基于小波变换的轴心轨迹特征提取

回转机械的轴心轨迹包含着反映其运行状态的丰富信息，但由于各种噪声干扰严重，使轴心轨迹非常杂乱，难以从中得到有用信息。本文将小波变换用于提纯轴心轨迹，剔除干扰，提取故障特征，取得了良好的效果     

基于连续小波变换的钻削力信号灰度矩特征提取

利用小波分析良好的时频特性,分析了钻削过程中钻削力信号在时间-尺度域中的变化特征,提出用“灰度矩”的概念来描述连续小波变换的统计特性,并通过实验研究了整个钻头磨损历程中钻削力信号小波变换结果的“1 1”阶矩的变化规律。结果表明:随着钻头磨损的增加,其“1 1”阶矩统计特征呈上升趋势,根据其变化特征可有效实现钻头磨损状态的监测。     

二维小波变换在虹膜特征提取中的应用研究

本文提出了一种采用canny变换来提取虹膜特征,并用小波神经网络来进行分类的虹膜检测识别的新方法.该方法结合了小波神经网络作为一种新的分类方法,它很好地改进了识别精度,同时提高了系统的性能.一个简洁并且能快速训练的算子Adaboost也将在小波神经网络中给出介绍.实验结果表明,应用该算子进行分类识别时,识别率为100%,该方法具有很高效的可行性.     

基于参数优化Morlet小波变换的故障特征提取方法

针对轴承或齿轮箱等机械元件的故障振动信号表现为冲击衰减波形的特点,提出一种基于参数优化Morlet小波变换的故障特征提取方法。利用最小Shannon熵方法优化Morlet小波的形状参数,实现与冲击特征成分的最佳匹配,再对小波变换系数矩阵进行奇异值分解,根据奇异值曲线中主要反映突变信息的过渡阶段所对应的尺度范围求得最佳小波变换尺度,最后对信号进行Morlet小波变换提取故障特征。仿真试验和实际应用的结果表明,该方法能更有效地从强噪背景中提取故障特征。     

基于小波包变换的电磁超声接收信号特征提取

使用改进的功率谱函数对电磁超声缺陷信号进行了缺陷的定性分析,使用小波包能量谱对电磁超声缺陷接收信号进行了特征提取,从小波包的小波函数选取、分解层次及特征参数的噪声鲁棒性3个方面开展了讨论分析.结果表明:通过选择适当的小波函数和小波包分解层次,小波包能量谱的能量比可以精细地反映信号的特征;基于小波包能量谱的特征参数具有良好的损伤敏感性及噪声鲁棒性,能在强噪声影响下实现对EMAT不同损伤类型的判别.     

基于小波包变换和小波阈值消噪的语音特征提取

为了实现强噪声背景下语音信号的特征提取,根据小波变换的多分辨率特性,以及与人耳耳蜗滤渡相一致的特性,利用小波包变换,在各语音特征频率段上,提取出包含丰富的非平稳信息的语音特征;并在小波包分解去噪的基础上,构造了模糊阈值函数,利用小波模糊阈值去噪,得到了信噪比较高的语音信号.研究结果表明,小波包变换和小波阈值去噪,较好地消除了强噪声背景下的噪声,并有效地提取出了语音信号特征.     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

非平稳信号瞬时特征提取的谐波小波方法

分析了非平稳信号的瞬时特征(瞬时频率和瞬时相位),对非平稳信号进行谐波小波变换,建立非平稳信号的谐波小波系数与该信号的瞬时特征之间的关系,提出非平稳信号瞬时特征提取的谐波小波模型和提取方法.通过算例中的线性调频信号和应用实例中的轴承座振动信号的验证表明,该模型与方法具有较好的抗噪能力,对非平稳信号的瞬时特征具有更高的分析精度,能实现非平稳信号中特殊成分的瞬时特征提取.该方法能通过傅里叶变换实现其快速算法,具有算法简单、快速的特点,实现非平稳信号瞬时特征的实时分析.     

基于最优小波基的电机故障信号特征提取研究

小波变换去噪中最关键的问题是最优小波基的选取,使其能够将噪声从原始信号中分离出来。针对电机故障的特点,提出了一种基于信号的最优小波基选取方法。将信号小波变换的能量阈值曲线作为小波基函数的适用性评价指标。通过训练神经网络,选取适合该信号的最优小波基,最后采用平移不变量(TI)小波阈值法实现信号去噪。在此基础上对750W化纤电机进行了测试,实验结果表明,该方法能准确找出适合特定信号的最优小波基。训练后的神经网络可直接用于其它类型电机的信号去噪处理,具有实用价值。     

基于信号的正交小波构造及其在电机故障特征提取中的应用分析

本文讨论了小波变换的基本理论及小波函数与信号的相关系数对信号去噪效果的影响。在此基础上提出了基于信号的正交小波构造方法:根据信号的频域特征,对各频带系数进行加权处理,确定多尺度分析的生成元,从而构造L2空间的正交小波函数。应用不同小波函数提取750W整数槽化纤电机的振动信号的故障特征,实验结果表明采用此方法构造的小波函数能更加有效地从强噪声中提取故障特征,从而实现对电机故障的精确诊断。     

