基于小波包变换和伪魏格纳分布的轴承故障诊断

将小波包变换理论和伪魏格纳分布应用于齿轮箱故障诊断中,结合实例对轴承的振动信号进行分析,结果表明:小波包变换能有效地提取各频段的高频成分,通过对提取的信号做伪魏格纳分布,结果能形象、直观地反映出轴承故障的时-频信息,而且对故障信息具有较强的判别能力。     

基于小波包和残差神经网络的电机故障诊断方法

电机在工业系统里是核心动力设备,对其进行故障诊断对于保障生产安全以及效率有着非常关键的意义。针对传统小波包故障特征提取方法泛化能力不足,深度卷积网络电机故障诊断方法存在诊断实时性较差、抗多源噪声干扰能力较低的问题,本文提出了一种基于小波包和残差神经网络的电机故障诊断方法。首先,将电机原始故障信号通过db4小波基函数进行特征提取;然后,将提取的特征数据集归一化后输入残差神经网络模型;最后,在卷积神经网络模型中添加BN层并引入残差块来优化模型。结果表明：该模型通过美国西储大学轴承数据集训练,在开源工业数据集（Spectra Quest数据集）诊断测试中,故障诊断平均准确率达到了98%,可实现对电机复合故障的准确诊断。     

基于小波包变换的滚动轴承故障诊断研究

根据小波包变换理论的原理,提出了基于小波包变换的信号提取算法——一种提取强噪声背景下多通带窄带信号的新方法,应用MATLAB软件进行仿真实验,表明该算法是有效的,并在滚动轴承的故障诊断中取得了较好的效果,说明该方法可以用于机械故障诊断和预知维修。     

基于小波包频带能量检测的神经网络故障诊断技术

利用小波包频带能量检测技术对观测信号进行处理,从中获取反映故障特征的信息,以此作为输入对网络进行训练,可对故障进行比较可靠的分类。同时介绍了利用小波包频带能量检测技术提取观测信号特征向量的方法和步骤,以及基于松散小波神经网络的故障诊断方法。最后结合某型导弹舵系统故障诊断的实例,给出仿真试验,证明了该方法的有效性。     

基于阶次小波包与粗糙集的轴承故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入轴承的故障诊断中,提出了一种新的故障诊断方法。首先利用阶次跟踪算法对瞬态振动信号进行重采样,得到等角度分布振动信号,其次采用小波包对该信号分解—重构,并对每个频段的能量进行归一化,构成特征向量,通过粗糙集理论得到清晰、简明的决策规则,最后通过故障实例验证该方法的有效性。     

基于PSO优化小波神经网络的无人机动力系统故障诊断模型

针对传统小波神经网络对无人机动力系统的故障信号降噪和识别能力差以及网络收敛速度慢、训练精度不高的问题,构建了基于改进粒子群算法(PSO)优化小波神经网络的无人机动力系统故障诊断模型。该模型运用软、硬阈值函数组合改进的新阈值函数和改进PSO优化小波神经网络的方式,克服重构信号不连续或严重失真的问题,优化了小波神经网络初始权值和阈值,使模型能够实现快速、准确分析和识别故障类型,具有较好的故障预测和诊断能力。本文中通过对比不同阈值函数的降噪能力和PSO、GA、ACO对小波神经网络的改进效果,比较BP神经网络、传统小波神经网络、PSO优化小波神经网络的故障诊断预测效果,验证了本文中构建的PSO优化小波神经网络故障诊断模型远优于其他对比模型,具有故障识别和降噪能力强、收敛速度快、训练精度高的优点,在无人机动力系统的故障诊断领域,具有较好的可行性和有效性。     

EMD降噪与小波变换在轴承故障诊断中的应用

在轴承故障诊断中,为降低噪声对小波变换的干扰,提出了先用经验模态分解、再用小波变换对信号进行分析的综合处理法.在用经验模态分解方法的自适应性对信号进行分解的基础上,选用峭度值优选贡献率高的固有模态函数重构信号,计算其自相关函数,然后进行小波变换,得到分解后细节信号的级联谱,对效果最好的分量进行Hilbert解调.该方法解决了噪声对弱故障信号干扰导致诊断效果不明显的问题,提高了小波变换的故障识别率和效率.轴承滚动体点蚀故障试验结果表明:该方法能有效提取轴承滚动体故障特征,与传统包络解调相比具有更好的效果.     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

