基于小波和支持向量数据描述的故障智能诊断

提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类.通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度.     

金属罐形容器罐底声发射信号的检测研究

基于小波包分析和神经网络的声发射信号缺陷检测方法,提出采用区间小波包分解与能量距相结合作为声发射信号的特征向量,取代了传统的“小波包-能量“特征提取方法,并以金属罐形容器罐底缺陷诊断为例验证了该方法的有效性.结果表明,基于区间小波包能量距的神经网络特征提取方法更好地利用了缺陷信号的主要频带和小波包分析的时频信息,与传统方法相比,能大大简化检测系统的复杂度,提高容器的检测识别率.     

基于小波和支持向量数据描述的故障智能诊断

本文中提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类。通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度。     

电厂锅炉燃烧工况特征研究

分析了电厂燃烧锅炉工况诊断技术,提出了基于小波包频带能量分析方法的小波包分解能量特征提取方法.利用小波包分解技术,对稳定与非平稳的电厂锅炉燃烧压力波信号进行能量特征提取,为工况识别提供了有用信息.     

基于频带能量分析的发动机转子早期故障识别

从检测信号中提取出发动机转子早期故障特征并进行快速识别是故障诊断的一个难点。将小波包分析与能量监测相结合,提出了根据频带能量对早期故障进行特征提取和识别方法。对频带能量分析原理,早期故障特征提取与识别方法进行了分析和研究,并将其应用于飞机发动机转子的早期故障识别。结果表明,频带能量分析方法能够有效地提取发动机转子早期故障特征并进行快速识别,特别是对于非平稳微弱早期故障信号,更具有明显优势。     

基于小波包能量及高阶谱的特征提取方法

针对广泛存在的油气管道周边安全问题,研究了管道周围地面活动目标产生的震动信号的特性,提出了一种基于小波包能量谱和信号高阶谱分析相结合的特征提取方法来区分不同的活动目标.根据目标产生的地面震动信号是非平稳的特点,采用基于小波包分解能量的方法对信号的各频带进行分解,得到信号在不同频带内的能量分布特性.仅根据能量谱并不能完全区分不同类型信号,通过对信号高阶统计特性的分析,提取出高阶谱特征频率,结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别.通过对实验数据进行分析,单独采用小波包能量特征其平均识别率为88.5%,而采用本文提出的方法平均识别率可以提高到94.6%,验证了文中提出方法的有效性.     

小波包变换在往复泵活塞状态监测中的应用

根据小波变换能同时在时间域和频率域进行局部化信号分析的特点,采用小波包分解、小波包重构及小波包分频带能量监测方法对往复泵活塞状态进行识别,取得了良好的效果。这种方法具有特征参量少、故障特征突出等优点。可以预见,信号的小波包分析将发展为一种可用于往复泵工况监测与故障诊断的特征提取方法     

小波频率特性的频带边界问题

分析了Daubechies小波系列的频率特性,指出了在绝大多数频带边界频率处都存在着边界问题。在边界频率左、右两侧,频带能量有巨变现象,并且能量的跳变方向相反。边界问题严重影响着信号特征提取的准确性。为此,提出了相邻频带比较法,给出了边界频率的判断准则。运用该方法可以准确识别边界频率。     

多小波包频带能量的煤岩界面识别方法

针对通过对伽马射线进行监测煤岩识别易受煤中夹杂物干扰和地质条件的限制的缺点,提出利用滚筒截割力响应来进行煤岩识别,但滚筒截割力响应受到煤炭破裂形式及其工作环境的影响而表现出多种形态,基于单一小波基的小波包分析难于处理这样的多态问题.引入了具有多个小波基函数的多小波来匹配煤岩响应特征信号,采用多小波频带能量提取煤岩特征建立特征库,通过相似物理模拟试验,表明多小波频带能量在煤岩特征提取总体上要优于传统的小波包分析,最后利用支持向量机实现煤岩特征的识别.     

基于小波奇异值分析的管道泄漏特征提取研究

分布式光纤泄漏检测技术在油气管道泄漏监测领域有广泛的应用前景。本文通过分布式光纤测温系统获取输油管道实时的温度信号,利用小波奇异值分析对信号进行特征提取,判断管道的泄漏程度及位置。实验结果表明:小波奇异值分析不仅对严重泄漏时的温度信号可突出特征,而且对于轻微泄漏情况下或干扰作用下特征信息微弱的温度信号,具有很好的降噪、特征提取的作用。     

小波包分析在乏燃料剪切机故障诊断中的应用

针对乏燃料剪切机剪切声音信号特征提取的难题,利用小波包分析方法,对不同磨损状况刀具的剪切声音信号进行小波包变换,提取变换信号的各频段归一化能量特征向量,根据声音信号的能量特征向量可辨识不同状况的乏燃料剪切机剪切声音,从而实现乏燃料剪切机故障诊断.实验表明,该特征向量能有效识别刀具的正常磨损、一级磨损、二级磨损三种状况,有效解决了基于隐马尔可夫模型的故障模式识别中特征提取的问题.     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于小波包算法的电力系统故障信号处理

提出应用小波包算法来提取电力系统暂态故障信号的基频分量。正交小波包分析能够将信号的频带分割得更精细，对频带进行多层次划分。本文提出电力系统故障信号的小波包分析方法，就是对电力系统故障信号进行细分，以便更精确地提取基频信号。并且将小波包算法与传统的傅立叶算法进行了比较。如果将小波包算法应用于数字保护，则对于提高电力系统的数字保护的准确性很有帮助。     

基于AAR模型和累积频带能量的特征提取方法

提出了一种自适应自回归（AAR）模型参数和累积频带能量相结合的特征提取方法,该特征应用于基于运动想象脑．机接口（BCI）之中,实现左右手运动想象分类,改善BCI系统的性能．首先,对头皮EEG数据进行小波分解和重构,去除EEG中的噪声,得到不同频带的EEG数据．然后,提取EEG数据的AAR模型参数特征和不同频带的频带能量特征,提出了累积频带能量特征和AAR与累积频带能量相结合的特征提取方法,分别以AAR模型参数、频带能量、累积频带能量和AAR＋累积频带能量为特征,利用线性判别分析（LDA）分类器对左右手运动想象任务进行特征分类．最后,对不同特征的分类结果进行比较,得出以AAR＋累积频带能量作为特征在BCI系统中的优越性能．     

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.     

基于高斯小波滤波器的语音识别特征提取方法

把小波理论应用于抗噪语音识别特征提取,提出了基于高斯小波滤波器的语音识别特征提取方法,通过对人耳听觉特性的研究,按照人耳临界带宽设计了一组高斯小波带通滤波器。详细讨论了高斯小波滤波器的尺度参数选择方法。使用RBF识别网络,仿真实现了使用新特征与原特征的识别结果,证明了新特征具有较高的识别率和优良的抗噪性能。     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

双模噪声背景下多阈值小波包在信号消噪中的应用

针对一类非高斯噪声——双模噪声信号进行消噪时,传统小波变换和小波包变换在选取恰当阈值准则及阈值量化时存在困难,通过详细分析双模噪声信号结构及频率分布特征,在将小波包分解频带按照频率顺序排列且通过比较最底层子空间节点能量大小的基础上,提出一种将频带进行多分段的多阈值小波包消噪方法.实验结果表明:在双模噪声且信噪比相同情况下,该方法比传统的多尺度小波软阈值、小波包自适应阈值消噪效果都优越,是一种非常有效的信号消噪方法.