基于小波包和极限学习机的汽车发动机失火故障识别

针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统.首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数.分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试.实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点.     

基于小波包和ElmanNN的滚动轴承故障识别

针对提取滚动轴承故障特征向量信号和识别故障类型的问题,为了提高诊断准确率,提出了基于小波包分析与BP算法权值修正的Elman神经网络的策略。基于MATLAB强大的数值分析功能,采集到的故障信号经过小波包分解与重构获取能反映不同故障状态的本征模态函数(Intrinsic modal function,IMF)分量。通过Elman神经网络辨识技术,将各频带能量作为Elman网络输入变量,测试样本为输出变量。对Elman神经网络进行大量数据训练,对滚动轴承的故障数据进行识别。实验表明,这种方法比BP神经网络识别更准确、更有效。     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

基于小波包分析的汽车发动机轴承故障诊断方法

本文旨在研究小波包分析在汽车发动机轴承故障诊断中的应用,根据小波包展开的结构材料早期损伤监测较为简单,可以灵敏的监测到早期故障损伤。对失效破坏的故障发射信号进行分析,在此基础上,采用小波包分解技术,实现对汽车发动机轴承故障振动特征参数的有效提取,并将其应用到汽车发动机轴承故障诊断方法中。通过实验验证,实现对汽车发动机轴承故障的高效诊断。     

基于神经网络和瞬时转速的发动机失火故障研究

针对发动机在实际运行中经常会出现单缸或者多缸失火这种典型的故障现象,从发动机瞬时转速的角度出发,对发动机气缸受力与发动机曲轴瞬时转速之间的关系进行了理论研究,建立了其数学模型,利用Matlab仿真软件对瞬时转速曲线进行了仿真,确定并提取出了特征参数,比较了正常情况下和单缸不点火情况下瞬时转速曲线及其特征参数的变化,并把这些变化作为下一步诊断发动机失火故障的判断依据;最后,建立了一个BP神经网络并对其进行训练,同时把仿真数据和实例数据输入到网络中进行了理论验证和实例验证。研究结果表明,发动机的失火故障与发动机瞬时转速之间存在一定的关系,利用瞬时转速可以对发动机失火故障进行诊断;利用BP神经网络方法诊断发动机失火故障具有速度快、效率高的特点。     

基于小波包时域重构的汽车发动机燃烧状态分析

针对康明斯发动机的不同状态 ,利用小波包对发动机缸盖的振动信号进行了分析 ,通过改进的小波包信号重构方法在时域内分析了发动机气缸的燃烧状态 ,提出了发动机故障诊断的时域方法。研究结果表明 :利用小波包分解与重构技术在时域内便能直观地识别气缸的燃烧状态 ,该方法为复杂机械的故障诊断提供了新思路     

基于小波包和BP神经网络的发动机故障诊断

本文通过对缸盖表面的振动信号进行小波包分解并重构,求出各分量的能量并归一化作为特征参数,输入到BP神经网络中进行诊断和识别。实验结果表明:基于小波包分解和BP神经网络的方法能够实现对发动机气门不同故障程度进行识别。     

基于RBF神经网络发动机失火故障的诊断研究

提出了利用排气中HC、CO2和O2浓度诊断发动机失火故障的方法和描述发动机失火程度的模糊评价指标,并结合RBF神经网络建立了该评价指标和排气中HC、CO2和O2浓度间关系的模型,应用MATLAB软件对该方法进行训练及仿真,仿真结果表明此模型具有良好的诊断性能。     

基于小波包与神经网络相结合的主轴箱齿轮故障识别

用加速度传感器获取主轴箱振动信号,应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP神经网络,建一立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,基于小波包分解能量提取故障特征是十分有效的。     

基于小波分析和小波包的电动振动台故障检测方法

针对电动振动台产生随机振动情况下的故障特点,对某型电动振动台的振动信号进行分析,采用小波分解与重构的方法,提取了伴随噪声的振动信号中的故障信息,判断出电动振动台的故障点.该方法不需要进行数据建模,而且具有一定的鲁棒性,适用性强,对难以建立解析数学模型的诊断对象非常有效.通过小波包分析对重构振动信号再次进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为电动振动台故障诊断提供了一种更加快速有效的新途径,从而证实了小波分析及小波包综合应用在检测故障信号方面的有效性.     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

