基于小波包与支持向量机结合的齿轮故障分类研究

文章通过对齿轮系统在不同的运转状态下故障类型进行试验测试分析,采集了有关的振动测试信号,对振动特征信号进行了小波阈值去噪,运用小波包方法对信号进行分解,然后对分解后的各层信号进行重构,并计算各层的能量,将它作为故障特征,在此基础上将各层信号特征作为输入,运用支持向量机对它们进行分类,将所得结果与神经网络分类的结果进行了比较。研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波与支持向量机结合的方法,对于单一故障和复合故障都能够进行很好地区分与诊断,其诊断成功率均在92%以上。该方法不仅可对实际工程工作的齿轮系统进行故障诊断,而且可用于其它故障诊断领域。     

小波阈值去噪在烟气轮机信号分析中的应用

由于烟气轮机振动信号中含有大量的噪声成分,常使其非线性特征量的提取不准确,因此将基于阚值的小波去噪应用于烟气轮机振动信号分析中.首先介绍了小波阅值去噪的基本原理、阈值和阏值函数的选择方法,并对阈值函数进行了改进;然后分别对含噪Lorenz信号和实测振动信号进行小波阔值去噪实验,计算了其去噪前、后的关联维数.结果表明,小波分解后,不同尺度上信号和噪声的小波系数的分布规律明显不同,通过对其分析可以合理选择小波分解的尺度;在此基础上对小波系数进行阈值处理并重构,能有效地去除信号中含有的噪声,很好地保存信号的局部特征;去噪后信号的伪相图更加规则,关联维数估计值更加合理.该方法能提高信号分析的准确率.     

吊放声纳信号提升小波阈值去噪分析

为了去除干扰噪声及保留信号特征,本文采用提升小波阈值法对信号进行去噪处理。先对信号进行提升小波分解,以获取相应尺度的尺度系数和小波系数;采用相应的阈值函数对小波系数进行量化,将量化后的小波系数和尺度系数按照提升小波逆变换方法重建信号,获取去噪信号。仿真结果表明,该方法去噪速度快、占用空间小,去噪信号信噪比均在10dB左右;均方根误差和峰值误差分别控制在0.1和0.3以下,波形与功率谱趋于平滑,信号的峰值点得以保留。该去噪方法在保留信号基本特征的同时,有效抑制了干扰噪声。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

一种基于SVD分解的小波阈值降噪方法

针对小波软阈值消噪的缺点,探讨了一种基于奇异值分解(SVD)的离散小波去噪方法。该方法通过对每层小波分解细节系数进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在细节系数中的有用信号成分,最后进行小波重建,得到降噪信号。通过仿真实例的验证,表明该方法与小波阈值消噪法相比,在强噪声背景下,它提取出的信号特征成分更完整,信噪比更高。     

采用经验小波变换的风力发电机振动信号消噪

针对风力发电机振动信号非线性特征及恶劣监测环境,分析经验小波变换理论（EWT）及自适应分解特性,提出基于经验小波变换的振动信号消噪方法.采用带噪声leleccum和轴承故障仿真信号对该方法进行消噪效果检验;在同信号源下,与基于db1强制消噪方法、db1软阈值消噪方法和sym5消噪方法分析比较消除噪声效果.针对真实的风力发电机振动信号,验证了基于经验小波变换方法的消噪效果,对同样信号采用其他3种方法进行消噪分析和比较.仿真和实验分析结果表明,基于EWT小波消噪方法,与基于db1强制消噪方法、db1软阈值消噪方法和sym5消噪方法能够达到同样的消噪效果和目的,甚至更优;不损耗原振动信号能量,在自适应模态分解层数方面甚至优于经验模态分解,并且具有较强的鲁棒性.     

基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

小波变换提取电力电容器局部放电信号研究

为了消除电力电容器局部放电信号的噪声,提高电力电容器局部放电信号在线检测的有效性,提出基于小波变换阈值消噪方法的电力电容器局部放电信号提取方法。选择合适的小波基函数和分解层数对信号进行小波分解,确定合适的阈值规则以及阈值估计方法对小波分解系数进行阈值量化处理,从而得到消噪后的局部放电信号。以均方根误差RMSE和信噪比RSN为衡量指标,分析了小波基函数、分解层数、阈值规则和阈值估计方法等对消噪效果的影响。结果表明,当选择db2小波作为最优小波基函数,分解层数定为6层时,利用最大最小准则阈值估计法估计的阈值在软阈值规则下能有效提取电力电容器局部放电信号,达到了最优去噪效果。     

小波和S-G的改进算法及混沌降噪应用

为降低混沌信号中常见的白噪声及脉冲噪声,提出了改进的小波阈值降噪与S-G(Savitzky-Golay)滤波相结合的方法。小波基函数和分解层数对降噪效果有着重要影响,为取得更好的降噪效果,采用逐层确定最优基小波和分解层数自适应确定方法,并给出了各层阈值的选取方法,最后将改进的加权法应用于S-G小波去噪方法以恢复高频分量中部分有用信号。利用该方法对Lorenz混沌时间序列及实测机械式混沌振动信号进行了去噪研究,结果表明所提方法能将混沌信号信噪比提高近1 d B,自相关函数值提高0.01,是一种有效的混沌信号降噪新方法。     

