基于局域波时频分析的齿轮故障诊断

局域波时频分析方法具有良好的时频性能,将局域波时频分析应用于齿轮故障振动信号分析,仿真和实际应用结果表明局域波时频分析能清晰地描述振动信号的时频特征,有效提取齿轮磨损故障振动信号的特征。为齿轮磨损故障诊断提供了一种更为有效的手段。     

基于局域波时频谱的旋转机械早期故障诊断技术

提出了一种具有自适应特性的时频分析方法——局域波时频谱，对旋转机械中常见的动静件碰摩、不对中早期故障信号进行了分析，和频谱分析进行了比较。结果表明局域波法能清晰地描述振动信号的时频特征，为工程实际中转子系统的早期故障诊断提供了有效的依据。     

多分量神经网络自回归模型及其工程应用

提出了基于局域波的多分量神经网络自回归模型，用于对非线性动态系统时间序列进行建模。首先通过局域波法对分析的原始时间序列进行分解，使之成为不同尺度的基本模式分量，然后用多层神经网络对每个基本模式分量分别进行时间序列预测。最后，所有分量的预测值通过另一个单层线性神经网络进行重构，作为原始时间序列的预测值。并把该方法用于转子故障诊断。实验数据表明，这种结构用于故障诊断，性能优于传统的分析方法。     

基于小波包分解的频带局部能量特征提取方法

提出了一种基于小波包分解的频带局部能量特征提取方法。在小波包分解的理论基础上 ,引入了频带局部能量的概念 ,用以表征信号在某个频带的某个时间段的能量大小 ,反映了信号频率的时变性。并以仿真信号为例 ,说明基于小波包分解的频带局部能量特征提取方法的有效性。     

基于局域波分解的信号降噪算法

局域波分解可以把信号分解成多个内蕴模式分量的和，此分解过程等效于用自适应滤波器库对信号进行滤波，各模式分量的频率随着分解阶数的增大而降低，具有小波分解类似的特征。用局域波分解法对信号进行降噪处理，同时用互相关法和自相关法建立了噪声评判准则，得到了较好的降噪效果。     

基于多征兆信息融合理论的柴油机故障诊断

信息融合理论在故障诊断领域中得到广泛应用，为复杂机械故障诊断提供了一种新的方法。在研究了多传感器决策层融合理论——Dempster—shafer证据理论及其算法的基础上，提出了一种基于多征兆信息融合理论的故障诊断方法。以柴油机活塞和缸套之间的磨损为例，论述了该方法的实施过程。结果表明，多征兆信息的信息融合诊断方法具有良好的稳定性和容错性，提高了柴油机故障诊断的准确性和可靠性。     

基于小波K-L信息量柴油机故障诊断方法的研究

根据柴油机表面振动信号非平稳时变的特性 ,采用小波对柴油机缸体表面的振动信号进行分解得到特征信息量 ,并以此建立 AR模型 ,计算得到 K L信息量。提出了基于小波 K L信息量的模式识别方法 ,实现故障诊断技术的量化。对柴油机活塞和缸套间的磨损状态进行了故障诊断实例分析 ,诊断结果说明基于小波 K L信息量的模式识别方法对柴油机的故障诊断具有很好的实用性。     

变速器噪声在线评价的振动检测方法研究

对车辆变速器噪声是否超标的出厂质量检测．目前常采用声级计测量声压级的方法。由于该方法测得的声压级受背景噪声的影响。故只能在消声室中进行。为实现生产现场的在线测量，给出了相关推导公式。提出了声压级的振动检测方法，即通过测得变速器箱体的振动加速度信号获得其在线噪声声压级的测量方法，该方法有效地避免了背景噪声的影响。实践证明，该方法使变速器噪声出厂检测更为便捷、有效，有助于提高变速器的出厂质量，从而有效地改善车辆的性能。     

基于局域波神经网络的柴油机故障诊断方法

给出了基于局域波法的时频域局部能量的概念 ,提出了一种基于局域波法和 RBF神经网络的故障诊断方法。利用该系统对柴油机缸套活塞磨损程度进行估计 ,诊断结果与实际完全吻合 ,表明了该局域波神经网络故障诊断系统的有效性。     

多尺度Hilbert谱熵在故障诊断中的应用

基于局域波分析的时频多分辨特性，提出了多尺度Hilbert谱熵的概念，并给出了多尺度Hilbert谱熵的计算方法。将其应用到往复式压缩机的故障诊断中，比较了时频熵与多尺度Hilbert熵在实际应用中的效果，证实了多尺度Hilbert谱熵能更准确地反映机组的状态。