基于小波包频带能量分解和欧氏贴近度的柴油机气阀机构故障诊断

通过调整柴油机气阀机构的不同气门间隙,采集柴油机缸盖表面的振动信号。利用小波包改进算法对所采集的信号进行频带分解。研究了不同气阀间隙情况下的缸盖振动频带能量分布规律。以频带能量为特征向量,以同一工况下我次采样均值作为标准模式,通过计算欧几里得贴近度实现了对柴油机气阀机构间隙异常的故障诊断。     

基于小波分析的制冷压缩机气阀故障诊断方法的研究

基于小波多尺度分解、重构的方法，对制冷压缩机气阀故障进行了诊断。把从压缩机缸盖上测得的振动信号经小波变换后，分解成高频和低频两个频带，阀片的自振频率成分出现在低频带。由于受工频及其谐波成分的影响，气阀的自振频率成分很微弱，难以辨识，不宜作为气阀故障的特征量。为此构造一个特征量，即高频带平均功率与总平均功率之比，利用此特征量来诊断压缩机气阀故障。大量的实验表明，该方法是有效的。     

基于小波包的滚动轴承组合故障诊断

给出了一种新的滚动轴承故障诊断方法,将小波包和EMD方法、AR模型法相结合,实测信号分析表明,此方法不但正确检测到了轴承的状态,而且优于EMD和AR模型法.     

基于小波包分析的风机故障诊断

根据故障信号特征和小波包变换多尺度分解性质选取小波包分解层次,得到能正确地反映风机的运行状态的特征向量;参照特征向量的组成方法,提出并构建基于小波包分析的韶钢4号风机典型故障特征表。对待检信号选用db10小波进行6层小波包分解,利用待检状态的特征向量与典型故障特征表,通过模糊模式识别方法进行风机故障诊断。     

基于小波包分析的滚动轴承故障诊断方法的研究

为了在滚动轴承故障诊断中获得更好的效果,详细研究了小波包分析的原理,提出了基于小波包分析的滚动轴承特征向量提取算法,并利用这一算法对齿轮箱的滚动轴承在正常工况下的振动信号和故障工况下的振动信号进行了10层小波包分解处理.将处理后的图像和相同信号傅里叶变换后的频谱图进行了比较,证明本算法能够较好地分辨出滚动轴承的工作状况是否正常,具有一定的理论价值和现实意义.     

基于EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.     

基于小波包与关联维数的阀片故障诊断

结合了小波包降噪和关联维数对某往复压缩机阀片故障做了定量识别。实测阀片在正常和磨损两种工况下的振动信号,用小波包对信号进行降噪处理后,用改进的关联维数算法分别计算两个信号的关联维数。实例表明:小波包降噪能明显地滤除噪声,阀片在正常和磨损两种工况下的关联维数明显不同,关联维数可作为阀片故障特征的定量提取。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于小波包分析的往复式压缩机故障诊断

往复式压缩机的机械系统激励源多,因而所测的振动信号包含各种成分和干扰,属于典型的非平稳振动信号。本文将小波包应用于该种振动信号的分析诊断中,通过对往复式压缩机气阀振动信号能量特征的提取和图谱的分析,证实了小波包在其故障诊断中的有效性和适用性,为往复式压缩机故障诊断的研究提供了一种有效的方法。     

基于小波包分析的电动机轴承故障诊断

比较详细地阐述了电动机滚动轴承异常产生的机械振动机理,得出了几种常见故障的频率表现.结合实验数据,对所测得的振动信号进行小波包分解,对特定的频率段与正常信号相应的能量进行比对,确定出故障频率,从而准确找出电动机的故障所属.     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

基于LS-SVM建模与预测的液压伺服系统故障诊断

文章基于IS—SVM建模与预测的方法，研究了液压伺服系统的故障诊断问题。介绍了基于模型的故障诊断和IS—SVM建模与预测的基本原理，给出了基于IS—SVM建立液压伺服系统模型的方法，通过IS—SVM模型预测输出与实际输出相比较形成残差，根据残差信息对故障进行检测，并根据全局检测模型与局部元件模型相结合的诊断策略，实现了故障的隔离与定位。     

基于最小二乘支持向量机的某控制系统故障预测研究

介绍支持向量机(SVM)的一种拓展算法——最小二乘支持向量机(LS-SVM),并将LS-SVM算法应用于某控制系统的预测。根据实测数据,建立了基于LS-SVM算法的某控制系统预测模型,同时与BP神经网络的预测模型进行分析比较。结果表明,LS-SVM算法在控制系统的预测中具有较好的可行性、有效性及较高的预测精度,更适合于解决该控制系统的数据建模。     

基于小波包和神经网络的柴油机气门故障诊断

通过调整柴油机不同气门间隙模拟故障,利用小波包分解算法对所采集柴油机缸盖表面的振动信号进行频带分解,以小波包频带能量百分比为特征向量,以同一工况下多次采样均值作为标准模式,通过改进BP神经网络实现了对柴油机气门间隙异常的故障诊断.     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。