基于CEEMD和快速谱峭度图的地铁轴箱轴承故障诊断

提出了基于互补集合经验模态分解(CEEMD)结合快速谱峭度图的滚动轴承故障诊断方法(CEEMD-FSK).将轴箱加速度振动信号分解成多个本征模态函数(Intrinsic Mode Function,IMF),通过快速谱峭度图和互相关系数,选取出关键IMF信号进行原信号重构.对重构信号带通滤波后进行改进型的共振解调处理,通过平方包络谱进行轴箱轴承故障诊断.将该方法应用到地铁轴箱轴承的实际故障预测和诊断中,并结合后期轴箱轴承拆装和检测,结果表明了该方法的有效性和准确性.     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

一种小波包去噪自适应阈值算法

小波包变换可以将不同频段的信号分离,信号和噪声经小波包分解后,其小波包系数将表现出不同的特性,通过对小波包系数进行阈值处理 ,可以有效地抑制噪声,很好地重构信号.运用统计信号处理的理论,提出了一种确定小波包分解系数自适应阈值的方法.结果证明,这种方法具有良好的去噪效果.     

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

小波包-神经网络在摆式列车倾摆控制系统故障诊断中的应用

针对摆式列车倾摆控制系统故障的特点，研究了神经网络结合小波包分析进行故障诊断的方法，采用小波包分解和信号重构的方法，将在摆式列车试验台上采集到的振动信号分解到不同的频带以提取有关的故障信息，并将振动信号各频带内的能量特征作为训练样本输入前向神经网络，用优于改进梯度下降法的Levenberg—Marquardt优化方法对网络进行训练，对倾摆控制系统的常见故障进行识别和诊断。实践表明，该方法对摆式列车倾摆系统故障的诊断是可靠的。     

基于自适应EEMD和盲辨识算法的桥梁结构模态参数识别

基于集合经验模态分解(EEMD)在信号的预处理上的不足之处,提出了一种基于自适应EEMD分解的盲源分离算法,即:先根据原始信号自身的特点确定加入白噪声的幅值标准差和集成次数,再进行EEMD分解,对所得IMF分量进行模糊综合评价以选出有效的IMF分量,构造IMF分量矩阵,最后利用盲源分离算法对其进行盲辨识,完成对信号的分解与重构。分别通过模拟信号和桥梁实测振动信号对该算法进行验证。结果表明:所提算法具有可行性,且能运用于实际结构信号的预处理。     

基于小波分析的车轮六分力信号的去噪研究

介绍了利用小波分析去噪的原理,分析了小波变换模极大值法、小波系数尺度相关法和阈值法3种信号处理方法的特点,详述了利用阈值法处理信号时选择小波基、确定分解层、阈值处理和信号重构的方法。利用Matlab的小波分析工具箱对车轮纵向力信号进行去噪分析应用,结果表明:小波分析能很好的区分信号里的突变信号与多余的噪声,通过小波重构得到去噪后的车轮分向力突变的信号。本设计具有一定的应用价值。     

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。     

小波包神经网络在卸船机电机故障模式识别中的应用

针对卸船机中异步电机故障率高的问题,本文采用小波包分解和神经网络技术相结合的方式,将采集到的电机振动信号进行小波包分解,通过分析观测信号在小波包某一分解层次上不同时频分辨空间中的能量分布,进行电机运行状态的特征提取,对提取的特征用RBF神经网络技术进行故障诊断,为卸船机的电机故障诊断提供了一种新的思路和方法。     

小波变换在轴承故障声发射信号降噪中的应用

噪声消除是小波变换最成功的应用之一，其基本思想是将信号的小波变换系数通过阈值处理，然后进行小波重构得到降躁的信号。根据故障轴承声发射信号的脉冲特性选取Morlet小波．以“小波熵最小”原则确定Morlet小波的波形参数，然后进行连续小波变换。采用软阈值方法处理小波东数，通过小波重构得到降噪后的故障声发射信号，噪声得到了很好的抑制，故障脉冲特征明显增强。采用实验数据，通过与离散小波变换的比较，得到了用连续小波变换可以有效降低噪声、提取故障声发射信号特征的结论。     

基于平均阈值的小波包去噪方法研究

通过对小波分解系数进行限阈值处理,可以有效抑制噪声,同时能够很好地重构信号、文中提出了平均阈值的概念,并在此基础上研究了小波包手去噪的效果,仿真结果表明,基于平均小波包去噪是一种有铲的去噪方法,其效果优于小波去噪。     

