基于小波包能谱熵的铣削颤振监测方法

针对切削加工过程中容易出现颤振,导致零件表面加工质量降低,本文以铣削加工为研究对象,提出了基于小波包能谱熵的铣削颤振监测方法。信号的采集是一个连续的过程,为避免刀具不参与切削对这种方法的影响,本文提出基于铣削力幅值平方和的方法以识别刀具是否参与切削。试验结果表明,无论对于刀具是否参与切削的识别或者是否出现铣削颤振的监测都能有效的监测。     

基于小波包频带能量分布的往复机故障诊断方法研究

往复机在发生故障时会使得正常状态下的振动频带有所改变,因此各频率成分的能量分布中包含有丰富的故障信息,可以作为设备状态的评价参数.文中提出了基于"频带能量分布一设备状态"的故障辨识方法,采用小波包进行信号的分解-重构,并对每个频段的能量进行归一化,构成一个特征向量,可以以此进行设备的状态识别,并以柴油机的状态识别证明了此方法的有效性.     

转子系统油膜振荡的小波包分解与频带能量比例特征分析

在介绍小波包分解原理的基础上。对试验测得的单盘单跨转子系统的油膜振荡非平稳信号用小波包分解方法进行了研究。采用db44小波基函数进行4层小波包分解。给出了各频带内分解信号的特点及频带能量比例，其中第3频带是该转子系统在9600r／min时产生油膜振荡的特征频带。得到的试验数据及其分析结果对转子系统油膜振荡研究和旋转机械状态监测等具有重要意义。     

采用小波包能量熵的铣削振动状态分析方法研究

颤振是影响机床加工质量的重要原因之一。为实现切削颤振的实时在线识别与评价,采用加速度传感器,获取主轴振动信号,以小波包能量熵值为指标,对铣削加工的稳定状态及振动形式进行识别。通过多传感器对加工过程进行监测,确定加工的稳定性;对主轴振动信号进行频谱分析,了解不同加工状态下的信号频谱特点,分析其振动形式。对信号进行小波包分解,发现在不同的振动状态下,信号的能量分布有显著规律。试验表明,切削从稳定状态到不稳定状态,本质上是强迫振动和颤振的能量强度和分布发生了变化。能量熵描述能量分布的变化,是识别切削状态和振动状态变化的有效方法。     

小波包变换的频带分析的实现

论述了小波包分析的基本原理及其分频的方法.针对根据小波包理论进行小波包分解不能正确的实现频带分析的实际,通过对每一层小波包分解的等频带信号进行调整,用新的算法进行小波包分析,从而达到频带分析的目的.     

铣削颤振识别的小波包和分形分析方法

如何用振动信号来监控加工过程,这里通过对信号的小波包和分形的机理研究,提出了一种基于熵能量的颤振特征小波包提取方法和基于盒维数的颤振分形特征提取方法。为二者的结合构造了理论框架,且进一步通过信号的分形行为和小波包分解相结合,有效地分辨出了颤振信号的频率结构。     

基于均方频率与EMD的切削颤振特征提取方法

颤振对机床加工稳定性影响极大,严重制约机床加工效果和效率.为实现切削颤振的在线监测与预报,提出了一种基于均方频率与经验模态分解的颤振特征提取方法.通过对切削力信号进行频域分析,计算小波包颤振特征频带的均方频率占比系数作为特征T1;通过计算IMF分量与原信号的相关性,选择相关性强的IMF并计算能量熵作为特征T2.研究结果...     

基于小波包分解和频率加权能量算子的滚动轴承故障诊断

针对强背景噪声下故障特征信号提取难的问题,利用小波包分解能重构信号高低频的特点和频率加权能量算子抗干扰性强的优势,提出基于小波包分解与频率加权能量算子相结合的滚动轴承故障诊断方法。首先运用小波包分解对原始信号进行三层小波包分解,通过计算各个分量的峭度得出最优分解系数;再利用频率加权能量算子追踪信号的瞬时能量并求其包络谱;最后分析包络谱中频率成分并与对应故障特征频率进行对比。仿真信号和实验数据都能证明所提方案的有效性和实用性。     

