小波域隐Markov树模型降噪算法的改进

提出了适应于更一般情况的基于小波域隐Markov树(HMT)模型信号降噪的改进算法。通常算法以数个零均值高斯函数加权之和描述信号小波系数统计分布,在有些情况下可能带来严重失真。改进算法以一般统计模型描述信号小波系数分布,以最优估计方式对其降噪,能够避免不适当统计模型可能带来的潜在失真。数据仿真表明该算法有时可以减少降噪信号的MSE(均方误差)80％以上。     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

双树复小波和局部投影算法在齿轮故障诊断中的应用EI北大核心CSCD

齿轮故障振动信号往往表现为非线性非平稳特性,并且早期故障振动信号往往包含较强的背景噪声,不利于故障特征的提取。针对该问题,提出了基于双树复小波变换和局部投影算法的齿轮故障诊断方法。首先,对故障信号进行双树复小波变换,得到不同尺度下的小波系数和最后一层的尺度系数,并计算各层小波系数的模与相角。然后,选择模周期性较强的小波系数或尺度系数进行局部投影算法处理,得到周期性增强的系数的模,并选择合适的阈值进行软阈值处理。最后,利用处理后的系数进行双树复小波重构,从而提取出齿轮故障特征信号,进行希尔伯特包络解调分析便能准确地得到故障特征频率。仿真信号和工程应用表明,该方法能够有效地提取齿轮故障特征信息,提供了一种齿轮故障特征提取的新方法。     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

基于双树复小波包的发动机振动信号特征提取研究

针对柴油机缸盖振动信号的特征提取问题,提出了一种基于双树复小波包变换和自适应块阈值降噪的标准化相对能量提取方法,双树复小波包利用并行双树实小波变换分解系数达到信息互补,从而获得近似平移不变性和减少了信息的丢失.自适应分块阈值能够随所分析的信号自适应估计最优阈值,达到更好的降噪效果,同时引入消除频率混叠的算法,抑制了双树复小波包分解过程中虚假频率的产生.仿真信号和试验分析该方法能够更有效地消除噪声影响,所提取的相对能量特征具有更好的可区分度.     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

基于小波域隐马尔可夫模型故障诊断方法

针对基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布这一不足,提出一种基于多尺度小波域隐马尔可夫模型(WHMM)参数特征的故障诊断方法.该方法分析了信号多尺度小波分解系数的统计特征,利用隐马尔可夫模型描述小波变换域系数在尺度间,尺度内的统计相关性.采用最大似然估计方法确定的模型参数作为信号特征实现故障诊断.试验结果证实了设计思想的正确性和算法的高效检测性能.最后从小波基、窗口宽度和分类器三个层面对建议方法诊断性能的影响进行分析,结果表明本文方法具有很强的稳定性和鲁棒性.     

复数小波统计模型在图像降噪中的应用

复数小波变换具有平移不变性和多方向选择性,适用于图像去噪。对自然图像复数小波系数统计分布进行建模,提出了一种新的概率密度函数。在此先验分布的基础上,通过运用最大后验概率估计方法从含噪系数中恢复原始系数,来达到滤出噪声的目的。数值实验表明本方法在去除噪声的同时保留了图像的细节信息,取得了很好的降噪性能,其峰值信噪比(PSNR)在高噪声水平下(n=30),较其他常见方法至少高1.9dB左右。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于最优Morlet小波和隐马尔可夫模型的轴承故障诊断

摘要：提出一种从信号时频域提取故障特征的新方法,先将振动信号作Morlet小波变换,再将小波系数顺序划分成多个子列,各子列协方差矩阵的特征值为所需的特征参数。为了更有效地提取信号的振动特性及周期性成分,使用了最小香农熵准则和奇异值分解技术选择Morlet小波参数,并用比较实验证明了参数优化的有效性。状态辨识使用了连续型隐马尔可夫模型,在三种故障程度下分别实现了轴承正常状态,滚动体故障,内圈和外圈故障的正确辨识,平均精度都大于93%。     