基于小波包和支持向量机的发动机故障诊断

本文对发动机缸盖振动信号进行小波包分集并重构,求取各子信号的能量并归一化处理作为特征向量,采用支持向量机的方法对故障进行模式识别。实验结果表明:基于小波包和支持向量机的方法能够实现对气门不同故障程度的识别。     

基于小波包和概率神经网络的焊接缺陷识别

在焊接缺陷的超声检测中,对缺陷进行定性分析是超声无损检测与评价的关键内容,也是超声检测研究领域的热点和难点。针对焊接缺陷超声回波信号的特点,利用小波包变换提取反映缺陷性质的特征值,运用概率神经网络对缺陷进行识别,并与BP网络、RBF网络的识别结果进行比较。实际焊接缺陷的实验结果表明,概率神经网络的识别正确率高,训练和测试速度快,可靠性高。     

基于小波去噪和FG-Markov的货运量预测（英文）

为消除传统灰色马尔科夫预测模型的灰色偏差及抗干扰性能,考虑货运量预测的随机性和非线性特征,提出了基于小波变换和模糊灰色马尔科夫(FG-Markov)的货运量预测模型。基于小波包对非平稳随机信号的数据分析能力,运用小波包分解策略,对货运量历史数据进行小波包分解。在此基础上,引入模糊灰色变量,提出了模糊灰色马尔科夫链(FG-Markov)来获取小波包系数转移概率矩阵,并通过重构小波包系数进行货运量预测。为验证预测模型的有效性和精确度,将其应用于兰州铁路枢纽集装箱货运量预测,并与神经网络等预测模型进行了比较分析。实例分析表明,基于小波和FG-Markov的预测模型可以提高预测精度。     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时,需要设置较多的超参数,且参数对模型性能的影响较大。针对这一问题,提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型,其中,EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息,而GWO-ELM用于识别滚动轴承的故障类型。首先,基于分形理论和增强的层次分析,提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后,利用EHATE方法充分提取了滚动轴承振动信号的故障特征,实现了对不同样本故障状态进行精确表征的目的;最后,将故障特征输入至GWO-ELM分类器中,进行了滚动轴承故障类型和故障严重程度的识别,基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验,并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障,3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法;同时该故障诊断模型在特征提取阶段仅需要设置单个参数,且该参数对模型的...     

基于极限学习机的航空发动机主燃油流量预测研究

由某型涡扇发动机试飞架次获取训练样本,使用极限学习机(ELM))的方法,通过离线训练建模,得出了发动机主燃油流量逆向预测模型。考虑到输入参数多重线性关系和预测实时性,应用平均影响值(MIV)算法对网络输入参数进行敏感性筛选,最后选取了未参与发动机模型辨识的整个飞行架次的试验数据进行验证。结果表明,在飞行包线内的稳态工况或动态工况下,基于ELM的逆向预测模型的输出与发动机主燃油实际输入基本吻合,具有较高的精度。该模型可用于航空发动机的飞行试验中,对飞行过程中的发动机真实主燃油流量进行监控,以提高安全性。     

基于小波包变换的梁体损伤识别

由于小波包变换在分析非平稳信号方面较傅立叶变换更为有效，提出了基于小波包变换的能量变化率指标进行损伤识别的方法。首先，将得到的结构响应信号进行小波包分解，然后通过小波包能量变化率指标来进行损伤定位。通过3种不同损伤工况的梁体室内试验证明．损伤指标可以准确地识别损伤位置。     

基于极限学习机及多姿态信息融合的步态识别

为了解决步态识别系统复杂度较高且设备较为昂贵的问题,本文设计了一种步态识别系统。通过采集安装在大腿、小腿和脚板的三个姿态传感器数据,利用时域与频域结合的多域特征方法和近邻成分分析（NCA）算法对姿态数据进行特征提取和降维,得到姿态数据的低维特征向量,使用极限学习机对低维特征向量进行分类,实现了三种步态的准确识别。实验结果表明,三种步态的识别率均达95%以上。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。