小波分析在煤矿胶带机滚动轴承故障诊断中的应用

本文介绍了小波变换理论及小波分析的特点,对小波变换应用于煤矿滚动轴承故障诊断的方法和滚动轴承故障特征频率的计算方法进行了研究。根据煤矿胶带机滚动轴承的振动特征,应用小波分解重构的方法对煤矿胶带机滚动轴承的现场故障振动信号进行分析,验证小波变换在提取滚动轴承早期故障信号特征方面的有效性。     

基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

滚动轴承故障诊断是机械故障检测中的一个重要方面。本文提出了一种小波包分析和Hilbert包络分析相结合的方法对轴承进行故障诊断。首先利用小波包分析将滚动轴承的振动信号分解到不同的节点上。然后求出各频段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带,对故障频带的重构信号做包络谱分析,将谱峰处的频率与滚动轴承的故障特征频率进行对比。诊断出滚动轴承的故障。通过对实验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性。     

时频分析与小波变换在水声定位中的应用

文章研究一种基于联合时频小波分析的水声目标识别和定位方法。先深入研究时频分析和小波变换的基本原理,构建联合时频小波域的特征表示,再使用MATLAB软件对模拟的水声信号进行实验,并通过添加噪声模拟实际环境。实验结果表明,联合时频小波分析在水声目标识别和定位中表现出良好的性能,特别在噪声环境下表现出良好的健壮性。通过分析目标识别函数和归一化目标识别函数成功定位水下目标,验证了方法的有效性,为水声信号处理提供了一种新的分析方法,为实际应用中的目标检测与定位提供了有益参考。     

小波变换在电网故障诊断中的应用

故障特征作为故障诊断的重要信息,其提取方法研究备受关注。为提取电网短路故障的特征信息,在Matlab的Simpowersystem电力系统建模的基础上,运用小波变换的方法,对短路故障工况的暂态过程进行了分析和特征提取,其所提取的均方根值与不同的短路故障之间存在映射关系。证明了运用小波变换进行特征信息的提取,在电网短路故障诊断中具有一定的应用价值。     

一种基于模态分解的时频分析方法

阐述了基于模态分解的时频分析方法的基本原理及特点。并与其他时频分析方法相比较，说明了该方法用于信号进行时频分析的可行性和优点，最后指出了该方法亟待解决的几个问题。     

基于经验小波变换和改进卷积神经网络的变压器故障诊断方法

现有变压器故障诊断方法忽视了原始输入信号中噪声对诊断准确率的影响.针对上述问题,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和改进卷积神经网络(Im-proved Convolution Neural Network,ICNN)的智能故障诊断方法.基于经验小波变换,将原始...     

仿生小波变换在飞机发动机故障诊断中的应用

飞机发动机是一种复杂的旋转机械,故障种类多而且难以辨别。为了保证飞行安全,对飞机发动机的故障进行正确、快速地检测,文中应用仿生小波变换对某型涡轮风扇发动机在飞行中空中停车的振动信号作了分析。实验结果表明,对在频谱图上难以找到其相应的明显频率成分的准周期故障信号,利用仿生小波变换(BWT)的自适应调节功能,使得故障信号的细节成分更加地突出,对比该频率和故障情况下计算出的特征频率,可以找出故障的原因。     

时频分析方法在燃烧音频信号分析中的应用研究

目前基于燃烧音进行的火灾预测、分析研究还较少。分析了燃烧音的产生机理,根据燃烧音的物理特性,认定物质燃烧时产生的燃烧音可以近似为信号中的低频冲击信号,并利用连续小波变换（CWT）在分析冲击信号方面的优势,提出了基于CWT的时频分析方法对燃烧音信号进行谱分析,最后通过信号仿真,比较了该方法与短时傅里叶变换（STFT）和Wigner-Ville分布（WVD）方法,证实了CWT方法在分析微弱燃烧音信号的可靠性和有效性。     

时频分析方法初探

信号特征的提取是雷达干扰与反干扰的关键技术之一。本文简要探讨了信号时频域(调制域)特征提取的常用算法,并介绍侦察接收到的几种常见雷达信号的时频域分析结果。     

小波包分析在滚动轴承故障诊断中应用

根据小波包多分辨原理,对齿轮减速器JZQ250内的轴承振动信号进行处理,在分析滚动轴承振动机理的基础上,利用小波包进行多尺度分解,根据信号与噪声随尺度增加的不同传播特性,低频部分代表信号的发展趋势,正常状态信号趋势单调递增,故障状态信号趋势则单调递减,初步判定轴承的运行状态是否正常。当判定为故障时,选择小波包分解重构后特殊层的信息进行频谱分析,提取其故障特征频率。经对大量实测数据的处理和分析,能够比较准确地识别和诊断出减速器的正常运行状态,内圈、外圈和保持架故障运行状态,具有一定的工程实用价值。     

基于概率神经网络的滚动轴承故障诊断

针对滚动轴承故障征兆与故障模式映射的复杂性,以及BP网络容易陷入局部极小、收敛速度慢等缺点,提出了基于概率神经网络（PNN）的滚动轴承故障诊断方法。采用11个时域统计特征作为样本特征,利用PNN实现样本分类,并与反向传播（BP）网络进行滚动轴承故障诊断的方法进行了对比。结果表明,PNN网络可以实现滚动轴承不同类型的故障识别,其分类结果比BP网络具有更高的准确性,并在避免局部极小和节约训练时间方面有较好的实用性。     

分形技术在轴承故障诊断中的应用

针对滚动轴承振动信号的特点,从分形原理出发,利用分形维数的概念,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的定量描述。试验结果表明,由于滚动轴承不同故障动力学产生的机制不同,其分形维数明显不同。因此利用分形维数可以准确地诊断出滚动轴承的工作状态。     

小波包分析在旋转机械故障诊断中的应用

简述了小波包分析的基本原理及其用于故障特征识别的机理,研究了小波包分析在旋转机械故障诊断中的应用。由于此技术能够从复杂的信号中有效地提取微弱的故障特征信号,因此与小波分析相比,分析更为精细简单。实例采用小波包原理对一类旋转信号进行分解重构后,成功地提取了故障特征,体现了小波包分析的优良特性,其结果证明了该方法是行之有效的。     

基于小波包变换的模拟电路故障诊断

把小波包变换用于模拟电路故障诊断中。由于输出信号的各频率成分能量的变化表征了电路中某些元器件的损坏情况,因此,利用小波包变换有效地提取故障特征信息,提出了“能量——故障”的故障诊断方法。计算和实验结果表明：该方法可以快速高效地进行模拟电路故障诊断与定位。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

基于小波奇异性的故障诊断

小波变换具有良好的时-频特性,能在不同尺度上分析和处理信号的各种成分,使信号的奇点、突变点放大,提高信号的分辨率、信噪比。因此可以有效地用于电力电子系统故障诊断。在介绍小波变换信号奇异性检测原理的基础上,对电力电子系统奇异性故障信号使用Matlab进行仿真。仿真结果表明,小波变换在故障诊断中有着广泛的应用前景。     

广义S变换及其时频滤波

首先从基于高斯窗函数的短时傅里叶变换推导出了一种广义S变换,分析了它与S变换及小波变换的关系,给出了它的运算实现.理论分析与仿真实验表明,广义S变换的时频窗口不仅能够随着频率尺度自适应地调整,而且克服了S变换中时窗函数的变化趋势固定不变的问题,使广义S变换在应用中具有更高的实用性和灵活性.利用其高质量的时频分布,在时频平面中设计时频滤波器,用于非平稳信号中特定信号分量的提取,展示了广义S变换在这一应用中的有效性.