电动阀故障检测诊断研究

利用基于小波变换的奇异点奇异性指数(Lip指数)作为信号包络的特征识别指标，提出了一种对调制类型信号的诊断方法，并指出信号的包络分析是解决这类问题较有效的方法．同时，以某型舰用电动阀为例，对故障前后的信号作了分析计算．计算结果表明，与单纯用时域或频域的方法相比，该方法明显地提高了分析结果的精度．     

小波极大模方法在旋转机械故障诊断中的应用研究

通过小波变换奇异性检测理论,利用连续小波变换提取极大模值线并求取Lipschitz指数,提取转子每转中Lipschitz指数的平均个数和全部Lipschitz指数的平均值作为转子故障振动信号的奇异性特征。通过BP神经网络对转子不平衡、不对中、油膜涡动、摩碰和无故障5种状态进行分类识别,取得了较好的效果。     

基于小波变换模极大值恢复的信号消噪方法

大多数的信号常具有某种奇异性，并携带有随机噪声，首先回顾了信号奇异性与小波变换模极大值之间的关系，然后利用信号与噪声的Lipschitz指数的符号不同，在S.Mallat等人工作的基础上，给出了从信号中去除噪声的具体算法。     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。     

基于Hermitian小波的信号奇异性识别

机械设备由于故障而诱发的信号往往具有奇异性(Singularity),正确识别奇异性对设备监测诊断十分重要.采用高斯函数的一阶、二阶导数构成复数Hermitian小波进行奇异性识别,具有两个优点:其一是由于Hermitian小波的Fourier变换是实数,对信号进行变换时不会有相位的改变;其二是与Morlet小波相比较,Hermitian小波的实部和虚部振荡次数少,可用较少的数据点对信号进行卷积,从而不会损坏信号的奇异性.本文提出了基于Hermitian小波变换的时间-尺度幅图和相图的信号奇异性识别方法,在大型空气压缩机的齿轮箱撞击摩擦故障诊断中取得了成功的应用.     

基于小波变换与Lipschitz指数的桥梁损伤识别研究

针对连续小波变换与Lipschitz指数在识别信号奇异性上的优越性,以裂缝模拟桥梁损伤,提出基于小波变换与Lipschitz指数的损伤识别方法。对损伤结构位移模态进行小波变换,用小波系数灰度图及模极大值轨迹图进行损伤定位,并用Lipschitz指数评价损伤程度。理论推导裂缝梁的Lipschitz指数范围,并数值计算验证该方法识别结构裂缝损伤的有效性。考察Euler梁及Timoshenko梁、不同程度损伤、多位置损伤、稀疏测点布置及噪声测试等多种因素对损伤识别效果影响。     

舰船磁场信号的Lipschitz指数与船速的关系

用小波变换的方法对舰船磁场信号进行奇异性分析，找出船速与奇异性指数之间的关系，并通过人工神经网络来判断船速。     

基于连续小波变换的旋转机械振动信号灰度矩研究

通过对机械振动信号的连续小波变换，利用小波滤波器良好的时频特性，研究了振动信号连续小波变换灰度图的统计特征，提出了“一阶灰度矩向量”指标。对8种典型故障信号的计算表明，一阶灰度矩向量可以较好地展现小波灰度图的局部信息，能够有效地提取信号的特征，区分振动故障。     

改进小波阈值函数和ACEWT方法的滚动轴承故障声发射信号特征提取EI北大核心CSCD

针对滚动轴承早期故障声发射信号受复杂传递路径和噪声的干扰,声发射信号信噪比较低,导致轴承故障特征难以提取的问题,提出了改进小波阈值函数-ACEWT的轴承故障特征提取方法。由于声发射信号呈冲击性与快速衰减的特点,构建一种衰减正弦型与指数型的小波阈值函数对低信噪比的声发射信号进行降噪。研究自相关运算与经验小波变换结合的方法(autocorrelation and empirical wavelet transform,ACEWT),用于滚动轴承故障声发射信号特征提取,解决了在低信噪比下经验小波变换对轴承故障特征提取的不足;引入经验小波能量比-熵指标,选取最优经验小波系数。通过与经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法进行对比研究,并试验验证。仿真和试验结果表明,所提方法明显优于经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法,可准确提取轴承故障声发射信号的频率特征。     

基于时—能密度分析的滚动轴承故障诊断

根据滚动轴承局部故障振动信号的特征，提出了基于小波变换的时－能密度分析的新方法。轴承旋转元件通过故障部位产生的脉冲力的频率决定了模态频率带信号能量随时间的分布情况。利用小波基将滚动轴承故障振动信号变换到时间－尺度域，对模态频率区间的时－能密度作谱分析，不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障部位。     

