基于小波多分辨率系数模值的并发故障检测方法

提出了利用小波分析技术进行信号奇异性检测的多重并发故障检测方法。利用小波多尺度分解技术,将信号进行多尺度的小波分解,得到不同尺度下的信号高频分量的小波系数模值,并根据奇变信号和噪声信号小波系数模值的差异,采用软阈值去噪法,对其高频分量小波系数进行去噪处理,获取不同尺度上突变信号的小波系数模值,实现对故障的检测,并可根据不同尺度上小波系数模值的对应关系,实现对多重并发故障的区分。对电网信号分析的仿真结果证实了该方法的正确性和可行性。     

基于小波包和量子神经网络的逆变器故障诊断

针对三电平逆变器电路拓扑结构复杂,电路具有较强的非线性特征问题,提出一种基于小波包分析和量子神经网络的三电平逆变器开路故障诊断方法。采用三电平逆变器上、中、下桥臂电压作为测量信号,通过小波包方法对桥臂输出电压信号进行分析,获取故障信号小波节点系数;计算各节点小波能量谱特征并进行归一化处理,得到IGBT不同故障状态下的故障特征;利用故障特征训练量子神经网络,并对其进行测试以确定故障类别;通过实验平台验证了算法可行性。实验结果表明:提出的方法适用于三电平逆变器故障诊断,具有工程参考价值。     

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究

基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点，提出采用三层BP小波神经网络构造故障诊断模型，对油泵进行故障监测和诊断。该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理，对油泵多种常见故障取得了满意的诊断效果，不仅具有特征自动提取以及较强的自学习和自适应功能，而且操作维护简便。研究结果表明：信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径；对油库安全维护与故障诊断具有重要意义。     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法。通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中。由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析。实验结果表明用小波包理论进行故障检测是可行的。     

基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题，课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method，WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解，将振动信号分解到独立的频段，提取不同频段的能量谱，并构建反映频谱状态改变的能量谱特征向量；再对得到的能量谱特征向量进行核偏最小二乘分析，建立故障检测模型，利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障，证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点，为解决故障检测中的非线性数据处理问题提供了一种新方法。     

形态小波变换在轴承故障信号处理中的应用

基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解，选取合适的信号分解算子既能够抑制噪声，又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算，与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明：形态小波变换能够准确有效地提取轴承故障的特征频率成分，适用于轴承故障的在线诊断。     

基于互相关—峭度和小波软阈值的EEMD降噪方法研究

针对目前EMD分解后IMF分量优选方法的不足,提出了一种基于互相关—峭度和小波软阈值的EEMD降噪方法。该方法利用EEMD对信号进行分解得到IMF分量,计算IMF分量的峭度值、标准差及其与原信号的互相关系数。根据互相关系数、标准差和峭度值,设置优选条件,将选定的IMF分量进行重构。与互相关系数、峭度准则单独作为优选条件的重构结果进行对比,结果表明这种新型优选方法的效果更好,利用基于互相关—峭度和小波软阈值的EEMD降噪方法对滚动轴承微弱故障信号进行处理,能够更精确地提取到轴承故障特征。     

旋转设备在线健康监控指数研究

利用小波包分解方法对在线监控中收集到的齿轮箱振动信号进行频域划分,并在其划分后的频段上有选择地进行了信号重构。在其基础上提出齿轮在线健康监控指数,可以用来反映齿轮箱整个寿命期间的健康状态。同时,为了实现对齿轮早期故障的预警,提出了一个用来在线检测的动态阈值。通过3套不同的齿轮箱全寿命振动信号数据进行了健康指数和早期预警的验证。实验结果证明,该健康监控指数及其动态阈值可以准确地检测出齿轮早期故障发生的时刻。     

基于分数小波变换的空域相关特性的信号降噪新方法

简要介绍了分数小波变换的基本思想及在信号处理方面的特点。利用分数小波变换系数在不同尺度上对应点处的相关性对其进行选择和处理,这样处理后的分数小波变换系数基本上对应着信号的边缘,然后对信号系数进行重构,达到了降噪的目的。以数值仿真和实测齿轮箱振动信号为例,研究了该方法的降噪效果,同时和小波包直接降噪进行了比较。结果表明,该方法能够有效降低振动信号中的背景噪声。     

应用小波变换提取输油管道泄漏突变信号

为减少输油管道泄漏事故造成的损失，需及时发现泄漏并判断出泄漏 的准确位置。依据负压波检测输油管道泄漏的基本原理，分析了压力信号的突变点以及噪声在小波变换下的不同特性，认识到突变信号的小波变换模极大值具有随尺度的增加而增加，而噪声的小波变换模极大值随尺度的增加而减小的特点，因此可以应用小波变换精确地检测到负压波到达输油管道两端传感器的时间差，结合负压波传播速度就可以算出泄漏点位置。针对具体数据给出了计算算例。应用结果表 明：小波变换法能准确的提取瞬态负压波的突变值，实现对输油管道的泄漏检测与定位。     

子波变换在超宽带雷达中的应用

介绍了连续子波变换的定义和性质：基于子波变换在时域和频域的良好局部化性质;研究其在宽带信号的相关处理和超宽带雷达目标特征提取两个方面的应用,理论分析和试验结果表明,在超宽带雷达信号处理中,宽带相关处理相当于时间尺度域的匹配滤波,采用连续子波变换从频域采样数据中提取目标散射中心是一种较为鲁棒的方法。     

用余弦调制PR－FIR方法构造M带正交小波基

离散小波变换将离散时间信号分解为一系列不同分辨率下的离散近似信号和离散细节，紧支的正交规范小波与完全重构正交镜像滤波器（ＰＲ－ＱＭＦ）相对应。在紧支正交小波基的构造条件下，利用余弦调制完全重构滤波器组的方法，实现了Ｍ带紧支正交小波基的构造，计算机模拟表明该方法非常简单、有效。     

小波变换思想及其在信号处理中的应用

从傅里叶变换、短时傅里叶变换到小波变换的思想发展过程中分析了小波变换发展的必然性和重要性,并通过MATLAB仿真工具比较了三种变换在信号处理中的应用。实验结果表明,小波变换无论是对信号的时间定位还是对信号的频率定位都优于傅里叶变换和短时傅里叶变换。     

基于小波分析的故障诊断

对信号进行特征提取，是故障诊断的关键。突变信号往往对应着某类故障，如果能对突变信号进行有效识别，就能达到故障诊断的目的。对如何从混有噪声的振动信号中有效识别出突变信号，本文进行了一系列方法研究。     

DSSS系统中自适应时变小波包干扰抑制

提出了一种基于自适应时变小波包变换实现直接序列扩频通信系统时变窄带干扰抑制的方法。该方法在自适应时域分解的基础上,利用小波包变换多分辨分析能力和良好的时频特性进行频率分解,将有用信号和干扰分离,然后将受扰频带置零后进行小波包合成,达到滤除时变窄带干扰的目的。计算机仿真结果表明,该方法与非时变自适应小波包抑制技术相比较,以计算复杂度为代价,能更灵活有效地跟踪和定位时变干扰,提供较好的误码率性能。     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件，设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对，利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理，振动信号包含滚动轴承故障信息。因此，运用小波变换函数，对振动信号进行时频域分析处理，获取有用的故障特征信息，进而确定故障类型。从实验结果可以看出，该方法能准确地找到故障频率，对于机车滚动轴承故障诊断有很好的指导意义