小波包变换和隐马尔可夫模型在轴承性能退化评估中的应用

轴承是旋转机械中的关键部件,有效地对其进行性能退化评估对指导设备维护、防止设备意外失效有非常重要的意义。本文提出了一种基于小波包变换和隐马尔可夫模型（HMM）的轴承性能退化评估方法。该方法使用小波包变换对轴承振动信号进行分析,并提取节点能量及其总能量作为特征,仅使用正常状态下的数据训练HMM,建立性能退化评估模型,然后使用该模型对轴承的退化程度进行定量评估。最后,通过对轴承加速疲劳寿命试验的研究,验证了所提出的方法的可行性和有效性。     

小波域相关滤波法及其早期故障预示应用

噪声是影响机械设备早期故障预示正确性的主要因素。根据相关分析理论和小波阈值降噪理论,提出了小波域相关滤波法。它是一个迭代的过程,通过自适应的选择滤波过程参数,可以对信号进行良好的降噪;同时也不会弱化信号中的弱故障信息。通过对旋转机械早期不平衡和不对中故障信号分析,结果表明小波域相关滤波法对机械设备早期故障预示是有效的。     

小波消噪-HHT的四通阀故障诊断

提出一种基于小波阈值去噪和希尔伯特-黄变换(HHT)的故障诊断方法.先用小波变换实现信噪分离,然后对提纯的信号进行经验模式分解(EMD)和HHT,分析HHT边际谱,进行故障诊断.结果表明,该方法减少了噪声对EMD分解的干扰,能有效地突出故障特征频率成分,提高机械故障诊断率.此外,结果还验证了传感器安装在四通阀顶部能最及时有效地进行故障诊断.     

基于复小波变换与层间模型的图像去噪

很多小波去噪方法认为小波系数是相互独立的,然而大量实验表明实际图像的小波系数之间是有较强的依赖性。在本文中,我们将利用复小波变换的优势以及小波系数之间的依赖性,提出一种新的图像去噪方法。该方法先确定滤波器系数,再对复小波变换系数建模,并根据MAP准则给出系数的收缩方法进行去噪处理,最后作复小波逆变换。同时在变换的系数抽取之前估计系数的方差,可以使方差估计更准确。     

基于Gabor脸和隐马尔可夫模型的人像识别算法

提出了基于Gabor小波变换和隐马尔可夫模型的人像识别算法。该算法先对人脸图像进行多分辨率的Gabor小波变换,采用主元分析法对每个结点进行降维,最后形成Gabor脸。把Gabor脸的每个特征结作为观测向量,对隐马尔可夫模型进行了训练,并把优化的模型参数用于人脸识别。实验结果表明,本文方法识别率高,复杂度较低,对部分遮挡的图像具有较大的容忍度。     

KPCA和耦合隐马尔科夫模型在轴承故障诊断中的应用

针对多通道数据的有效融合能够更加准确地诊断轴承的故障,提出了一种基于KPCA和耦合隐马尔可夫模型(CHMM)的轴承故障诊断方法。首先,分别对轴承各通道的振动信号进行特征提取,获得特征向量。然后采用KPCA对各通道的特征向量分别进行特征约减,获取主要的信息成分。最后,利用CHMM对多通道信息进行融合和故障诊断。通过对滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下实验数据的分析表明,该方法能够更加有效地诊断轴承的故障。     

自适应多小波基函数构造与机械故障诊断应用研究

设备在运行中萌生的故障(即早期故障),特征信息微弱且往往被机械设备运行过程的强噪声所淹没,给故障诊断与预示带来困难,已成为国内外此领域研究的热点和难点。文章深入研究了机械故障动态信号与基函数的内积变换原理;提出了若干自适应多小波基函数构造方法;改进了几种多小波邻域区间和局部阈值降噪方法。利用典型的工程案例分析和阐述了重油催化裂化装置、连铸连轧机组、空分机、电力机车和船载卫星通信地球站传动系统在运行状态下,微弱动态信号的特征增强和复合故障特征提取的工程应用实效。     

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。