基于小波变换的含间隙太阳能帆板动力学试验分析

为了有效地提取含间隙可展结构振动信号中所包含的动力学特征量,在分析传统Fourier方法局限性的基础上,引入基于小波变换的数据处理和分析方法。对含间隙太阳能帆板在收拢和展开状态下施加单脉冲的激励,测试标志点的加速度信号,系统地分析了间隙对动力学性能的影响。结果表明:小波变换能够较好地表征含间隙可展结构的时频特征信息,可以得到系统的频带以及各个频度衰减的速度和时间。实现了对航天可展结构动力学性能在时频域内的“精细”考察,将有助于提高航天器结构的分析与设计水平。     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术。建立了一套较完善的小波包时频分析技术框架体系。给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法。对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究。应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小波包时频分析仪,能实现任意信号的小波包分解和显示。最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质。     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术.建立了一套较完善的小波包时频分析技术框架体系.给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法.对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究.应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小渡包时频分析仪.能实现任意信号的小波包分解和显示.最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质.     

基于时频分析的内燃机曲轴轴承磨损故障的诊断研究

内燃机曲轴轴承所受到的冲击信号是非平稳、时变信号，用传统的诊断方法难以进行故障的早期发现和诊断．论文运用振动测试技术，测取不同间隙下主轴承座及机体上的振动信号，然后充分利用了小波包无冗余、无疏漏、正交地分解信号到独立的频带内的能力及时频分布对时变信号良好的描述能力，发展了一种基于小渡包的重分配平滑伪魏格纳维尔分布的时频分析方法．通过对振动信号进行了分析比较，其干扰项少而分辨率高，既能定性揭示曲轴轴承磨损故障的变化规律，又能定量地诊断该故障．     

一种新的内燃机振动信号时频分析方法

本文针对现有时频分析方法在内燃机振动信号特征提取中存在的问题,提出利用经验小波变换(EWT)结合同步压缩变换(SST)对相关信号进行处理。仿真及实例验证结果表明,该方法不仅能够对内燃机振动信号时频特性进行有效表征,而且较传统时频分析方法具有更高的时频分辨率,对含噪信号表现出较强的鲁棒性。     

机械信号连续小波系数的统计特征研究

通过对机械信号的连续小波分解，利用小波滤波器良好的时频特性，针对机械信号的特征，论述了机械信号经过连续小波分解后的统计特征。在机械信号连续小波系数的特征提取中，引入机械系统的动力学维数，将连续小波系数按尺度方向进行了研究。利用尺度与频率的对应关系，应用小波系数的容积维数来研究其统计特性，并提取信号特征。实践证明，这种方法能够简单有效地提取机械信号的振动特征，并在诊断机械故障中得到了应用。     

NiTi形状记忆合金振动感知与主动控振研究

分析了复合于基体材料或嵌入机械结构中的ＮｉＴｉ丝对动、静应变的感知性能，基于ＮｉＴｉ形状记忆合金的振动感知和驱动特性，实现了机械系统振动的智能化控制，建立起机械系统的动力学模型。基于机械系统参数时变的特点，应用时频分析方法很好地描述了机械系统非平稳振动响应的过程，结果表明，ＮｉＴｉ形状记忆合金可灵敏地感知动、静应变，并可迅速作出反应，有效控制振动。     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

小波变换在电压闪变分析中的应用及其DSP实现

傅立叶变换不具有时频分析能力，对含有短时高频分量和长时间低频分量的电能质量信号进行分析时具有局限性．基于小波变换具有良好的时频局部化特性析，提出一种更为有效的电压闪变分析方法．利用小波变换的多分辨率分析方法，对电压闪变信号进行检波与分解，提取出电压波动信号的频率和幅值，从而得出反映电压闪变的参数．仿真实验证明：对比傅立叶变换，小波变换是一种更为有效的电压闪变分析方法．最后提出了小波变换在数字信号处理中的实现方法．     