冗余小波包改进及其在齿轮箱故障诊断中应用

针对小波包分解广泛存在频率折叠、频带重叠与频带错位缺陷,分析了其产生的根源,并以此提出了一种改进的冗余小波包分解算法。该算法通过交换偶数位置子带小波包分解后的两子带顺序来消除频带错位缺陷,通过引入两算子依据傅里叶变换滤波原理分别从频域滤去低、高频子带理论频率范围外的频率成分来避免频带重叠缺陷。分别使用仿真信号与某直升机中减速器疲劳试验的故障数据对该算法进行了仿真验证与试验验证。分析结果表明:相对于Mallat小波包算法和通常的冗余小波包算法,改进的冗余小波包分解算法确实成功消除了频率折叠、频带重叠和频带错位等三类缺陷,因此该算法能更有效地提取淹没在强噪声和其他强干扰背景下微弱故障特征,具有一定的工程应用价值。     

基于小波包频带能量分析的电机振动故障信号特征提取

本文在分析了小波包分解用于信号特征提取的基础上,研究了基于小波包分解的电机振动故障信号特征提取的频带能量分析法、分析了这种方法的特点,与Fourier分析进行了比较,结果表明该方法优于常规的Fourier分析以电机的不平衡和不对中故障验证了这种方法的可行性,并提出了继续完善这种方法的方案,展望了其应用前景.     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

基于VMD小波包能量熵的风电机组变流器故障诊断方法

变流器是实现风电机组并网运行的关键电力装备,在外界环境因素、内部电压电流应力作用下,其功率器件易发生机械或电气故障。该文提出一种基于变分模态分解(VMD)小波包能量熵与支持向量机(SVM)的永磁同步风电机组变流器故障诊断方法。首先,对风电机组网侧变流器的输出电流进行变分模态分解,得到多个固有模态分量;然后,利用小波包分解提取出各模态分量的小波包能量熵作为故障特征向量,以减少故障特征的维数。最后,将约简的故障特征向量输入SVM中进行训练和故障识别。研究结果表明,所提方法可对网侧变流器的典型单一和双开路故障进行诊断,对提升永磁同步风电变流器的可靠性和安全性具有现实指导意义。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于小波包变换的齿轮箱降噪方法研究

应用小波包变换理论和小波包降噪原理,对轧机齿轮箱的振动信号进行小波包降噪,有效地从含噪信号中提取出故障特征。通过对计算机仿真信号的降噪效果比较和实例分析,显示了小波包降噪的优越性。最后对齿轮箱降噪前后小波包各频带能量向量的比较,进一步表明了小波包降噪在消除高频干扰,凸显故障特征方面的有效性。     

小波包熵在设备性能退化评估中的应用

开展设备性能退化评估研究,是制定主动设备维护策略、降低设备维护费用的基础。在设备性能退化过程中,信号成份会逐渐复杂化。本文提出利用小波包熵监测信号的复杂性变化,从而为设备性能退化评估提供可靠的特征向量。为了研究性能退化过程中振动信号的小波包熵的变化规律,使用裂纹转子动力学模型模拟了转子裂纹逐渐增加的过程,并使用仿真数据计算了各个状态下的小波包能量熵和小波包奇异值熵值。分析结果表明,随着转子性能退化程度的加深,小波包熵值逐渐增加,且对于性能恶化的突变较为敏感。     

频带能量特征法在声发射刀具磨损监测系统中的应用

基于对声发射(AE)信号特点的分析和小波包分解理论对不平稳信号特征提取的优势,提出一种利用AE信号的能量变化来监测刀具磨损状态的方法。该方法利用db8小波基对AE信号进行5层小波包分解,将分解后各频带上的能量值作为特征参数,并组成特征向量。分别提取在新刀和刀具磨损状态下的特征向量,根据其变化即可判别刀具磨损的程度。试验结果验证了该方法在刀具磨损判析中的可用性。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.     

基于小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及从小波包分解后的频带不能有效确定并自适应提取共振带的问题,提出了频带幅值熵的概念。在此基础上,将小波包变换和Teager能量谱结合,提出了基于小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用小波包对采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳熵阈值以及小波包最佳分解层数,从而自适应并且有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。