冗余第2代小波构造及机械信号特征提取

针对强噪声背景下机械信号故障特征的提取问题,构造了一种提取该类信号时域特征的冗余第2代小波方法.该方法通过对初始预测算子和更新算子插值补0,来获得不同分解层上的预测算子和更新算子.冗余第2代小波不需要剖分运算,直接利用构造的算子对逼近信号进行对称预测和更新,可使逼近信号和细节信号的数据点数保持不变,并根据每层细节信号的噪声特点选取降噪阈值门限.实验和工程振动信号分析表明,冗余第2代小波的降噪效果优于其他类型的小波方法,较理想地提取出了滚动轴承内圈剥落和汽轮发电机组高压缸蒸汽激振的时域故障特征.     

第2代小波变换及其在机电设备状态监测中的应用

为了解决最佳小波基函数选择的问题，采用第2代小波变换的方法构造小波，从振动信号中提取机电设备故障信息。第2代小波变换与经典小波变换不同，它不依赖Fourier变换，所有的运算在时域上进行，通过设计预测算子和提升算子可以构造具有某种特性的小波。针对机电设备的状态监测和故障诊断，阐述了一种离线设计预测算子和提升算子的方法，通过求解线性方程组确定预测系数和提升系数，并在此基础上构造基于插值细分方法的第2代小波变换算法。在某炼油厂机组的状态监测和故障诊断中，采用该算法有效地提取了轴系不对中的故障信息。     

Haar小波及其机械故障诊断应用

小波变换是一种时频分析方法，在机械信号处理应用中，基小波常根据其时域波形与被检测的信号成分相似或匹配选择，很少考虑小波其他特性，这种方法并不完善．通过Haar小波说明这个问题，推导了Haar小波连续变换在时问和尺度上的周期性，应用于机械信号处理，有效地提取出故障特征频率．该研究结果开拓了基小波选择的思路．     

基于提升小波包的往复压缩机活塞-缸套磨损故障诊断

针对往复压缩机活塞-缸套磨损故障微弱信号特征识别问题,提出一种识别该类信号微弱特征的自适应非抽样提升小波包方法(AULSP)。该方法以分解层信号所有样本的预测差值平方和最小为目标函数,算出与信号特征自适应匹配的初始算子,并构造非抽样算子算出下一层各频带信号。对各层细节信号进行阈值处理并重构,对降噪后的信号再进行小波包分解。各分解频带信号长度与原始信号的长度相同,无须重构即可识别时域故障微弱信号特征。用这种方法成功提取了某往复压缩机活塞与缸壁发生碰磨故障时产生的弱周期性冲击信号。     

基于交叉验证法优化参数的Morlet小波消噪方法

针对机械监测故障信号的非平稳性特点,提出一种基于交叉验证法优化参数的Morlet小波消噪方法。选择与机械冲击振动波形相似的Morlet小波,对Morlet母小波进行改进,增加了波形调整参数。通过交叉验证方法设计了改进Morlet小波的波形参数和变换尺度。对信号进行连续小波变换(CWT),实现对含噪信号的滤波消噪。将该方法应用于齿轮故障检测中,对比2种传统的小波消噪方法,验证该方法能够提取出强噪声背景下的有效信号特征成分,具有较好的滤波消噪效果。     

基于Volterra级数和ULSP的机械隐含故障特征提取

针对提取机械原始振动信号中的隐含故障特征,提出了一种结合Volterra级数及冗余提升小波包(ULSP)的信号处理方法.先用二阶Volterra模型对信号进行延拓、预测,然后用冗余提升小波包对信号进行分解.对仿真信号的处理结果表明:分解得到的信号在边界没有振荡,有利于微弱特征的提取.工程应用中,完整地提取出了往复注水泵活塞与液缸密封碰磨产生的微弱故障特征信号.     

基于提升格式的双正交小波构造

介绍了提升格式的基本原理，采用插值细分方法设计了提升格式的预测算子，根据信号变换前后消失矩保持不变的要求设计更新算子，构造了一组不同消失矩的双正交小波的尺度函数和等消失矩的小波函数。通过设计不同的预测算子和更新算子，可以得到具有不同的正则性、光滑性、消失矩等特性的小波函数，这为根据被处理信号的特征灵活地构造相应的小波函数及提高信号处理的质量和效率提供了一种简单实用的方法。     

基于提升格式的双正交小波构造

介绍了提升格式的基本原理,采用插值细分方法设计了提升格式的预测算子,根据信号变换前后消失矩保持不变的要求设计更新算子,构造了一组不同消失矩的双正交小波的尺度函数和等消失矩的小波函数。通过设计不同的预测算子和更新算子,可以得到具有不同的正则性、光滑性、消失矩等特性的小波函数,这为根据被处理信号的特征灵活地构造相应的小波函数及提高信号处理的质量和效率提供了一种简单实用的方法。     

旋转机械故障特征的定性提取

讨论了应用小波变换和延时嵌陷分析的理论从旋转机械的振动时间序列信号中提取定性故障特征的方法,并用该方法分析了一实验转子系统的常见故障信息,给出了旋转机械几种常见故障特征的小波表达和混沌动力学特征．     

机械噪声故障特征提取的盲分离法与小波提纯法

机械噪声故障特征提取的难点在于观测信号的信噪比较小．将盲分离技术引入噪声故障特征提取，通过声源信号的相互独立性质，使用二阶盲分离算法从观测的混合信号中提取独立声源信号，然后，通过随机噪声与有效信号在多尺度空间中模极大值的不同传播特性，使用小波模极大值法提取有效信号特征．该算法不仅消除了临近机器或部件辐射噪声的干扰，还消除了随机噪声的干扰，有效提取了机械噪声故障特征．电动机噪声特征提取实验验证了上述算法的有效性．     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

谐波小波及其时频剖面图在旋转机械诊断中的应用

分析了谐波小波的定义、特点,以及用谐波小波时频图、等高线图表示谐波波分解结果的方法。分析结果表明,这两种方法虽然可以直观表示信号的时频能量分布以及无噪声信号中的微弱奇异成分,但当信号中存在噪声时,用这些方法将难以检测信号的奇异性,因而它们在工程实际中几乎是没有用的。提出了谐波小波时频剖面图（Ｔｉｍｅ－Ｆｆｒｅｑｕｅｎｃｙ Ｐｒｏｆｉｌｅ Ｐｌｏｔ,即ＴＦＰＰ）方法,利用该方法可以检测含噪声信号的微     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．     

小波分析技术在数据预处理中的应用

在工程实际中,从被测对象上检测到的信号,往往混有不同程度的噪声。利用小波分析可以过滤掉弱信号或无用信号,得到用户真正需要的信息。介绍了小波变换、小波包分解,以及运用小波包分解进行数据预处理的方法,并最终选择应用小波包分解进行消噪和小波多尺度分解,完成数据预处理,提取了故障特征。     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

基于形态学和提升小波的心电信号去噪方法研究

心电信号是一种典型的微弱信号,含有大量噪声,还具有强烈的非线性和非平稳性.针对传统小波计算量大,很难同时将心电信号中高频和低频噪声去除的问题,提出一种结合形态学与提升小波阈值去噪的算法,通过形态学滤波器去除信号的低频噪声,提升小波阈值去噪法去除信号中的高频噪声.经过对MIT-BIH心律失常数据库中的心电信号进行仿真,结果表明,结合形态学算法与提升小波去噪算法的去噪方法,能同时有效去除信号中的低频和高频噪声,提高了心电信号的质量.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。