共查询到19条相似文献,搜索用时 140 毫秒
1.
2.
基于小波分析的柴油机故障信号特征的提取 总被引:7,自引:0,他引:7
本文提出了一种新的柴油机表面振动信号的故障特征的提取方法,利用柴油机表面振动信号经过小波降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。用小波包提取降噪后振动信号的能量特征参数。以表征柴油机故障特征,建立起能量到柴油机故障的映射关系。实际研究表明这一特征提取方法是有效的。 相似文献
3.
4.
5.
6.
小波降噪在柴油机振动诊断中的应用研究 总被引:1,自引:0,他引:1
基于小波分析与神经网络的振动信号故障诊断方法,本文提出在小波包特征提取前对原始信号进行小波降噪处理,并以295柴油机进排气系统故障诊断为例验证采用小波降噪处理方法的必要性。结果表明:进行小波降噪处理的故障识别率较未经小波降噪处理的有较大提高。 相似文献
7.
针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明:运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。 相似文献
8.
9.
小波神经网络法在柴油机故障诊断中的应用 总被引:5,自引:1,他引:5
用小波分析作信号处理手段提取柴油机振声信号特征量 ,以神经网络作为故障模式识别手段 ,进行了柴油机故障的振声诊断方法研究。针对柴油机振声信号的非平稳时变特性 ,应用小波理论中的小波包方法对其进行处理 ,结果表明小波分析是比傅里叶分析更为有效的处理柴油机振声这类非平稳信号的方法。在此基础上 ,研究了用神经网络实现根据小波包分解结果识别柴油机故障状态的方法。 相似文献
10.
针对柴油机振动信号的时频特性,阐述运用小波包算法对振动信号进行分析的方法.利用小波包良好的时频局部化特性以及避免信号频率混叠的移频处理方法,实现了对几种气阀状态振动信号时频特性的分析.结果表明,该算法在柴油机气阀故障诊断中具有可行性和有效性. 相似文献
11.
12.
13.
基于粗糙集和神经网络的柴油机故障诊断 总被引:1,自引:0,他引:1
介绍了粗糙集理论的核心内容和ROSETTA软件的特点,给出了基于粗糙集理论的柴油机缸盖振动信号的故障诊断系统。以某型号大功率柴油机为例,首先将提取的缸盖振动信号经过小波包消噪和时域、频域分析,构造出用于故障诊断的特征值,然后应用ROSETTA软件约简特征属性,最后通过神经网络进行故障模式分类。通过对比ROSETTA软件处理前后神经网络的输出结果,表明粗糙集理论能优化特征属性,有效地减少神经网络的输入节点数,提高故障分类的准确率。 相似文献
14.
15.
柴油机运行时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性.针对柴油机运行时的冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析.根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量... 相似文献
16.
基于缸盖振动信号的柴油机多工况性能预测 总被引:1,自引:0,他引:1
采用小波分析法和时间序列法从柴油机缸盖表面振动信号识别气缸压力,通过对示功图 进行分析计算得到了相应的放热规律;采用双韦柏函数对放热规律进行拟合,建立了双韦柏参数的多工况变化关系式,实现了放热规律的多工况计算,并与工作过程数值计算相结合,从柴油机缸盖振动信号预测多工况性能。 相似文献
17.
18.
针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。 相似文献
19.
基于气缸盖振动信号的柴油机故障诊断研究 总被引:2,自引:0,他引:2
在3110柴油机的1号缸上进行了气门间隙变化、断油等故障的模拟试验研究.分别在正常情况及各故障情况下测取了缸盖振动信号,对信号进行时域分段,分别用时域、频域及小波分析方法对信号进行了分析,提出了故障时频特征的提取方法,并用模糊聚类方法进行了分类分析.对正常情况(气门间隙0.3 mm)、断油故障、气门间隙过小(0.1 mm) 、气门间隙过大(0.9 mm)等4种情况的80组数据的分析结果表明,大部分数据分类效果较理想,错误率仅为6.25 %, 断油故障数据分类完全正确.对进气门间隙为0.1 mm、0.3 mm、0.9 mm的3种工况的60组数据进行了模糊聚类分析,取进气门落座信号,用绝对值均值、有效值及峰值作为特征值,分类结果完全正确. 相似文献