小波包分解Welch平均法在焊接电弧声功率谱估计中的应用

对试验系统采集到的焊接电弧声进行了小波包多层分解 ,并利用周期图法、Welch平均法及AR模型法 ,对各频段信号进行功率谱估计 .根据不同谱估计方法的对比结果 ,提出小波包分解结合Welch平均法对焊接电弧声进行功率谱估计的新方法 .通过对几种规范与飞溅率下的电弧声功率谱的初步分析 ,发现其功率谱分布具有一定的规律性 ,并且不同频段谱峰值及其对应频率与焊接飞溅具有相关性     

基于LabVIEW的小波分析在船舶柴油机故障诊断中的应用

测取船舶柴油机缸体振动信号。利用LabVIEW并结合小波分析对信号进行处理,提取故障特征。诊断结果与实际情况相符,说明了该方法的可行性及有效性。     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声,在进行故障特征提取之前必须加以消除.首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比,然后将奇异值分解技术用于信号降噪,最后提出了一种将小波包和奇异值分解相结合的降噪方法.该方法将输入信号进行一次小波包分解,利用奇异值分解方法对分解后的幅值量化系数进行降噪.实例表明,小波包和奇异值分解相结合的方法降噪效果最好.与其他方法相比,用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高,且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号,大大提高了特征提取的准确率.     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声，在进行故障特征提取之前必须加以消除。首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比，然后将奇异值分解技术用于信号降噪。最后提出了一种将小波包和奇异值分解相结合的降噪方法。该方法将输入信号进行一次小波包分解，利用奇异值分解方法对分解后的幅值量化系数进行降噪。实例表明，小波包和奇异值分解相结合的方法降噪效果最好。与其他方法相比，用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高，且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号，大大提高了特征提取的准确率。     

柴油机故障诊断中振动信号测点位置的研究

在295柴油机上进行设定的进排气系统故障实验,获取各工况下三个不同测点位置的缸盖振动信号,然后利用改进的基于神经网络和小波分析的故障诊断方法进行分析.实验和仿真结果表明,不同测点获取的振动信号蕴含故障特征是不同的.从缸盖上方采集的振动信号更能表征各种故障特征,其故障准确识别率达到95.4%,较其他两个测点有大幅度提高.为基于振动信号的柴油机故障诊断提供了最佳的测点位置,以提高故障的诊断准确性.对其他复杂机械的振动诊断同样具有参考价值.     

基于db10小波的电机轴承故障信号分析

滚动轴承故障诊断的关键是对振动信号进行分析和处理,并提取滚动轴承的故障特征。由于大多数滚动轴承故障振动信号是非平稳信号,因此需要选择适合于非平稳信号分析和处理的方法。小波变换具有多分辨率分析的特点,并且在时域、频域都具有表征信号局部特征的能力,本文采用具有良好特征提取能力的db10小波进行分析。通过对实验数据的分析,验证了所提方法的有效性。     

齿轮局部故障振动信号分析及提取方法研究

以齿轮局部故障为研究对象,建立了齿轮故障的振动模型,导出了齿轮局部故障的振动机理,分析了齿轮无故障振动信号和齿轮局部故障振动信号成分的异同点。在MATLAB环境下,采用小波变换算法对故障信号进行降噪处理,用希尔伯特变换对故障振动信号进行解调处理。结果表明,小波变换对强噪声干扰的机械振动信号能够进行有效的降噪处理,希尔伯特变换能从降噪后的故障振动信号中提取齿轮局部故障的特征信息。该结果在机械故障诊断中具有良好的实用价值。     

基于小波包分解的整循环征兆提取与故障识别

为了检测内燃机气阀漏气的气密性故障,利用小波包分解改进算法,通过对柴油机完整工作循环内的缸盖振动信号进行小波包分解,从小波包分解系数中提取柴油机振动诊断的整循环征兆.由整循环特征向量图表明,正常状态时柴油机气缸盖振动信号中低频部分能量相对较大,高频部分能量相对较小;漏气状况时振动信号中的低频部分能量减小,而高频部分能量增加,由此实现了故障的识别.这说明基于小波包分解的整循环征兆提取与故障识别方法有效、可行.     

用连续小波灰度图诊断齿轮故障

为了识别齿轮振动信号中的冲击性故障,利用连续小波变换对正常和故障齿轮的振动信号进行分析,将不同尺度下连续小波分解系数的绝对值用灰度图的方式表示出来,并利用特征矢量法估计信号功率谱进行验证,准确识别出了齿轮轴的不对中故障。分析结果表明,小波分析对信号具有多尺度分析能力,对振动信号中的冲击成分有很强的识别能力;连续小波变换灰度图不仅能直观反应齿轮的正常与故障状况,而且不会丢失冲击信号的时间信息,有利于寻找故障源,实现对齿轮故障的准确诊断。     

涡街流量计信号处理方法研究与系统设计

将小波变换用于涡街流量计,介绍了基于离散小波变换和连续小波变换功率谱估计的信号处理方法,给出了仿真步骤与结果,并讨论其特点,从而设计了基于DSP的信号处理系统。研究中所用方法适用于其它流量计,基于DSP的信号处理系统具有功能强、速度快及可靠性高等优点。     

风机振动信号的小波阈值降噪处理

针对现场采集到的风机振动信号中存在大量噪声问题,采用不同的小波和阈值组合对仿真信号进行降噪处理,得出db8小波和heursure阈值选取方法可以得到最优的降噪性能.并将该方法应用于风机实际振动信号的降噪处理.结果表明,采用db8小波和heursure阈值选取方法的降噪组合,不仅能够有效降低信号中的噪声成分,还很大限度的保持了原信号的故障特征.     