基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

小波换应用于小电流接地故障选线

研究了小波分析在小电流接地系统单相接地故障选线中的应用,利用小波变换这一新兴的信号分析工具,提取故障时的暂态量信息,构造出了基于小波变换模极大值奇异性检测原理的新型选线判据。着重介绍了利用小波变换提取故障信号的暂态高频分量,进行故障选线的方法。并且利用Matlab提供的小波分析工具进行了大量的选线仿真实验,验证了该方法的有效性和可靠性。     

基于分数低阶S变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯Alpha()稳定分布,传统的Stockwell变换（S变换）时频方法性能退化甚至失效。本文基于S变换时频和分数低阶矩提出了一种分数低阶S变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶S变换时频算法。仿真结果表明,所提出的分数低阶S变换时频算法及其快速算法能很好的工作在高斯噪声和稳定分布噪声环境,性能优于已有的S变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。     

离散小波变换在电力系统故障检测中的应用

传统的傅立叶分析难以处理电力系统故障时产生的暂态信号.小波变换具有良好的时频局部化特性,为分析非平稳、突变信号提供了有效的途径.通过多尺度分析,将连续小波变换离散化,得到适合数字信号处理的快速算法——离散小波变换.最后给出了应用离散小波变换进行输电线路故障测距的实例,通过仿真分析证明该方法可以极大地提高测距精度.     

谐波小波及其时频剖面图在旋转机械诊断中的应用

分析了谐波小波的定义、特点,以及用谐波小波时频图、等高线图表示谐波波分解结果的方法。分析结果表明,这两种方法虽然可以直观表示信号的时频能量分布以及无噪声信号中的微弱奇异成分,但当信号中存在噪声时,用这些方法将难以检测信号的奇异性,因而它们在工程实际中几乎是没有用的。提出了谐波小波时频剖面图（Ｔｉｍｅ－Ｆｆｒｅｑｕｅｎｃｙ Ｐｒｏｆｉｌｅ Ｐｌｏｔ,即ＴＦＰＰ）方法,利用该方法可以检测含噪声信号的微     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

基于小波分析的大型齿轮箱低速轴故障诊断

针对大型齿轮箱低速轴故障信息难以提取的问题,采用小波分析方法对故障数据进行处理以实现信号在时/频域的局域性分析,将其无冗余、无泄漏地分解到一组具有紧支撑性的小波基上.文中采用小波分层突变系数作为判别故障隐患的特征值,并对该特征值进行趋势分析.结果表明:小波变换能有效捕捉冲击信号的时域特征和故障发生的时间历程,用小波分层突变系数所做的趋势图能有效地预测故障发展趋势,避免突发故障.     

特征提取在工况监测与故障诊断中的应用

随着信息技术和计算机网络技术、虚拟仪器等在企业的普及和应用，基于网络技术的未来企业全球制造化模式的建立，使日趋大型化、复杂化集成化生产设备的远程工况监视，远程故障诊断成为重要的研究课题。生产现场工况信息的自动检测、数据采集和存储是故障诊断系统的基础和起点，而对检测信息进行加工、变换和特征分析，提取敏感的故障征兆是诊断系统实现故障可靠诊断的关键之一。阐述了机械故障诊断的理论方法及特点，分析了信号的特征分析方法——时域分析方法，频域分析方法，联合时—频分析方法等多种信号处理方法的特征分析特点及其在机械工况监到与故障诊断分析过程中的工程应用。简要介绍了工况监测中特殊的时变性随机机械故障信号的分析与处理方法。     

基于小波包分解的一种非稳态油膜力轴承-转子系统的碰摩故障诊断

奇异信号往往载有设备运行状态的重要特征，小波分析理论可在时域和频域上同时对信号实现局部化处理，转子碰摩信号具有奇异性，利用小波包分散具有“变焦距”性质，或小波包对信号的奇异性即奇异点的位置及奇异度大小的分析更加有效，分析了碰摩信号在小波包变换下的持征，理论分析和计算结果表明，利用小波包分解能有效地实现磁摩故障诊断。     

HHT在齿轮故障诊断问题中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法(EMD)和Hilbert变换两步组成。经验模态分解方法(EMD)把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。