基于小波包的振动攻丝特征提取方法

在振动攻丝过程中,切削扭矩直接反映了丝锥工作状况.利用小波包分解对信号进行精确细分,有效地提取扭矩信号能量的频带分布特征,可用于监测丝锥的工作状况.试验表明,这一特征能够有效地分辨出正常丝锥与磨钝丝锥及不同工作条件下丝锥的工况,从而为振动攻丝过程的监测奠定基础.     

基于奇异值的小波变换微弱信号消噪法

针对信噪比低、噪声非均匀分布的弱信号消噪效果不佳的问题,提出了基于有效奇异值分解和小波阈值消噪相结合的方法.通过构造相空间矩阵并对其进行奇异值分解(SVD),得到一系列正交子空间.因为信号和噪声对奇异值贡献不同,提出奇异值最小二乘误差判定法进行有效奇异值选择,利用子空间重构信号.仿真实验表明:本方法提取出的信号完整性更好,信噪比更高.     

基于小波包分析的农业机械故障诊断的研究

本文通过分析小波变换的基本原理及小波包用于农业机械故障检测的基本原理,提出了一种以小波包为基础的判断农用器械缺陷的理论,这个理论主要是对经过初步处理的信息使用小波包原理进行分析、分解、重构,有效识别了机械故障信号,提高了农业机械故障诊断精度和稳定性。     

基于小波分析的信号去噪方法

介绍了小波变换出现的背景及应用意义、信号去噪效果的标准及小波变换去噪的基本原理和方法。利用MATLAB软件特别是MATLAB小波工具箱编写仿真程序,结果表明小波变换在信号去噪中的有效性和优越性。     

基于小波包分析的滚动轴承的故障诊断方法研究

用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法。在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征。并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断。     

基于小波包变换和神经网络的油井故障诊断方法

为精确诊断机械采油井的系统故障,提出一种基于小波包特征向量的神经网络故障诊断方法。对采集到的悬点位移和悬点载荷数据进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP神经网络进行训练,考虑到传统BP算法的局限性,采用改进的遗传算法训练网络权值,进而实现油井系统的智能化故障诊断。试验结果表明,训练好的神经网络能够很好地诊断出采油井故障类型。     

基于小波变换的语音信号去噪

利用小波的时频域局部化特性，解决语音信号的去噪问题。文中给出了语音信号的小波去噪算法，并基于不同的阈值选取，提出了采用适合于语音信号的浮动阈值，实验表明去噪效果好，提高了语音信号的识别率。     

基于小波变换模极大值的信号去噪方法研究

信号在采集、转换和传输过程中,由于受到设备、环境及人为因素的影响,使信号不可避免地受到噪声干扰。因此,如何去除信号中的噪声,得到感兴趣的信息是信号处理过程中的一项关键技术。对基于小波变换模极大值的信号去噪问题进行了研究,根据信号和噪声的小波变换模极大值在不同尺度上表现出的不同的传播特性,给出了基于小波变换模极大值的去噪算法。数值实验结果表明了该算法的有效性和可行性。     

基于小波和神经网络的柴油机失火故障检测

采用LabVIEW虚拟仪器搭建柴油机故障测试平台,采集了柴油机在正常、进气管阻塞、排气管阻塞、供油不足4种状态下的振动信号。利用小波分析对信号使用改进阈值消噪方法进行消噪,得出缸盖振动信号的频谱图,将柴油机振动信号的频率与能量的特征作为振动信号的特征值,设计了基于BP神经网络的柴油机故障诊断识别系统,识别准确率均达到80%以上。     

基于小波消噪柑橘内部品质近红外光谱的无损检测

为探讨柑橘内部品质无损检测方法,通过3阶Daubechies小波4级分解,对柑橘近红外光谱进行消噪预处理,并运用偏最小二乘法建立了柑橘贮藏中可溶性固形物、糖度、酸度和维生素C含量的校正预测模型.结果表明:建立的可溶性固形物含量预测模型,其预测值与标准值的相关系数为0.954,预测校正均方差为0.418%,最优光谱波段为6 101.7～4 246.5 cm-1;建立的可溶性总糖含量预测模型,其预测值与标准值的相关系数达0.975,预测校正均方差为0.490%,最优光谱波段为7 507.7～6 097.8 cm-1;建立的总酸含量预测模型,其预测值与标准值的相关系数达0.948,预测校正均方差为0.022%,最优光谱波段为 6 101.7～4 246.5 cm-1;建立的维生素C含量预测模型,其预测值与标准值的相关系数为0.957,预测校正均方差为0.039 mg/g,最优光谱波段为7 501.7～5 449.8 cm-1.     

基于神经网络和证据理论融合的水电机组振动故障诊断研究

以D em pster-Shafer证据理论为基础,提出了一种神经网络局部初步诊断与证据理论融合决策诊断相结合的水电机组振动故障诊断方法,通过故障征兆信息的有效组合,从不同侧面对水电机组振动故障进行了初步诊断,对每一个子神经网络的输出结果归一化处理后,作为此证据下各种状态的基本概率分配函数,再用证据组合理论融合各个证据信息,得出最终的诊断结果。仿真试验结果表明,诊断结论的可信度显著提高,不确定性明显减少,证明了该诊断方法是有效的。     

基于多小波和PSO-RBF神经网络的水电机组振动故障诊断

【目的】研究水电机组振动故障诊断的方法,为水电机组状态监测提供一种新的信号处理方法。【方法】对水电机组的振动信号进行多小波变换,提取振动信号的特征向量,将此特征向量作为学习样本输入到经过粒子群优化的径向基神经网络,通过训练后建立频谱特征向量和故障类型的映射关系,然后以测试样本和多故障测试样本为例进行应用检验。【结果】优化后的神经网络在第30次迭代时就达到了目标值,而优化前则需要56次迭代才能达到目标值。测试样本的诊断结果和测试样本的多故障诊断结果显示,期望输出与实际输出基本一致,故障识别的正确率达到100%。【结论】多小波-能量和经过粒子群优化的RBF神经网络结合的方法适用于水电机组的振动故障诊断,其诊断精度高,具有工程应用价值。     

基于径向基神经网络的水轮机组故障诊断研究

针对传统意义的BP(B ack-P ropagated)神经网络在水轮机故障诊断中的不足,提出了一种基于径向基RBF(R ad ia l bas is function)神经网络的水轮机组故障诊断方法。实例应用表明,该方法克服了BP神经网络的不足,具有精度高、收敛快、可以避免局部极小值的优点;RBF神经网络收敛速度约是BP神经网络的40倍,并能准确地诊断出水轮机组的故障。