基于小波改进阈值消噪的缸盖振动信号分析

提出了一种改进的小波阈值新方法对内燃机缸盖振动信号进行消噪,进而实现特征向量的提取。试验表明采用改进小波阈值方法能有效地消除信号中噪声的干扰,提高信号的信噪比。用小波包提取消噪后信号的能量作为特征向量,来表征内燃机故障特征,可为神经网络的自适应故障诊断提供新的故障样本。     

基于EMD的汽轮机碰摩信号消噪技术研究

基于EMD理论提出一种汽轮机振动信号自适应消噪方法,对实测汽轮机碰摩振动信号EMD消噪和小波软阀值消噪结果的比较表明,基于EMD消噪方法能够有效地消除旋转机械振动信号中的噪声.     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

基于改进小波阈值及多重分形的风力机轴承振动信号分析

针对风电机组传动系统时变转速及强噪声干扰等运行特点,首先采用改进小波阈值降噪方法,对风力机齿轮箱轴承振动信号进行降噪预处理,然后基于分形理论,计算变转速轴承振动信号盒维数及多重分形谱,定量描述轴承不同状态下振动信号的特征信息。结果表明:基于改进阈值与硬阈值函数相结合的小波阈值降噪方法对振动信号进行降噪预处理,其降噪效果优于传统的4种阈值选取原则;多重分形去趋势波动分析方法对于定速及变速轴承均能进行有效的故障识别;谱函数最大值所对应的奇异指数α(f_(max))当轴承处于内环故障时最小,可有效判断轴承运行状态及故障位置,能对轴承不同的故障状态做出准确的判断。     

小波降噪在柴油机振动诊断中的应用研究

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。     

高斯矩Fast ICA算法在风机振动信号去噪中的应用

设置了转子不平衡、联轴器不对中、风机基座松动、转子径向摩擦和轴承内圈磨损等5种故障,针对风机的振动问题进行了实验研究.在简要分析ICA理论及其算法的基础上,提出应用基于高斯矩的Fast ICA算法对模拟信号及实测离心式风机振动信号进行去噪处理,并分别与EMD及db8小波的滤波去噪效果进行定量比较.结果表明:Fast ICA方法与EMD方法和小波方法一样,能有效地处理短时瞬态及含宽带噪声的信号,但Fast ICA方法不受去噪阈值的影响,也不需要选择小波基函数,更具有通用性和稳定性.     

一种新型改进阈值函数的第二代小波降噪方法

为了有效去除机械故障信号中含有的噪声并提取故障特征,在小波阈值降噪的基础上,提出了一种新型改进阈值函数的第二代小波降噪方法。该方法是利用第二代小波对信号进行分解,采用新型改进阈值函数对分解信号的小波系数做阈值处理,同时引入基于类可分离性测度的降噪评价准则,实现对复杂振动信号降噪效果的评价。将所提出的方法应用于仿真信号和实测信号的分析与评价,结果表明:该方法融合了第二代小波和改进阈值函数的优点,能更好地消除噪声。     

基于Lab VIEW的小波理论在风力机齿轮箱故障诊断中的应用

给出一种基于Lab VIEW实现信号的小波包络分析的方法。在Lab VIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解,然后对风电机组齿轮箱采集振动数据进行包络分析,得到了直观的包络谱线,进而得到准确判断风力发电机组的实际工作状态。另外采用小波分解对齿轮箱故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。     

基于小波变换的汽轮机振动信号软阀值消噪技术研究

信号消噪是小波变换的重要应用,介绍了小波消噪的基本原理及其主要步骤,以及软阀值消噪方法及软阀值规则的选取,最后利用实验仿真信号和现场实测汽轮机振动信号,并考虑噪声方差估计的对消噪的影响,分析比较了各种软阀值选取方式的消噪效果,从而得到软阀值选取方式的有价值的规律和原则,利用最佳软阀值处理后的小波系数重建信号,分析结果表明该方法能够最有效地消除噪声.     

基于降噪–残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪–残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。     

基于改进小波包的风电机组齿轮箱复合故障特征提取研究

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。     

Feature extraction method of wind turbine based on adaptive Morlet wavelet and SVD

Analyzing the vibration signals of wind turbine usually requires feature extraction. However, in many cases, to extract feature components becomes challenging and the applicability of information drops down due to the large amount of noise. In this paper, a new denoising method based on adaptive Morlet wavelet and singular value decomposition (SVD) is applied to feature extraction for wind turbine vibration signals. Modified Shannon wavelet entropy is utilized to optimize central frequency and bandwidth parameter of the Morlet wavelet so as to achieve optimal match with the impulsive components. The time-frequency resolution can be adapted to different signals of interest. Then, an improved matrix construction method is used to construct matrix of the wavelet coefficient, and the scale periodical exponential (SPE) spectrum is obtained by SVD for selecting the appropriate transform scale. Experimental analysis and application into signal denoising indicate that the proposed method has better denoising performance than other wavelet transforms. The results of the experimental analysis in rolling bearing and the application in planetary gearbox show that the proposed method is an effective approach to detecting the impulsive feature components hidden in vibration signals and performs well for wind turbine fault diagnosis.     

A new noise-controlled second-order enhanced stochastic resonance method with its application in wind turbine drivetrain fault diagnosis

Condition monitoring of a wind turbine is important to extend the wind turbine system's reliability and useful life. However, in many cases, to extract feature components becomes challenging and the applicability of information drops down due to the large amount of noise. Stochastic resonance (SR), used as a method of utilising noise to amplify weak signals in nonlinear systems, can detect weak signals overwhelmed in the noise. Therefore, a new noise-controlled second-order enhanced SR method based on the Morlet wavelet transform is proposed to extract fault feature for wind turbine vibration signals in the present study. The second-order SR method can obtain better denoising effect and higher signal-to-noise ratio (SNR) of resonance output by means of twice integral transform compared with the traditional SR method. Morlet wavelet transform can obtain finer frequency partitions and overcome the frequency aliasing compared with the classical wavelet transform. Therefore, through Morlet wavelet transform, the noise intensity of different scales can be adjusted to realize the resonance detection of weak periodic signal whatever it is a low-frequency signal or high-frequency signal. Thus the method is well-suited for enhancement of weak fault identification, whose effectiveness has been verified by the practical vibration signals carrying fault information. Finally, the proposed method has been applied to extract feature of the looseness fault of shaft coupling of wind turbine successfully.     

基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法

为了解决柴油机工作时其振动信号的背景噪声对状态监测及故障诊断造成干扰这一问题,提出一种基于变分模态分解(VMD)和去趋势波动分析(DFA)的柴油机振动信号去噪方法。该方法首先利用变分模态分解将振动信号分解为若干分量,再利用去趋势波动分析分别计算各个分量的尺度指数,根据尺度指数的值选取具有长程相关性的分量进行信号的重构,以消除振动信号中噪声。将该方法应用于仿真信号和柴油机故障振动信号中,取得了良好的消噪效果。     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

小波分析降噪方法在碰磨和突加不平衡信号特征提取中的应用

研究了小波分析降噪方法在碰磨和突加不平衡信号特征提取中的应用。碰磨信号和突加不平衡信号均具有较强的非平稳性。小波分析降噪方法具有自适应和多分辨率分析的特点,适合于对非平稳信号进行滤波处理。通过仿真和实验分析,并将结果与传统的低通滤波方法进行比较。结果表明：小波分析降噪方法能够有效抑制碰磨和突加不平衡信号中的噪声并保留故障特征信息。     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断