways, the vibration signals can be extracted effectively, which provides favorable condition for subsequent feature detection of vibration signal and fault diagnosis.     

小波变换在齿轮局部缺陷诊断中的应用

采用连续小波变换对齿轮振动信号进行分析,检测到齿轮出现局部缺陷时,其振动信号中的幅值突变点。通过对试验数据的分析,说明这种方法可以有效地应用于齿轮的局部缺陷诊断中,并且不需要对初始信号进行时域同步平均。     

基于PCA的时间分辨油荧光光谱分析及优化

激光诱导荧光技术可广泛应用于油污染的监测中,然而普通的油荧光光谱技术只能实现油污染监测的粗分类,无法区分原油与燃料油的荧光特征。本文基于主成分分析方法(PCA)的时间分辨油荧光分类方法,实验测量了20种油样本的时间分辨荧光光谱特征,给出了对应的荧光寿命和时间分辨油荧光光谱的时序特征。在此基础上,利用前三个主成分构成的三维特征矢量空间,通过分析不同采集时刻下油样本矢量间相关距离的变化,对油样本的时间分辨荧光光谱进行聚类分析。为了体现油荧光变化的时序性,引入矢量距离的离散度参量,提出基于PCA进行时间分辨油荧光光谱分析的优化方法。实验结果表明,基于时间分辨油荧光光谱识别可实现原油与燃料油的光谱时序特征区分,具备良好的油荧光分类效果。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

用于目标识别的PCA-SC形状匹配算法

基于形状上下文（ShapeContext）算法并融合主成分分析（PCA）的降维思想,提出了一种PCA-SC算法来提高形状匹配和目标识别的速度和抗噪能力。该算法将SC算法获取的特征矩阵构成协方差矩阵,按照特征值由大到小的准则进行降维,形成新的特征矩阵用于匹配和识别,既抑制了噪声干扰,提高了识别准确率,又能够提高匹配速度,易于满足工程应用对实时性的要求。利用MNIST图像数据库中的图像进行了实验分析,结果表明,PCA-SC算法在保持了SC算法原有的定位准确、抑制噪声等优点的基础上,识别速度提高了1倍;准确率达到了96.15%,提高了约0.5%;而且抗噪性更强,可用于匹配和识别较复杂的形状和目标。该算法基本满足匹配和识别对速度、准确率和抗干扰性等方面的要求。     

主成分分析在光全散射特征波长选择中的应用

为了能在用光全散射法测量颗粒粒径时选择对粒径影响较显著的特征波长进行测量,通过在可见及可见-红外波段内对粒径服从单峰R-R分布颗粒系的消光光谱,一阶微分以及二阶微分消光光谱进行主成分变换,提出一种特征波长选择方法。该方法首先对颗粒系的一阶微分消光光谱进行主成分变换,然后将每个波长下的一阶微分消光谱对主成分贡献率的大小作为特征波长选择的主要依据,并将光谱范围的边界波长也作为特征波长。分别对粒径服从单峰及双峰R-R分布的颗粒系进行数值仿真,并采用标准颗粒的实测数据进行验证。验证结果显示,采用基于主成分分析的波长选择方法计算方便、易于实现,得到的标准颗粒粒径反演误差均小于3%,表明采用提出的波长选择方法能够保证选出的光谱消光值具有较高的信息量。

     

基于Kinect数据主成分分析的人体动作识别

为了提高家庭环境下人体动作识别的效率和精度,提出并实现了基于Kinect数据主成分分析的动作识别方法。首先,通过Kinect采集人体动作特征描述的时间序列数据,并构造人体姿态描述向量;然后,运用主成分分析方法分析不同时间点的特征值的差异,获得重构的特征值,使得不同类型的动作之间有明显区别。同时减少了冗余和噪声,有利于动作的判断和识别。最后,依据重构的特征和最近邻原则,进行动作的识别分类。实验结果表明,该方法对简单的人体动作识别精度可达80%以上,单个样本识别时间分别是1.67ms和3.93ms,基本满足对人体动作识别的精度、抗干扰能力和实时性等要求。