Classification of washing machines vibration signals using discretewavelet analysis for feature extraction

Wavelets provide a powerful tool for nonstationary signal analysis. In vibration monitoring, the occurrence of occasional transient disturbances makes the recorded signal nonstationary, especially during the start-up of an engine. Through the wavelet analysis, transients can be decomposed into a series of wavelet components, each of which is a time-domain signal that covers a specific octave frequency band. Disturbances of small extent (duration) are amplified relative to the rest of the signal when projected to similar size wavelet bases and, thus, they can be easily detected in the corresponding frequency band. This paper presents a new method for extracting features in the wavelet domain and uses them for classification of washing machines vibration transient signals. The discrete wavelet transform (DWT), in conjunction with statistical digital signal processing techniques, is used for feature extraction. The Karhunen Loeve transform (KLT) is used for feature reduction and decorrelation of the feature vectors. The Euclidean, Mahalanobis, and Bayesian distance classifiers, the learning vector quantization (LVQ) classifier, and the fuzzy gradient classifier are used for classification of the resulting feature space. Classification results are illustrated and compared for the rising part of vibration velocity signals of a variety of real washing machines with various defects     

相关机械振源的盲源分离方法

相关源不满足独立分量分析关于源的统计独立性假设,标准的独立分量分析方法无法准确分离相关机械振源信号。在相关振源信号的部分频带满足统计独立的假设前提下,提出了一种基于小波包分解的相关机械源盲源分离方法。该方法将观测信号用小波包分解成子带观测信号,根据互信息标准选择相关性较小的若干子带观测信号重构观测信号。通过重构的观测信号的独立分量分析估计分离矩阵,然后用该矩阵分离原始观测信号从而实现相关机械振源信号的分离。仿真试验验证了该方法的有效性。     

故障转子系统轴心轨迹的自动识别研究

轴心轨迹是转子系统故障诊断的重要依据,将整周期重采样、归一化的极半径序列引入轴心轨迹自动识别系统。首先对振动信号进行整周期重采样以降低转速和采样频率对小波去噪效果的影响,然后利用小波变换对其去噪并合成提纯的轴心轨迹,最后计算具有平移、伸缩和旋转不变性的极半径序列作为轴心轨迹特征,采用BP神经网络进行识别。实验结果表明该方法具有良好的识别效果。     

小波变换在轿车车内噪声源识别中的应用研究

阐述小波变换及小波分解的基本原理,对车内噪声及相关噪声、振动信号进行测量,利用小波分解原理对噪声及振动信号进行分解,得到各信号的特征向量,根据各信号的特征向量确定车内噪声与其它振动、噪声信号的相关系数,根据车内噪声与各振动、噪声信号的相关程度确定车内噪声的主要噪声源,并试验验证小波变换对噪声源识别的有效性和正确性。     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,同时又以齿轮的故障振动信号为例,进一步表明了该方法在故障诊断中的有效性。     

单段爆破振动信号频带能量分布特征的小波包分析

爆破振动分析是研究爆破振动危害控制的基础,也是控制爆破振动危害的前提。根据爆破振动信号具有短时非平稳的特点,利用小波包分析技术对满足分析要求的单段微差爆破振动信号的能量分布特征进行研究。首先,简略地介绍了小波变换与小波包分析的特点。其次,基于MATLAB对单段爆破振动信号进行小波包分析,得到了爆破振动信号在不同频带上的能量分布图。最后,总结了单段爆破振动信号频带能量的分布特征。结果表明,在单段爆破中,爆破震动信号成分主要以中高频(39Hz~156Hz)为主,低频成分(39Hz以下)所占比例极少。     

基于流体诱发管道振动的气液两相流型识别

通过对不同流型的气液两相流流经管道时诱发的管道振动特性的实验研究,提出了基于流体诱发振动的非接触式在线两相流流型识别新方法.通过安装于测试管道外壁的振动传感器测量不同流型下气液两相流诱发的振动信号;采用小波包分析提取了表征流型变化的振动信号能量特征向量;以能量特征向量作为模型输入,建立了概率神经网络模型用于识别分层流、...     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

振动信号时变特征的提取,压缩及机械状态监测

往复式机械和许多周期运转机械的振动激励都具有脉冲性质,振动响应的时间相关局部细节包含丰富的故障信息.本文提出了振动信号的时变模型,用以提取机械运转特征,并提出使用正交变换描述特征母体的一阶矩和二阶矩的方法,在时变特征提取、压缩的基础上,引入模式识别中的距离准则,判断任一信号与母体的相似性,以作为一种监测的度量手段.一个关于柱塞泵振动信号监测的例子说明了本方法的使用过程.