基于小波包分析的结构实时损伤报警数值研究

研究了基于小波包分析的结构实时损伤报警技术．利用小波分析优良的时一频局部化特性对结构振动信号进行精细分析，从而能实时地实现结构损伤报警．以简支梁裂缝为例，将环境振动信号采用小波包分解后得到小波包能量谱，采用基于Monte-Carlo方法计算得到的能量谱极值指数和变异指数2个指标作为筒支梁裂缝损伤报警的判据．该技术不需要对整体结构进行计算分析，只需要环境振动信号．计算机数值模拟表明该技术能较为敏感地发现简支梁的微小损伤，从而证实了该技术的可行性．     

离散小波包分析在非平稳信号处理中的应用

用离散小波包将振动信号分解到不同的频带，然后对感兴趣的频带补零重构提高缺陷信号的时频分辨率．对306滚动轴承的保持架缺陷作出了实际诊断，诊断结果与理论较为符合，证明离散小波包是一种有效的弱信号提取与诊断方法．     

转子叶片裂纹扩展故障诊断实验研究

设计了旋转机械振动监测实验台，通过实验采集了不同裂纹宽度的转子叶片裂纹振动信号，应用小波包分析技术对采集到的振动信号从低频到高频作4尺度小波分解，通过信号的小波包分析谱、信号的小波包分解频段细化图、信号频段小波重构波形对叶片裂纹扩展进行识别、分析，结果表明：叶片裂纹存在高频冲击，并且表现为轻微的颤动、裂纹扩展、振动加剧，当裂纹宽度为叶片宽度的一半时，裂纹迅速扩张，叶片很快断裂．这就为转子叶片裂纹故障的监测与诊断提供了依据．     

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.     

小波包分析在变速箱故障自动诊断中的应用

小波包分析技术能有效地在宽频带范围内提取振动信号的有用成分，便于实现拖拉机变速箱故障的自动诊断．分析了小波包分析原理和BP人工神经网络拓扑结构，研究了小波神经网络在变速箱故障自动诊断应用中的几个关键问题，提出了相应的解决方法．运用小波包分解与重构技术将振动信号分解到不同的频段内，并将其能量归一化，实现故障特征信息的自动提取，然后在此基础上建立以小波人工神经网络为框架的拖拉机变速箱故障自动诊断系统，并对“东风8l—A型”手扶拖拉机变速箱的故障信号进行特征提取，取得了较好的效果．     

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.     

振动攻丝扭矩信号处理中应用小波包消噪

简述小波包分析的基本理论及其主要算法．讨论用该理论进行信号消噪的基本原理,并应用于振动攻丝扭矩的信号处理．通过对所采样的扭矩信号进行小波包分解,获得信号精细的低频和高频两个部分．利用阈值量化处理的方法去除噪声,再将剩余部分进行重构,从而达到消噪声的目的．实验结果表明,该方法能够有效地消除采样信号中的噪声,进而提高扭矩值的计算精度．     

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。     

基于小波包分析的内燃机振动诊断方法研究

针对内燃机缸盖振动信号的非平稳时变特点,通过给出小波包变换的一种改进算法,提出从振动信号的小波包分解系数中实现整循环征兆提取和故障识别的方法,实验结果表明了该方法的工程有效性。     

隧道掏槽爆破振动信号两种分析方法

通过设计两次起爆的起爆网路,控制掏槽眼引起的振动速度,有效地减少了振动对周边构建物的影响。对掏槽爆破时振动信号进行了FFT分析、小波包分析,结果发现:单向爆破振动速度控制在2.1 cm/s以内,振动频率集中于50~100 Hz。傅里叶分析法(FFT法)与小波包分析法在处理振动信号主频的结果相差不大,速度的FFT图谱与爆破振动信号能量-频谱图相似。可用FFT法快速粗略地计算振动信号的主频与估计能量分配比例。但FFT法计算精度没有小波包分析法高,在精度要求高的情况下仍需使用小波包分析法进行信号分析。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于Bayes判别法的内燃机气门间隙故障诊断

以内燃机气门振动信号经过经验模态分解（EMD）方法得到的固有模态函数的关联维数作为判别因子,建立内燃机气门故障诊断Bayes判别分析模型.以内燃机气门故障诊断Bayes判别分析模型计算判别样品的Bayes判别函数值,以最大对应的总体作为样品所归属的总体.对判别准则进行了评价,检验该判别模型的优良性.研究表明：Bayes判别分析模型回判估计误判率很低,为内燃机气门间隙故障诊断识别提供了一种有效的定量化分析方法.     