基于小波神经网络的逆变器功率开关故障诊断

针对逆变器经常出现的功率开关器件开路故障问题,提出了一种基于小波分析和神经网络的逆变电路功率器件开路故障检测和诊断方法。利用小波递归方法对逆变器输出电流信号进行分析处理,实现了逆变器故障检测。通过小波多尺度分析,获得了信号各层细节系数及其能量,对能量进行归一化处理,得到不同故障状态的故障特征,将其作为BP神经网络输入,通过观察网络输出实现了功率器件开路故障分离。仿真结果表明,该方法可以实现功率开关器件故障检测与分离。     

改进双树复小波变换和高阶累积量的齿轮箱信号降噪方法

采用传统阈值降噪方法对小波系数分别进行软、硬阈值处理时在强背景噪声下提取的齿轮箱故障振动信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真。利用双树复小波变换的平移不变性,提出了双树复小波变换和高阶累积量的齿轮箱振动信号降噪方法。对分解和单支重构后的各双树复小波系数采用了四阶累积量的处理方法,根据信号和噪声的统计特性进行信噪分离。由于小波分解层数会直接影响信号的去噪效果,因此,采用粒子群算法优化小波的分解层数。仿真和实验信号处理结果表明:该方法与双树复小波变换的软、硬阈值处理方法相比,在不同信号和噪声水平下更能有效地抑制噪声干扰,提高信噪比,并且能够满足实验中对采集到的振动信号进行特征提取的需求。     

基于变分模态分解的故障弱信息提取方法

针对从非线性非平稳动态信号中提取故障敏感特征困难的问题,提出一种变分模态分解(VMD)与小波分析方法相结合的振动信号预处理方法.首先对信号进行VMD,然后采用改进小波方法处理各分量,最后对处理后的各分量进行重构.利用VMD-改进小波信号处理模型对第三级行星轮磨损振动信号处理分析,结果表明:VMD-改进小波方法能有效降低噪声干扰,凸显各特征频率.将提出的方法、VMD,EEMD,EMD分别与改进阈值小波、模平方阈值小波、硬阈值小波及软阈值小波的方法相结合,计算其峭度、信噪比和均方根误差,结果表明本方法的准确性更高.     

基于振动分析的柴油机故障程度的研究

利用神经网络诊断模型来识别故障发展的不同程度,并以柴油机连杆铜套磨损故障为例进行分析.首先在295柴油机上进行了设定及待定工况实验,获取各工况下的缸盖振动信号;然后利用基于神经网络和小波分析的故障诊断方法进行故障程度识别;最后利用训练后的模型对待定工况进行故障程度的判定.实验和仿真结果表明:对于各设定工况,诊断模型可以定量地识别出来,准确率达到100 %;对于待定工况,诊断模型也可以给出定量的故障程度描述.从而使操作者能及时了解故障的发展情况,并根据网络模型的定量输出结果对故障部件进行相应的维修或更换处理.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

面向随机振动功率谱估计的小波变换去噪算法理论分析*

 针对随机振动功率谱通常存突变或间断现象,在小波去噪处理中,软阈值法使得估计信号在间断处较模糊, 且整体误差大,而硬阈值法在信号的间断点附近会产生伪Gibbs现象。通过对随机振动谱的统计模型进行分析,建立了对数域振动谱噪声的统计模型,并理论推导出根据噪声小波变换系数而设置的滤波阈值与小波变换尺度之间的非线性关系,为小波变换自适应阈值去噪提供依据,在此基础上提出了基于小波变换的振动谱估计自适应去噪通用算法,通过仿真对比实验,结果表明理论分析的有效性。     

基于小波熵的矿用齿轮箱振动信号相关去噪法

 利用真实信号小波系数相邻层间相关性强的特性,将基于小波熵的相关去噪法应用于矿用齿轮箱振动信号的处理,进行有用系数和噪声系数的划分,并对有用的小波系数进行重构,恢复原有真实信号,去噪过程中采用小波熵自适应设定阈值。为比较小波自适应相关去噪和硬阈值与传统相关性去噪的性能,分别对仿真信号和齿轮箱实测振动信号进行去噪处理,通过3种去噪方法的重构波形对比和信噪比与标准差的定量评价,以及实测信号的功率谱分析,表明小波熵相关去噪法有效提高了矿用齿轮箱振动信号的可信度。