基于小波变换与SVM的复杂装备故障诊断研究

针对复杂装备故障信号提取困难、故障诊断精度低的现状,根据小波变换对处理非平稳信号的优越性和支持向量机(SVM)对模式分类的良好性能,提出了一种基于小波变换与SVM的故障诊断模型,并选取配电系统进行故障诊断仿真实验。结果表明该模型能利用少量训练样本完成故障诊断,有效提高装备故障诊断精度。     

基于信息神经网络的内燃机故障诊断方法

在统计概率基础上建立了信息神经网络 ,探讨了利用该网络诊断内燃机故障的方法 ;并在 1 2 1 50L内燃机上进行了模拟故障的诊断试验。试验结果表明 ,该方法是可行的。     

基于机械故障诊断的算法及小波基选择研究

针对小波分析在机械故障诊断应用中的快速算法和小波基选择存在的问题,对常用的正交、半正交、双正交小波提取信号特征的能力进行了分析比较,研究表明半正交B样条小波因具有线性相位和采用较长的分解序列而具有较好的频率局部化特性和较小的变换误差,具有比较好的综合性能。推导了正交小波包的图形显示算法,利用该算法解决了小波变换快速算法中存在的数据长度随分解层数成倍减小的问题。研究结果为机械故障诊断中选择小波基进行信号处理提供了依据和途径。     

基于小波包和支持向量机的舰用发动机故障诊断

舰用发动机是一个复杂的大系统,由于受到海洋恶劣气候的影响,其故障发生的概率大大增加,因此,对舰用发动机故障诊断进行研究具有重大实际意义。以舰用发动机的主泵轴承为例,提出了基于小波包和支持向量机的故障诊断方法。首先采用振动加速度传感器获取轴承的振动信号,然后对采集数据进行多层小波包分解,求各频带信号能量,形成各种故障模式下的特征向量。将形成的故障特征向量训练集输入到支持向量机,通过训练建立诊断分类器,并运用测试数据对建立的诊断分类器进行测试。实验结果表明,该方法可以很好地实现舰用发动机故障诊断效能,具有很好的工程应用前景。     

基于小波神经网络的货运量预测

选取我国1979—2011年国民生产总值、能源生产总值、进出口贸易额、社会消费品零售总额和固定资产投资总额5项指标作为货运总量的主要影响因素,以货运总量为输出,建立了基于Morlet小波函数的小波神经网络预测模型。该模型能够揭示货运量与相关变量之间的非线性映射关系,经实例分析得到了较满意的结果,并通过与实际货运量和BP神经网络预测结果的对比,证明了小波神经网络在货运量预测方面应用的可行性。     

基于模糊神经网络的连轴器故障诊断方法

针对连轴器的典型故障,应用振动谱分析方法,在前期实验的基础上,总结出连轴器故障诊断的几条模糊规则,提出了基于模糊神经网络的连轴器故障诊断方法,提高了故障诊断的准确度。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

基于小波变换模极大值恢复的信号消噪方法

大多数的信号常具有某种奇异性 ,并携带有随机噪声 .首先回顾了信号奇异性与小波变换模极大值之间的关系 ,然后利用信号与噪声的Lipschitz指数的符号不同 ,在S .Mallat等人工作的基础上 ,给出了从信号中去除噪声的具体算法     

基于BP神经网络的机载航炮故障诊断方法

机载航炮是战斗机的一个重要作战武器,其工作情况的好坏直接影响到战机的攻击和自卫能力,因此,对机载航炮的故障诊断受到航空兵部队普遍关注。通过对机载航炮大量故障现象、故障原因、故障样本的收集、分析和整理,利用BP神经网络建立了机载航炮智能诊断模型。该网络采用了三层结构、17个输入量、10个输出量的故障诊断系统,较完善地反映了机载航炮的故障类型。经故障诊断实例检验,该系统诊断结果正确,有良好的实用价值。     

基于小波神经网络的MEMS陀螺输出预测方法

为了解决弹载MEMS陀螺实时输出预测问题,提高陀螺输出预测精度并减小计算量,通过分析弹载陀螺信号时间序列特性,结合小波分析和神经网络两种方法的优势,提出了一种基于小波神经网络的MEMS陀螺输出预测方法.选取并优化神经网络结构参数,利用实测陀螺数据对建立的小波神经网络进行训练,并预测出未来一段较短时间的陀螺输出值.与陀螺实测值和ARMA模型预测结果的对比发现,小波神经网络方法有效地提高了MEMS陀螺输出预测的精度、减小了计算量,从而验证了该方法的有效性和精度.