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。     

小波包分析在故障特征提取与识别中的应用

对观测信号进行小波包分析,从而提取故障信息,建立能够表征系统特征的状态向量,用模式识别的方法对系统进行故障检测与定位,实现系统的故障诊断。     

基于小波包分解的声信号特征提取方法

论文提出并论述了一种基于小波包分解的特征提取方法，介绍了小波包分解的原理及其实现过程，并将其应用于超低空声目标识别系统中的特征提取过程。通过对几种典型的超低空飞行目标声信号的实验，验证了此基于小波包分解的特征提取方法的有效性。     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

基于改进小波包分析的导航设备故障诊断的特征提取

针对故障诊断信号特征提取问题,提出了小波包分析的改进算法,该算法通过对小波包分解系数的重新排序,解决了小波包分析的频带混叠问题,给出了应用改进小波包分析进行故障诊断特征提取的算法,并在此基础上提出了基于改进小波包分析预处理的神经网络故障字典法．通过仿真比较,该方法剔除了样本信号的冗余成分,大幅度地减少了神经网络的规模,加快了网络的收敛速度,为导航设备故障诊断的特征提取提供了行之有效的手段。     

基于小波分析的逆变电路故障诊断方法研究

针对逆变电路受到输入电压不稳定性等因素的影响时容易产生故障的问题,提出一种基于小波分析的逆变电路故障诊断方法。构建逆变电路的电压、电流和功率的输入/输出模型,确定电路故障的约束参量模型,构建逆变电路运行状态目标函数,对电路中的传输信息流采用小波分析方法进行特征提取,实现故障准确检测和诊断。测试结果表明,采用该方法进行逆变电路故障诊断的准确性较高,可靠性较好。     

一种基于一维小波包分解的信号特征提取方法

本文主要针对主动声纳的水中目标回波信号,使用一维二进离散小波包分解技术进行信号的特征提取,研究了信号特征的提取方法和分解节点与实际频带对应列表的计算方法,并通过不同的仿真实验对特征提取算法进行了验证和分析,旨在为基于信号处理提取水中目标回波信号的特征提供一种新的方法和思路。     

基于小波分析的视频图像字符特征提取方法研究

文章提出了一种基于小波变换的字符小波特征向量提取方法。通过对字符图像的小波分解子图求取风格特征向量，构造出字符的小波特征向量。该特征反映了图像字符结构特征和统计特征的综合信息，特征向量稳定、简单、算法快，且特征提取方法具有类人视觉特点。     

基于小波分析的车辆噪声特征提取方法研究

特征提取是声目标识别的关键.由于车辆噪声信号的非平稳特性,传统特征提取方法有很大局限性.介绍小波分析方法在车辆噪声信号特征提取中的应用,仿真结果证明该方法的有效性.     

旋转机械振动信号中的小波滤波和特征提取

将小波方法应用于旋转机械状态检测中信号滤波与提取。利用小波Mallat算法对采集信号进行高频滤波，利用小波Packet算法对特征信号进行提取，并通过实验证明上述方法取得很好的效果。     

基于小波变换的特征提取方法分析

论文提出并讨论了四种基于小波变换的特征提取方法基于小波变换的模极大值特征、基于小波分解的能量特征、基于小波包分解的熵特征以及基于适应性小波网络的特征提取方法,阐述了各方法的基本原理及实现过程,并将其用于水声信号的特征提取,通过分类结果比较,分析了各种方法的特点及适用性。     

模拟电路故障诊断的小波方法

利用小波变换与神经网络相结合的(WNT)方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,提取特征信息。并从函数型和权值型小波神经网络中寻找最优故障辨识器,提出了模拟电路故障诊断的系统方法。本文详述了其诊断原理及诊断步骤,并给出了诊断实例。     

模拟电路故障诊断的小波神经网络方法

利用小波和改进型BP神经网络相结合的方法,进行模拟电路故障诊断;通过分析被测电路的冲激响应,来识别电路中的故障元件;用小波对冲激响应信号进行多尺度分解,进行归一化后,提取特征信息作为神经网络的输入而进行分类。该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间。实验仿真结果表明:该方法能准确实现故障定位且准确率高。     

基于小波神经网络的模拟电路故障诊断研究

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于容差模拟电路故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

基于小波特征的非线性鉴别特征抽取技术

该文提出了一种基于小波特征的非线性鉴别特征抽取方法,即在进行非线性映射之前,首先利用小波变换对原始输入图像进行预处理,获取低频平滑、水平细节和垂直细节等3个子图的小波特征,然后在频域上,对它们分别进行核Fisher鉴别分析。对最终获得的3组鉴别特征设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近13倍。     

小波阈值去噪的改进方法

利用小波方法去噪,是小波应用于工程实践一个重要的方面;本文指出了采用常见的阈值确定方法对含有较强高频分量的信号进行小波阈值去噪时,去噪效果与实时性存在着矛盾,不利于信号特征的提取。提出了一种新型的阈值确定方法,进一步提出了以小波去噪后特征频率分量的功率谱密度值的下降程度为依据的待定因子确定方法。以Mallat算法为例,对新型阈值确定方法进行了分析和比较,指出运用该方法进行小波去噪处理,增强了算法的实时性,同时信号拟关注的信息损失较小,去噪效果比较理想。交-交变频器输出电流的小波去噪实验结果表明,该方法行之有效。     

基于小波包和自组织网络的模拟电路故障诊断

提出了一种基于小波包变换和SOFM网络相结合的模拟电路故障诊断方法.利用小波包分解作为预处理和消噪工具,对电路采样信号进行多尺度分解和消噪,然后进行能量特征提取、归一化,作为样本输入给神经网络.用SOFM网络竞争层的神经元,对样本数据进行故障识别分类,克服了BP网络隐层神经元选取困难的缺点.详细叙述了诊断原理和步骤,并给出了诊断实例.