内燃机缸盖振动信号的特性与诊断应用研究

研究了内燃机缸盖振动信号的时域、频域和循环波动特性,揭示了它的非平稳时变特点,提出抽区间采样分析与参数平均相结合的振动诊断方法,并给出在气门间隙异常和气门漏气故障诊断中的应用实例     

Fault diagnosis of diesel engine valve clearance under variable operating condition based on soft interval SVM

The fault detection and diagnosis of diesel engine valve clearance can effectively improve the availability and safety of diesel engine and have extremely important value and significance.Diesel engines generally operate in various stable operating conditions,which have important influence on the fault diagnosis.However,many fault diagnosis methods have been put forward under specific stable operating condition based on vibration signal.As the result of great impact caused by operating conditions,corresponding diagnosis models cannot deal with the fault diagnosis under different operating conditions with required accuracy.In this paper,a fault diagnosis of diesel engine valve clearance under variable operating condition based on soft interval support vector machine(SVM) is proposed.Firstly,the fault features with weak condition sensitivity have been extracted according to the influence analysis of fault on vibration signal.Moreover,soft interval constraint has been applied to SVM algorithm to reduce the random influence of vibration signal on fault features.In addition,different machine learning algorithms based on different feature sets are adopted to conduct the fault diagnosis under different operating conditions for comparison.Experimental results show that the proposed method is applicable for fault diagnosis under variable operating condition with good accuracy.     

基于自组织映射网络的齿轮故障分类识别

分析了自组织映射网络算法，在U-矩阵方法基础上提出了一种改进的可视化训练结果方法，并应用于齿轮故障的模式识别，研究表明，自组织映射网络能对齿轮状态进行正确分类，有效识别故障模式，改进的可视化方法能更加清楚地显示网络训练结果，两者结合可以扩展应用于机械设备的状态监测和故障识别。     

基于小波理论的复杂机械振动信号降噪分析

基于小波理论,针对典型旋转往复式机械--汽车发动机振动信号进行了降噪分析研究,提出了适合这类振动信号降噪的分析方法,并通过对实验数据的分析验证了该方法的正确性和有效性. 该研究为对汽车发动机振动信号进行降噪处理,进而对其实施故障诊断提供了可靠的保障.     

内燃机失火故障的神经网络诊断研究

提出了一种利用排气中HC、CO2、O2浓度和内燃机工况参数信息的内燃机失火故障诊断方法,并提出了描述内燃机失火程度的模糊评价指标,进行了内燃机有失火故障和无故障排气成分检测对比实验。利用实验数据和内燃机工况参数,通过Elman神经网络建立了失火程度评价指标与排气中HC、CO2、O2浓度以及内燃机工况参数之间关系的诊断模型,应用MATLAB软件对该模型进行学习训练,将训练好的神经网络模型应用于内燃机失火故障的诊断。结果表明,此模型能够正确诊断内燃机失火故障。     

改进变分模态分解在发动机气门间隙异常故障诊断中的应用

基于振动监测信号的故障诊断技术,对于船舶、油气田、核电等关键领域中大型高速柴油机的健康管理和智能运维具有重要意义。针对柴油发动机气门间隙异常故障,提出了基于振动数据驱动的故障诊断方法。首先,提出模态数量和惩罚因子均为自动优选的改进变分模态分解（VMD）方法,克服了传统VMD方法中上述参数需凭经验预设的缺点;进一步,对VMD分量进行多域特征提取,利用核密度估计方法进行特征敏感性的排序和选择;最后,构建全连接网络分类模型,将优选后的故障敏感特征通过分类模型进行故障识别。利用故障模拟实验台验证了不同工况下的气门间隙异常数据,结果表明本文所提的基于改进变分模态分解的气门间隙异常诊断方法故障识别率超过86%,具有良好的应用效果。     

内燃机表面振动信号的性质

研究内燃机表面振动信号,阐明内燃机振动信号是十分复杂的非平稳随机信号;揭示了内燃机振动信号中分形及多重分形行为;提出通过奇怪吸引子的嵌入维估计能完整描述振运输 最少独立变量数目,并指出内燃机振动是一个高维非线性动力学问题,这是利用内燃机表面振动信号实现内燃机故障诊断的重要理论基础。     

电控柴油机故障诊断系统研究

应用Ｗｉｎｄｏｗｓ下可视化的软件开发工具Ｂｏｒｌａｎｄ Ｃ＾＋＋ Ｂｕｉｌｅｒ和ＢＰ网络设计电控柴油机故障诊断系统。采用多线程技术将监控模块与故障诊断模块溶为一体,实现对电控柴油机的故障诊断,系统性能台架实验结果表明,该方法能够对柴油机的常见故障进行诊断,工作可靠,在电控柴油机系统中运用神经网络进行故障诊断是可行的。