基于小波包变换相关性的信号降噪方法及齿轮故障诊断

介绍了小波包变换的基本思想,将新型小波包变换滤波器与信号重采样结合,提出了一种新的小波包降噪方法,研究了该方法的降噪效果,同时比较小波包直接降噪和小波包重构滤波器的降噪效果。将该方法用于齿轮箱的故障诊断,结果表明,该方法能够有效识别齿轮箱中的齿轮典型故障。     

基于小波分析的电力参数交流采样信号去噪方法

介绍了应用小波分析方法进行信号去噪的基本原理,基于阀值小波变换去除信号高、低频噪声,然后应用小波包分解方法获取信号的特征量从而进行信号的重构,消除瞬态突变干扰信号.论述了电力参数交流采样信号的特点,并对系统结构和组成进行了分析.实验结果表明:该方法可以有效地进行信号的消噪,并获取真实的采样测量信号.这种方法对其它类似系统也具有一定参考价值.     

拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

GPS动态实测数据的小波降噪

介绍了小波变换理论,阐述了小波降噪原理、算法及3种噪声处理方法,概括描述了4种阈值规则的选取方法,以及在选用不同的小波基函数和分解层数对降噪效果的影响。在假设噪声为高斯白噪声的前提下,根据小波分解和重构法,对含噪信号进行降噪处理,并对GPS接收机得到的实测信号进行分析和效果比对。     

基于IEEMD和ARMA算法的斜拉桥模态参数识别

提出了一种基于IEEMD分解的ARMA改进识别算法。首先对实测加速度信号进行IEEMD分析,之后利用聚类分析检验所得的本征模态函数(IMFs)中是否存在模态混叠;然后采用模糊综合评价法计算每个IMF与实测信号之间的模糊相似系数,以便选出有效的IMF分量;再利用主成分分析和帕累托图法对保留下来的IMFs进行信号的重构,进而达到对实测信号的有效分解和降噪效果;最后将重构的动力信号作为ARMA算法的输入,进行模态参数识别。通过对比分析每阶频率与实际值的误差百分比,可知利用IEEMD处理之后的振动信号作为ARMA算法的输入能得到与真实值最为接近频率值,且误差的百分比都在3%以下,验证了该识别方法能有效的识别到斜拉桥的频率。     

基于小波包能量谱和SVM的水下目标识别

为了提高舰船辐射噪声信号分类的准确率,即在水下进行舰船目标识别的准确率,采用了小波包提取信号能量谱特征的方法和支持向量机的分类算法.简介了小波包变换及支持向量机的基本原理,然后针对舰船辐射噪声信号进行多层小波包分解,提取各子频段能量谱作为特征量,归一化处理后构建特征向量,最后用支持向量机算法进行分类.仿真实验结果表明,利用对信号的多层小波包分解提取能量谱特征和支持向量机的分类算法能对舰船辐射噪声信号进行有效识别.     

小波变换在轨道静态功率谱密度获取中的应用

利用小波变换将轨道不平顺信号和所得谱图信号分解到互不重叠的频带上，结合小波阈值处理技术，对小波高频系数进行阈值量化处理，滤掉其中某些频段内的干扰与噪声信号，然后对信号进行重构，从而实现了对信号的去噪和对谱图信号的平滑处理。结果表明，该方法成功地获取了轨道静态功率谱密度，有效提高了轨道静态参数信噪比和轨道静态功率谱密度图的可视性。     

基于小波变换的混沌信号特征研究

应用小波方法将混沌信号的频谱特征和吸引子的几何结构相结合进行研究,结果表明,在不同尺度上对混沌信号进行连续小波变换时,其小波系数具有很强的相似性,但不能够完全重构原来的吸引子.对信号进行多尺度分解后发现其低频系数部分基本能够重现原吸引子的结构特征,而高频系数部分不能实现这一目标.为了定量刻画混沌信号在小波变换条件下的分形特征,计算了其在不同尺度时的关联维数,并分析了关联维数计算的影响因素.     

基于多阈值处理的信号多尺度估计算法

给出了一种基于多阈值处理的信号多尺度估计算法。首先对原始测量进行了多尺度小波分解,得出各尺度上的平滑信号和细节信号。对各尺度上的细节信号再作进一步的小波分解,对分解出的次平滑信号和次细节信号进行不同的阈值处理,然后重构,作为相应尺度上的细节信号。最后对最粗尺度上的平滑信号作卡尔曼滤波,再依次与各尺度上的细节信号进行重构,最后得到原始尺度上的信号估计值。