基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

基于小波变换的车轮力传感器信号的去噪研究

在汽车道路试验中，通过多维车轮力传感器（WFT）可以测量每个轮所受的各维力和力矩。在测量过程中，信号会不可避免地受到各种噪声的干扰，而且，在将测量数据从车轮坐标系转换到车辆坐标系时，车轮转角的误差使测量结果产生了更严重的噪声。这些宽带随机噪声严重影响了车辆性能的分析。小波分析是一种信号的时间-尺度分析方法，特别适合于非平稳信号的分析，具有多分辨率分析特性，而且在时频两域都具有表征信号局部特征的能力。针对车轮力信号的特点，在MATLAB环境下编程进行车轮力信号小波变换去噪研究，试验结果表明，在选择了适当的小波基本函数和阈值的情况下，采用小波变换的闻值去噪方法对多维车轮力信号进行去噪处理，可以取得良好的效果。     

基于小波变换mallat算法的雷达回波去噪

为了准确识别雷达回波信号中的目标信号,将小波变换引入雷达回波信号处理,对回波信号进行分解、重构,并通过滤波器设计,去除了雷达信号中的噪声。采用Matlab软件进行系统仿真,结果表明,采用小波变换mallat算法对探地雷达回波信号进行目标识别具有较好的时频分辨率,且可抑制杂波,去除噪声,能很好地识别目标信号,具有很好的应用前景。     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。     

超声探测弱信号提取方法

为了在超声检测中排除噪声干扰，从强噪声背景中提取弱回波信号，利用小波变换技术从超声探测信号中提取弱缺陷回波信号，建立了超声缺陷回波的数学模型，并进行了仿真实验，其特有的“变焦距”特性使得小波分析在时域和频域中具有良好的分析能力。结果表明，利用小波变换方法能够很好地抑制噪声，提高信噪比，提取强噪声背景中的弱回波信号，且该方法原理简单，易于实现，在工程上有较高的应用价值。     

线阵CCD信号小波降噪方法研究及MatLab仿真

随机噪声是影响CCD器件输出信号信噪比的主要因素,它包括1/f分形噪声和白噪声。小波变换是一种具有一定时间和频率分辨力的方法,它能够较好地滤除分形噪声。阐述其基本原理,利用MatLab小波工具箱,选择合适方法实现CCD信号的小波消噪。结果表明了该方法的有效性。     

瞬变信息提取与机器诊断

机器的二次信号往往因机器故障产生大量的冲击、摩擦以及运行转速的不稳定、负荷的变化导致非平稳信号的产生.对非平稳信号分析,付氏变换效果不佳,需要研究这类信号的局部时频特征,提取瞬变信息方能准确地诊断.本文介绍处理非平稳信号的新型工具——小波分析、短时付氏变换两种时频分析方法.最后用小波分析、短时付氏变换和付氏变换对机器的实测振动信号进行分析.说明了小波分析、短时付氏变换作为时频分析方法对处理非平稳信号比付氏变换优越.     

基于小波变换的盲信号分离的神经网络方法

提出一种新的盲信号分离的神经网络方法,该方法将小波变换和独立分量分析(ICA,Independent Component Analysis)相结合。利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为ICA的输入信号,有效地克服了现有ICA算法不能将噪声从源信号中分离的缺陷。实验结果表明,将该方法用于多通道脑电信号的盲分离是很有效的。     

三坐标测量机测量数据的降噪

小波变换是一种新的信号时频分析方法,在时频两域均有良好的局部性。根据小波变换多分辨率的特点,提出应用小波技术进行点云数据的降噪。该方法首先对点云数据进行小波分解,然后对细节系数作用软阈值,最后进行小波重构。试验表明,该方法在保留原数据相似性的基础上,有效地抑制了噪声。     

混沌与噪声信号的谐波小波分析

研究周期信号的理想工具为Fourier变换。但对于非周期信号,需要一种具有良好时频特性的函数基来进行分解,Fourier变换所用的三角函数基不能满足此要求。而近些年提出的小波函数很好地解决了非周期信号的时频分解问题。混沌信号与噪声之间差别过于微小,人们在工作和实验中常常将他们混淆。在本文中通过对混沌信号与噪声进行谐波小波分析,最后根据分解结果,可从时频特性方面对混沌与噪声的差别作进一步说明。     

Hilbert-Huang Transform (HHT) transient analysis of composite panel undergoing high-velocity impact

Fast Fourier transform (FFT) has been widely used to analyze distribution patterns of frequency components in dynamic response signals. Given a stationary dynamic response signal, a fixed frequency distribution pattern can be obtained efficiently using FFT. If the system of concern is not stationary, however, the frequency distribution pattern varies with time, and the variation in that pattern cannot be effectively determined via FFT. To overcome this weakness, time-frequency dual-domain signal analysis methods such as wavelet transform and Hilbert-Huang transform (HHT) have been introduced. HHT has been shown to be particularly effective in analysis of non-stationary signals obtained from non-linear as well as linear systems. In the present study, the transient characteristics of a composite panel undergoing high-velocity impact were investigated. The composite panel, along with the colliding bullet, were modeled using the finite element method. To verify the reliability of the analysis model, an impact experiment was carried out, which proved that the model provides reliable, similar-to-experimental results.     

