航空发动机转子碰摩故障信号广义S变换方法

为了有效提取航空发动机转子碰摩故障信号,提高碰摩故障诊断的准确性,采用广义S变换方法,把碰摩信号变换到相空间中,在相空间检测和提取故障特征,并与连续小波变换的结果进行了比较。变换分析结果表明:在广义S变换域可以更清楚地反映出信号的时频局域化特性和奇异点位置,易于检测出碰摩点的位置,广义S变换有较好的抗干扰能力,在变换域易于信号与噪声的分离。     

基于小波变换的轨道不平顺信号分析

为消除轨检车速度不稳定对采集的轨道不平顺信号频谱分析的影响，利用Haar小波变换建立了原始信号瞬时频率与Haar小波系数的关系，以计算瞬时频率．根据求取的瞬时频率对采样信号进行内插和重采样，再对重采样信号进行傅立叶变换，即可得到消除了畸变的频谱．     

基于小波变换的轨道不平顺信号分析

为消除轨检车速度不稳定对采集的轨道不平顺信号频谱分析的影响,利用Haar小波变换建立了原始信 号瞬时频率与Haar小波系数的关系,以计算瞬时频率.根据求取的瞬时频率对采样信号进行内插和重采样,再 对重采样信号进行傅立叶变换,即可得到消除了畸变的频谱.      

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。     

小波变换在诊断奇异信号中的作用

分析了传统的Fourier变换和短时Fourier变换STFT等两种信号分析方法在时-频分析中存在的问题。阐述了小波变换在诊断奇异信号中的作用。     

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。     

基于优化小波基的电力故障暂态数据压缩研究

在论述基于 辨分析的小波基构造方法和小波分解理论的基础上,针对电力故障信号富含瞬时性强、衰减快暂态成分的特点,研究了基于信号离用小波逼近品质,即离散逼近时域二范数最大的小波基优化方法。分析表明,基于优化小波基的离散小波变换对电力故障暂态数据具有较主的压缩比和较小的重构误差。     

基于信号预处理和Hilbert变换的滚动轴承故障诊断

针对滚动轴承振动信号复杂和非平稳的特点,及故障信号常常淹没于各种噪声的情况,先利用消除趋势项和小波降噪对包含故障信息的信号进行预处理,再应用Hilbert变换对信号进行包络解调和频谱分析,提取滚动轴承故障特征频率,并判断其故障模式.对滚动轴承内圈、外圈和滚动体故障的诊断试验,证明了信号预处理和希尔伯特(Hilbert)变换相结合的方法对滚动轴承内圈和外圈局部损伤故障的诊断是有效的和可行的,但不能很好地检验出轴承滚动体的故障特征     

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NI9233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。     

基于STFT和FPO的旋转机械阶次分析

针对在无转速计下发动机转速难以估计的问题，采用短时傅里叶变换（short-time Fourier transform,STFT）和快速路径优化（fast path optimization,FPO）相结合的方法对发动机进行转速估计，结合无转速计阶次分析方法对某客车变速箱底部振动信号进行分析。使用STFT分析振动信号，运用FPO算法从时频图中提取特征阶次所对应的瞬时频率值，计算得到发动机转速曲线，通过积分采样得到等角度间隔信号，最终得到阶次图。仿真分析和试验分析的结果表明：文中方法在提取时频图中相应的瞬时频率值有较高的精度和较好的抗噪性，能够在无转速计的情况下有效实现旋转机械振动信号的阶次分析。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

车辆传动系统变参小波流形融合故障诊断方法

应用流形学习方法非线性融合信号在不同小波参数下中央尺度对应的小波包络,研究了强背景噪声下车辆传动系统振动信号故障瞬态脉冲包络的有效提取问题,并与传统信号时频分解方法进行了对比研究;采用不同小波参数对振动信号进行连续小波变换,提取了每组参数下中央尺度上的小波包络;采用基尼指数选择若干包含故障瞬态脉冲信息的小波包络,构造了高维小波包络矩阵;采用局部切空间排列算法对高维小波包络进行流形融合,获得了反映故障瞬态脉冲包络本质结构的小波包络流形;为了验证所提方法的有效性和优越性,采用不同方法对轨道车辆轮对轴承和汽车变速齿轮箱的故障振动信号进行了对比分析。研究结果表明:在分析轴承外圈故障信号时,所提方法基尼指数比传统信号时频分解方法提高27.32%以上;在分析齿轮磨损故障信号时,所提方法基尼指数比传统信号时频分解方法提高26.74%以上。可见,所提方法通过综合具有不同形态的变参小波包络,可以在无需优化小波参数情况下,对车辆传动系统中的不同关键部件故障振动信号具有较好的自适应性,提取的故障脉冲包络中的带内噪声少,故障脉冲特性明显,容易识别其频谱中的故障特征频率,是检测车辆传动系统故障的一种有效方法。      

基于收敛趋势变分模式分解的齿轮箱故障诊断方法

从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分...     

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。     

变微分模态分解罚参量选择方法与时变系统识别

针对变微分模态分解（variational mode decomposition，VMD）罚参量会对分解结果产生影响的问题，提出一种基于数据驱动的VMD罚参量选择方法.该方法首先通过傅里叶变换的主频峰值确定罚参量；然后调整层数参量，获得有限个固有模式分量，通过对比不同层数参量时所得固有模式分量的固有频率与阻尼比变化，剔除伪分量；最后对真实固有模式分量进行希尔伯特变换，用于识别时变系统的瞬时频率. 为证明所提方法对时变系统识别的有效性和准确性，分别对具有时变刚度的结构系统和柴油发动机的时变做功过程进行研究，将所提方法结果与经验模态分解方法结果进行比较. 比较结果表明，当罚参数取值是信号最大幅值的1.5～16.0倍时VMD分解结果最优，所提方法可以更准确地识别瞬时频率，在工程应用中的能够更有效地对系统瞬时频率进行识别.      

基于加权小波子带图像的贝叶斯人脸识别算法

对贝叶斯人脸识别公式进行了简化,在此基础上设计了基于加权小波子带图像的贝叶斯人脸识别算法.首先对人脸图像进行小波分解,把分解得到的低频子图与类内均值做差作为类内差异图像进行贝叶斯测试,选择相似度最高的N幅图像作为候选图像,然后对候选图像再次利用高频子图与对应频段的类内均值做差作为模式矢量并行进行贝叶斯测试,通过加权排序得到最后结果.实验结果验证了该方法的有效性.