基于改进小波去噪预处理和EEMD的采煤机齿轮箱故障诊断

针对采煤现场强噪声背景下采煤机齿轮箱振动信号集合经验模态分解(EEMD)故障特征不明显和分解效率较低的问题,提出基于改进小波去噪预处理和EEMD的故障诊断方法。采用小波改进阈值函数法对振动信号进行去噪预处理,与传统小波阈值函数法相比能够有效地提高信号的信噪比。对去噪后的信号进行EEMD分解得到若干个本征模态分量(IMF),计算各IMF分量的相关度并剔除虚假分量。将该方法应用于采煤机齿轮箱行星轮的故障诊断,通过对真实的IMF分量进行频谱分析并提取信号的故障特征频率,与未去噪的信号进行对比。研究结果表明:该方法能够突出故障特征频率,使分解效率提高17.35%,并能进一步减小模态混叠现象。     

基于小波阈值的浮动车数据消噪算法

研究通过小波函数选取等策略来构造一种适合于浮动车原始数据去噪的小波阈值去噪算法.数据去噪是浮动车数据进行交通信息研究的基础性工作,小波分析对于掺杂噪声信号的数据去噪有不可比拟的优势,本文通过构造新的阈值及阈值函数进而以信噪比、均方误差为指导对浮动车数据的去噪结果进行分析来确定小波基函数及小波分解层数,以此研究出针对于浮动车数据的小波阈值去噪的有效算法.通过本文构造的小波阈值算法使得浮动车数据去噪前后与遥感微波检测器（RTMS）数据的相关性提高10%以上,能够有效去除浮动车数据中的噪声.      

小波基和阈值参数对瞬变电磁信号去噪效果影响

为研究小波基及阈值参数选择对瞬变电磁数据去噪效果的影响,分析阈值去噪原理,针对改进的阈值去噪函数,选取Bior 2.4,Sym 6,Db 4和Coif 3常用小波基分别处理受干扰的瞬变电磁数据,结合各测点信噪比和最小均方差,实现并自动筛选出针对各测点最优去噪小波基和最佳阈值参数,结合工程实例分析验证各种处理效果。结果表明不同小波基对瞬变电磁受干扰的数据阈值去噪结果不同,单一小波基降噪并不适用所有测点,但阈值函数中不同参数对去噪效果影响很小;结合地质资料和钻孔资料,对比分析只变化小波基时改进的时阈值函数处理后绘制的视电阻率-深度断面可知,自动筛选最优小波基去噪效果与实际最相符。因此,使用改进的阈值去噪函数对瞬变电磁受干扰的数据去噪时,建议考虑小波基的不同对去噪效果的影响,合理选择针对每个测点适合的小波基以达到最佳去噪效果。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

二代小波变换在地震信号降噪技术中的应用

小波变换是去除地震信号中随机噪声,提高信噪比的有力工具,但实际去噪效果受到小波基函数、分解层数、门限阈值和阈值函数的影响。将二代小波变换与改进的阈值函数相结合,通过对去除相关成分的小波细节系数进行白噪声检测,确定最佳分解层数。通过仿真实验证明,该方法具有较好的去噪效果。     

基于核主元分析的滚动轴承故障混合域特征提取方法

为有效利用时域、频域、时-频域中各类具有显著类别差异信息的非平稳统计特征,提高滚动轴承状态监测和故障诊断的性能和效率,提出一种基于核主元分析的混合域特征提取方法.通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解生成时-频域状态特征,构建出144个表征原始振动信号特征的混合域特征集.采用核主元分析方法对其中能敏感地反映故障特性的特征进行二次非线性特征提取,按累计贡献率大于90％的标准,选取前11个核主元作为主要特征量,将其输入支持向量机分类器进行状态识别.仿真结果表明:混合域特征集比单个特征、单域特征能更全面准确地反映故障特性,核主元分析方法能有效降低输入特征维数,并确保输出特征具有较高的反映轴承运行状态的敏感性和适于模式识别的可分性;与通常使用的基于小波分解的特征提取方法相比,本文方法能更加准确有效地提取不同运行条件下滚动轴承不同类型不同程度的故障特征.     

基于小波去噪核主元分析和邻近支持向量机的性能监控和故障诊断

针对化工过程数据中包含噪声和强非线性的特点,提出了基于小波去噪核主元分析(De-ncdsed Kerntel Principal Component Analysis,DKPCA)和邻近支持向量机(Proximal SupportVector Machine,PSVM)的性能监控和故障诊断新方法.将样本数据用小波方法进行去噪处理,去除数据所包含的噪声,通过KPCA将降噪后的数据进行变换,在特征空间里构建T2和Q统计量来监测是否有故障发生;若发生故障,则计算数据的非线性主元得分向量,并将其作为PSVM的输入值,通过PSVM分类来确定故障的具体类型.流化催化裂化装置(FCCU)仿真试验验证了小波去噪的必要性和利用DKPCA-PSVM进行监控和故障诊断的有效性.     

基于EMD的基音检测预处理技术

针对基音检测的性能严重受背景噪声影响的问题,论文基于经验模态分解(EMD)理论,研究了含噪语音信号的EMD分解特性,参照小波阈值去噪方法,提出了一种基于EMD的自适应语音去噪算法,并且针对软、硬阈值函数的不足提出了一种新的阈值函数.MATLAB仿真结果表明,该方法可以有效地去除噪声,较好地恢复语音信号,与小波阈值去噪方法相比,信噪比、均方根误差等性能指标均有明显提高.     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.