基于OSF的SET信号重构方法及故障诊断应用

同步提取变换(synchroextracting transform, 简称SET)通过提取短时傅里叶变换(short-time Fourier transform, 简称STFT)在瞬时频率位置的时频系数可获得较理想的时频谱，该方法提高了时频分辨率，减少了交叉项的影响，一定程度上抑制了噪声对STFT时频谱的干扰。针对在SET时频谱的基础上进行信号分量的重构与故障诊断拓展方面的应用，提出了一种基于顺序统计滤波器(order statistics filter, 简称OSF)的SET信号分量重构方法。首先，利用边际谱表征SET时频谱中信号的幅值在整个频率范围内随频率变化的情况；其次，采用顺序统计滤波器分割边际谱，将分割所得边界映射至SET时频谱后，利用SET逆变换重构信号分量；最后，利用峭度指标筛选包含丰富故障信息的分量并进行包络分析，提取故障特征。仿真信号及滚动轴承内圈故障信号的处理结果证明了该方法的有效性。     

基于小波变换的涡街流量计信号处理方法

涡街流量计有许多优点,应用比较广泛。但是,涡街流量计易于受到由管道振动和流场扰动引起的噪声干扰。涡待流量计中的处理电路不能保证仪表在工业现场的测量精度。本文研究基于小波变换的涡街流量计信号处理方法。本文介绍小波变换的基本原理和快速算法,分析小波滤波器的幅频特性,研究调整滤波器中心频率的方法,给出涡街信号的处理过程,进行仿真和实验测试。仿真和实验结果表明,小波变换能有效地减小了噪声影响,使频率测量的精度高,处理实时。小波变换是涡街流量计信号处理的一种新方法。     

小波变换的流体压力信号自适应滤波方法研究

为了有效地消除流体压力信号中的噪声,提出了一种基于小波变换的自适应滤波算法,该算法针对信号和噪声经小波变换后在不同尺度上的特征不同,先对信号进行小波多尺度分解,然后对各尺度分解的信号分别选用不同的滤波参数,进行自适应滤波处理,并用该方法对液压系统运行中采集的压力信号进行降噪处理.试验结果表明,该方法比普通的自适应滤波方法能更有效地消除流体压力信号中的噪声.     

旋转机械升降速信号的瞬时频率估计

旋转机械的升降速过程是一种非平稳过程,对其测试信号进行分析需要用时频分析方法,如短时傅里叶变换(STFT)及小波变换等方法。对于多分量信号,峰值搜索法经常被用来获取旋转机械在升降速过程中瞬时频率随时间变化的规律。但是,由于噪声和信号中邻近成分间的干扰,直接寻找的结果不能保证其精度和准确性。采用隐马尔可夫模型(Hidden markov models,HMM)进行去噪处理,极大地降低了噪声和干扰对峰值搜索结果的影响,明显提高了结果的精度。仿真试验表明该方法可以取得好的结果。     

Wigner-Ville分布复小波相似性评价及应用

针对常规特征量对轴承早期故障不敏感问题,基于不同状态下振动信号时频分布的结构差异,融合WignerVille时频分析和复小波变换的优点,提出了基于复小波变换的Wigner-Ville时频分布相似性评价指数(WignerVille distribution-complex wavelet structural similarity,简称WVD-CWSS),实现时频分布相似性的定量评价,并用于轴承早期状态评估。首先,对振动信号进行Wigner-Ville时频分布;其次,进行复小波变换,获取不同状态下的二维时频分布结构相似性复小波指数;最后,对滚动轴承全寿命试验数据进行了对比试验。结果表明,所提取的WVDCWSS特征对滚动轴承的早期损伤更敏感。     

小波基TVAR建模时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归建模方法,提出了应用小波基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识,在此基础上,应用带遗忘因子的递归最小二乘算法进行参数估计,实现了信号的自适应时频分析。通过仿真算例将该法与短时傅里叶变换、Wigner分布的结果相比较,验证了该方法时频分辨率高的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,该方法用于故障诊断的特征提取是有效的。     

小波变换在雷达目标识别中的应用

针对传统傅里叶变换对雷达回波信号分析方法所存在的不足,提出了利用小波变换的方法来改善雷达回波信号的质量.分析了小波变换的原理,并在此基础上着重论述了小波变换去除噪声的原理和方法.仿真试验和实际数据验证结果表明,该方法改善了雷达回波信号中波形的质量,提高了目标信号的识别率,切实可行,具有一定应用价值.     

Denoising ultrasonic pulse-echo signal using two-dimensional analytic wavelet thresholding

When an ultrasonic angle-beam pulse-echo setup is used, two kinds of noise are present in the received signal: (1) wedge noise, and (2) random noise. In this study, we propose a method for removing both random and wedge noises using a two-dimensional stationary wavelet transform (2D SWT). To improve the performance of the 2D SWT, we employ analytic wavelet thresholding. This requires calculating the analytic signal for a 2D signal and extracting the envelope of the signal, but no regular generalization of analytic signals to multi dimensions is available. We prove that under some certain conditions, the envelope of the ultrasonic B-scan can be extracted exactly by introducing a reference vector. The performance of the proposed denoising method is assessed using simulated and experimental data. The experimental results show that our proposed denoising method is able to reveal the echoes from a surface breaking crack as small as 0.1 mm.