基于最大似然估计的小波阈值消噪技术及信号特征提取

小波阈值消噪技术是近十年来发展起来的一个新方法,它因具有强大的去噪能力而被迅速应用在许多领域。针对工程中常见的具有稀疏概率密度形式的信号,推出了基于最大似然估计准则的小波消噪方法,并以脉冲信号为例,通过与现有的小波阈值消噪作比较,证实了该方法的优越性。最后,将该方法用在识别齿轮裂纹特征,收到了很好的效果。     

基于小波变换的基波提取和频率测量

为了提高小波变换提取信号基波和测量频率的精度 ,采用分频特性较好的小波对信号进行滤波 ,并研究最佳分解级数的问题。在频率测量中 ,针对低频噪声的影响 ,提出极大值误点的判别方法 ,采用最小二乘法估计基频 ;针对非整周期采样误差的影响 ,采用抛物线插值的方法加以解决     

旋转构件中内摩擦轨迹特征提取

旋转机构内摩擦的轨迹包含着反映其运行状态的丰富信息 ,但由于各种信号干扰严重 ,使机构内摩擦轨迹非常杂乱 ,难以从中得到有用信息。本文将小波变换的理论用于提纯机构内摩擦轨迹 ,剔除干扰 ,提取故障特征 ,取得了良好的效果。     

超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点，将小波包变换用于缺陷信号的降噪及特征提取问题的研究，并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念，在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明，小波包降噪效果明显；在特征数据得以压缩的同时，分类的可分性较高。     

小波再分配尺度谱在声发射信号特征提取中的应用

在分析典型声发射(Acoustic emission, AE)信号特征的基础上,根据机械故障或损伤引发的AE信号的故障特征提取原理和特点,首次提出AE信号的小波再分配尺度谱分析法.将小波尺度谱和再分配尺度谱同时用于AE信号的特征提取,再分配尺度谱能提高尺度图的聚集性,减少干扰项,更准确地表征AE信号中的特征信息.通过理论研究和仿真,确定了小波再分配尺度谱基函数及其参数的选择,克服了小波再分配尺度谱的时、频分辨率不能同时达到最好的缺陷.将小波再分配尺度谱用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分直观、清晰、准确.仿真分析和试验研究均表明了小波再分配尺度谱能有效应用于基于声发射技术的状态监测和故障诊断.     

基于SVD-高斯小波的振动信号非平稳特征提取方法

分析了高斯小波及其滤波特性,结合小波变换技术和奇异值分解技术,提出了基于奇异值分解和高斯小波的滤波消噪方法,解决了传统小波去噪方法的不足。该方法可以很好的降低噪声信号,有效提取信号中周期成分,具有较好的瞬态信息提取能力,并通过齿轮箱振动信号降噪实验说明该方法在故障特征提取中的重要性,以及本降噪方法的有效性。     

一种改进的基于小波变换的包络提取算法研究

结合“模极大值小波域去噪”原理，提出了一种基于小波变换和希尔伯特变换的包络提取算法。首先用小波变换作为包络分析的前置处理手段，再利用希尔伯特变换对处理后的信号进行包络提取。针对希尔伯特变换解包络的不足，采用模极大值小波域去噪算法对包络信号进行消噪，从而解决了一般算法难以解决的由于随机噪声的干扰造成的提取的包络轮廓信息粗糙的难题。实验结果表明，该方法可以精确提取信号的包络并通过包络细化谱分析全面获得信号所隐古的故障特征。     

基于CSLBP的轴承信号时频特征提取方法

针对滚动球轴承振动加速度信号特征提取问题,提出一种基于中心对称局部二值模式(center-symmetric local binary pattern,简称CSLBP)的时频特征提取方法。首先,利用广义S变换对滚动球轴承振动加速度信号进行处理,通过采用时频聚集性度量准则自适应地确定广义S变换的调整参数,从而获取时频分辨性较好的二维时频图;然后,计算二维时频图的CSLBP,提取CSLBP纹理谱描述滚动球轴承振动加速度信号的时频特征。对滚动球轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态的振动加速度信号进行了研究。结果表明,CSLBP纹理谱能有效地表达滚动球轴承振动加速度信号的时频特征,与局部二值模式(local binary pattern,简称LBP)和统一模式LBP纹理谱相比,CSLBP纹理谱具有特征维数低和区分性能好的优点。     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

基于离散余弦变换的IMF特征频率提取

针对经验模态分解(EMD)处理后,固有模态函数(IMF)分量通常会受到其他频率的干扰,导致物理意义不明确,提出应用离散余弦变换提取IMF中轴承故障特征信息的方法。该方法利用离散余弦变换对能量的集中性质,通过对离散余弦变换系数进行硬阈值处理重构信号,能够在时域有效凸显IMF的主要规律,在频域准确提取IMF的故障频率。