     

基于DataSocket和小波消噪的齿轮故障远程监测与诊断

介绍利用LabVIEW平台检测齿轮故障信号 ,叙述DataSocket协议和使用DataSocket技术进行远程监控的方法 ,给出在LabVIEW的环境内 ,使用MATLAB脚本节点对齿轮振动信号进行小波消噪和分解 ,提取齿轮故障特征信息 ,实现齿轮故障的远程诊断的方案。     

基于改进的灰狼优化算法与SVM风机轴承故障诊断

针对当前风机轴承故障诊断准确率较低、诊断难度较大、耗时较长等问题,提出改进的灰狼优化（ImprovedGreyWolfOptimization,IGWO）算法与支持向量机（SupportVectorMachine,SVM）故障诊断方法。为了能够精准地提取故障特征,采用时频域分析中的小波包分解法对故障振动信号进行特征提取,将小波包分解后的8个频带能量作为故障特征并构建特征向量;建立SVM故障模型并利用IGWO算法对SVM模型进行参数寻优,避免了灰狼优化（GreyWolfOptimization,GWO）算法后期易陷入局部最优、收敛速度过慢等。实验结果表明,IGWO算法平均故障识别率高达99.3%,能够更加快速、高效、准确地识别故障的类型,为故障诊断的发展提供了良好的技术支撑。     

基于小波包能量谱齿轮振动信号的分析与故障诊断

小波包是继小波分析之后提出的一种新型的多尺度分析方法,解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果.测试了齿轮传动系统在几种不同故障类型下的振动信号,利用小波包变换的分解和重构算法,有效地提取出齿轮故障特征信号,得到试验结果.通过比较时域分析、频域分析和小波包分析对齿轮振动信号进行的特征提取,...     

茶叶傅里叶红外光谱的模糊聚类系统设计

为了实现茶叶品种的分类,利用傅里叶红外光谱技术和模糊聚类建立了茶叶傅里叶红外光谱的模糊聚类系统。该系统采用模糊C-均值聚类算法（FCM）,可能性C-均值聚类算法（PCM）以及可能性模糊C-均值聚类算法（PFCM）进行茶叶傅里叶红外光谱的模糊聚类研究。首先,采集不同品种茶叶的傅里叶红外光谱。接着,茶叶红外光谱数据进行多元散射校正（MSC）预处理。然后,用主成分分析（PCA）和线性判别分析（LDA）对数据进行降维。最后,使用聚类算法对茶叶数据进行聚类分析处理。实验结果表明：随着权重值m的不断增加,FCM算法以及PFCM算法的准确率明显提升,而PCM没有产生明显的改变,聚类准确率始终维持在75.76%。利用傅里叶红外光谱技术,结合MSC,PCA,LDA,FCM或PFCM可设计茶叶品种鉴别的模糊聚类系统,该系统检测速度快且准确率高。     

基于主成分分析的唇部轮廓建模

研究了基于主成分分析(PCA)的唇部轮廓建模方法。首先,对5000个样本唇部轮廓进行标定并对标定的坐标数据进行Procrustes分析,使数据归一化。然后,通过PCA算法寻找形变模式,在保持形变范围内最大限度地降低数据维数并利用所得到的均值和特征向量构建唇部轮廓模型。最后,利用PCA得到的前16种模式所建立的模型对5000个样本原始的唇部轮廓进行重构。实验结果显示:PCA得到的前4种模式分别描述了唇部角度、下唇、尺度以及唇角等的形变信息,其余模式描述了唇部更细致的形变,模型重构的唇部轮廓与相应样本原始唇部轮廓的每个特征点之间平均差异均不大于0.6个像素宽。结果表明所建唇部模型能满足特征定位精度要求。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS).改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的...