基于小波消噪技术的轧机轴承早期故障诊断

由于背景噪声的影响,滚动轴承的冲击故障只有发展到一定程度后,才会在频域中体现明显的倍频特征．因此,直接采用频谱分析无法实现早期故障的特征提取．利用小波变换的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解信号的单支重构可以将噪声与可用信号进行成功分离;采用预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的．针对现场采集的轧机轴承振动信号,采用多种方式消嗓后的信号处理结果表明,含有故障特征的低频信息被成功提取,从消噪信号的频谱图中可以及早辨识故障轴承的特征频率,实现早期故障的精确定位．     

小波变换在P-VEP信号提取中的消噪性能影响因素研究

在视觉电生理应用研究中,需要在强噪声背景下迅速准确地提取微弱的P-VEP信号,采用小波变换技术能有效地实现对P-VEP信号源消噪处理,但不同小波、不同的分解层次以及阈值选取规则等因素都能影响消噪效果.通过构造含EEG信号和噪声的P-VEP信号提取源,采用小波变换消噪方法,研究不同小波、不同分解层次以及阈值选取规则对P-VEP信号提取中的消噪性能影响.实验表明:采用Biorthgonal5.5小波、六层分解层次以及迭代阈值选取规则构成的小波消噪法在P-VEP信号提取中可以得到最优的消噪性能.     

基于自适应收缩因子的SAR图像去噪

针对合成孔径雷达 (SAR)图像固有的斑点噪声 ,提出了基于自适应收缩因子的去噪方法 .该方法首先将图像分解至平稳小波域 ,利用与信号相关小波系数的空间及尺度相关性 ,自适应地得到收缩因子 ,修正小波系数 .与基于Mallat分解的阈值去噪及Wiener滤波相比 ,该方法在有效抑制SAR图像噪声的同时 ,较好地保持了图像边缘细节 ,达到了理想的去噪效果     

小波包消噪提高小波网络故障识别性能

针对强噪声背景的高频振动信号,给出一种利用小波包消噪和频带分割技术,根据信号能量在小波包空间的分布特性,提取故障信号特征信息的方法．在小波包空间自适应软阈值去噪,消除白噪声;运用频带分割消除有色噪声,计算各子空间的能量,抽取低维特征矢量,作为小波网络的输入．该方法既提高了小波包神经网络的故障识别性能,又简化了决策网络结构,提高了收敛速度．     

心电信号的小波变换处理算法及仿真

为了有效去除心电信号中的干扰噪声,对信号特征点进行准确标定,采用小波变换的阈值去噪算法和时域峰值定位算法进行心电信号处理.利用bior3.7小波按照Mallat算法对ECG信号进行分解,结合软硬阈值与小波重构的算法对信号进行去噪处理,给出了小波变换与时域峰值定位结合的算法检测各特征点.仿真结果表明小波阈值算法能有效去除心电信号中的干扰噪声,保留心电信号的有效信息,基于小波变换的时域峰值定位算法能准确检测出心电信号中的特征点.     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

声发射信号小波阈值消噪方法研究

声发射信号在采集、转换和传输过程中,由于受到设备、环境及传输信道的影响,不可避免地受到噪声干扰。因此,如何去除信号中的噪声,得到感兴趣的信息成为信号处理中一项关键技术。对声发射信号的小波变换阈值消噪方法进行了研究。首先分别对原始信号进行三重db3和sym8小波分解,然后对分解后的各层系数采用硬软阈值方法进行截断处理,最后利用阈值处理后的小波系数完成信号小波重构。通过试验数据分析比较发现,采用sym8小波基的软阈值消噪方法显著提高了声发射信号的局部弱特征保持能力。     

基于小波分析的动平衡机不平衡量提取方法研究

针对动不平衡信号周期性强且伴随有强烈的背景噪声,提出一种基于小波细节系数自相关性分析的分层阈值降噪法,该方法对信号进行离散小波变换,将信号分解为近似系数和细节系数,求出各层细节系数的自相关序列,根据序列是否呈白噪声自相关特性确定该层阈值。通过模拟的方法对含噪振动信号进行了试验,结果表明该方法具有较好的降噪效果。最后,对基于自相关序列分析的分层阈值降噪法在轮胎动平衡测试系统的实际应用进行了研究。实际应用表明,该方法适合动平衡测量,满足高精度要求。     

基于K-均值聚类与小波分析的声发射信号去噪

为准确识别声发射信号模式,必须剔除声发射信号中的噪声,传统滤波去噪方法效果并不理想,小波阈值去噪方法显示了独特的优势。针对小波阈值去噪方法中阈值设置风险问题,利用K-均值聚类方法对小渡分解后的高频系数进行分类,确定去除噪声对应小波系数的阈值,然后进行小波系数重构达到去噪目的。采用硬闲值法与软阈值法对声发射信号进行小波阈值去噪,将基于K-均值聚类方法生成的闽值和改进Donoho方法生成的阈值分别作为小波去噪闽值,实验结果表明,在信噪比、均方根误差和平滑度三个指标上,本方法优于改进Donoho方法。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于复杂传递路径的发动机主轴轴承故障信号提取技术

航空发动机主轴轴承故障信号经过复杂路径传递至机匣后信噪比低,小波降噪能有效降低噪声水平,盲源分离与包络谱技术能从混合信号中分离出发动机主轴轴承故障信号并提取故障特征。依据发动机振动信号特征,对采集到的机匣振动信号进行小波降噪处理消除系统噪声,再对降噪后信号进行盲源处理分离出原始故障信号,最后对分离出的原始故障信号进行包络谱分析提取出轴承故障特征信息。对试验数据处理发现:该方法成功地提取出主轴轴承外圈内滚道与滚棒故障信号。这为航空发动机主轴轴承故障诊断提供了一种重要的研究方法,具有重要的研究意义。