基于离散小波变换的近程信号自动识别

进行信号识别的关键在于利用有限信号数据提取出有效的信号特征,然后根据这些特征作出判决。文中阐述了利用离散小波变换对近程信号进行分解处理,并结合具体应用背景,提取小波分解的细节作为信号识别的特征参量。仿真实验表明,基于小波分解的特征提取过程对噪声有较好的抑制能力,小波变换的应用能够有效提高对近程信号识别的能力。     

航空发动机中介轴承振动故障分析方法

针对中介轴承振动故障信号微弱、较难提取的问题,提出一种基于小波变换的航空发动机中介轴承故障诊断方法:首先对中介轴承故障信号进行小波分解,得到各层细节信号,并对细节信号进行重构;然后对重构信号进行频谱变换,从频谱图上清晰观察出中介轴承的故障特征频率。对真实发动机中介轴承故障信号进行的实例分析表明,本文方法具有较好的降噪能力,较频谱分析更能突出中介轴承的故障特征。     

驾驶舱话音记录器背景开关声的小波分析

提出利用小波变换理论对舱音信号进行分析的方法,该方法适合于非平稳信号。针对某一瞬态开关声信号,提出利用一维离散 Daubechies 小波函数 db1小波进行三尺度分解,得到传统辨听中得不到的、更多更准确的声音特征。     

一种基于连续小波变换的滚动轴承早期故障诊断新方法

滚动轴承早期失效阶段,特征信号微弱,并且受传递路径衰减及环境噪声影响,故障识别相对困难。针对这一问题,提出一种基于连续小波变换的轴承早期故障诊断方法。对原始信号进行连续小波变换,利用不同尺度小波系数进行信号重构,从而得到相应尺度下的信号分量,为了获取包含尽可能多的故障信息的信号分量,以峭度为指导标准对重构信号分量做合并处理,并利用相关系数准则剔除冗余信号分量,从保留信号分量中筛选出峭度值最大的分量,将其作为最佳分量用于进一步包络解调运算,通过分析包络谱判断轴承的故障类型。利用所述方法处理轴承早期故障仿真及实测信号,均成功提取出微弱特征信息,由此表明该方法可实现滚动轴承早期故障的精确诊断。     

小波域的自适应波束形成算法

在分析传统自适应波束形成的基础上,首次提出了一种小波域的自适应波束形成算法。与通常的自适应波束形成算法相比,该算法利用小波变换对小波空间进行了分解,信号经小波变换自相关性会下降,收敛速度提高,同时在此分解过程中,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明了该算法收敛速度较快,且计算量增加较少,易于实时实现,而且具有较好性能。同时仿真实验表明该算法收敛速度与小波基和尺度的选择有关,尺度越大收敛速度越快;对于同一小波基系列,小波基的正则性越好收敛速度越快。     

基于小波变换的 ICA盲源分离算法

针对ICA算法不能直接应用于单通道盲分离的问题,提出了基于小波变换的ICA盲源分离算法。该算法结合小波变换对基于信息论的ICA算法进行了改进并应用在单通道盲分离中。仿真结果给出了分离后信号的波形,经检验其相似程度,分离后信号的波形与源信号的波形较为接近。     

用小波变换对机匣处理抑制旋转失速的机理研究

本文利用小波变换对轴流压气机旋转失速时的压力信号进行时频分析。通过Ｍｏｒｌｅｔ连续小波变换,详细分析压气机失稳过程中非定常信号的变化,并研究旋转失速初始扰动信号在处理机匣气室中的局部行为。通过对比实壁机匣与处理机匣的失速初始信号相干波形的结构特性,发现不同机匣结构对相干波形结构中压力脉动信号的不同影响,提出处理机匣抑制旋转失速初始扰动发展的机理。     

红外图像特征提取的一种方法

小波变换是信号处理、图像处理的重要工具,已广泛应用于信号分析、数据压缩和边缘检测等各个领域。本文基于图像小波变换,提出了一种红外图像特征提取的一种方法。通过对红外图像进行小波分解,设置门限,将小波变换系数转换为二进制,然后将二进制小波系数再转换为十进制,这样既得到了红外图像的特征,又压缩了数据。通过大量的红外图像目标识别实验,证明本文提出的方法是有效的。     

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

基于小波变换的电力系统谐波测量方法

小波变换具有时-频局部化特性,在电力系统的分析中具有无比广阔的应用前景.本文将小波变换方法应用于电力系统谐波检测中,并提出了同步检测与小波变换相结合的电压闪变测量方法,仿真结果表明此方法适用于电压闪变信号的检测和分析.     

基于四阶累积量和小波降噪的干扰抑制算法

针对盲信号分离算法在低信噪比下分离效果较差的情况,提出了一种基于四阶累积量和小波降噪的含噪盲分离算法,并将该算法用于卫星通信干扰抑制。首先,利用基于四阶累积量的盲分离算法进行信扰盲分离;然后对分离出的已被噪声污染的通信信号进行小波降噪处理。最后,对提出的算法在单音干扰下进行了性能仿真。仿真结果表明,该算法不仅使抗噪性能提高了3dB左右,而且在低信噪比下对强单音干扰具有较好的抑制效果。     

A novel sparse feature extraction method based on sparse signal via dual-channel self-adaptive TQWT

Sparse signal is a kind of sparse matrices which can carry fault information and simplify the signal at the same time. This can effectively reduce the cost of signal storage, improve the efficiency of data transmission, and ultimately save the cost of equipment fault diagnosis in the aviation field. At present, the existing sparse decomposition methods generally extract sparse fault characteristics signals based on orthogonal basis atoms, which limits the adaptability of sparse decomposition. In this paper, a self-adaptive atom is extracted by the improved dual-channel tunable Q-factor wavelet transform (TQWT) method to construct a self-adaptive complete dictionary. Finally, the sparse signal is obtained by the orthogonal matching pursuit (OMP) algorithm. The atoms obtained by this method are more flexible, and are no longer constrained to an orthogonal basis to reflect the oscillation characteristics of signals. Therefore, the sparse signal can better extract the fault characteristics. The simulation and experimental results show that the self-adaptive dictionary with the atom extracted from the dual-channel TQWT has a stronger decomposition freedom and signal matching ability than orthogonal basis dictionaries, such as discrete cosine transform (DCT), discrete Hartley transform (DHT) and discrete wavelet transform (DWT). In addition, the sparse signal extracted by the self-adaptive complete dictionary can reflect the time-domain characteristics of the vibration signals, and can more accurately extract the bearing fault feature frequency.     

航空发动机主轴轴承故障诊断

某型航空发动机的主轴轴承由于频繁出现早期失效而引起发动机故障,因此,对滚动轴承进行状态监测和故障诊断具有重要的实际意义。针对常规方法难以准确分析非平稳信号的局限性,本文研究了基于小波分析的滚动轴承故障诊断方法,通过滚动轴承外表面损伤的仿真信号进行小波包频谱分析,验证了基于小波分析的滚动轴承故障诊断方法是可靠、准确的,可以应用于航空发动机主轴轴承的状态监测和故障诊断。     

基于小波包分析的航空发动机轴承故障诊断

振动分析是进行滚动轴承状态监测与故障诊断的重要手段。当轴承某一元件表面出现局部损伤时,产生周期性的冲击脉冲力。因此,原来的平稳振动信号变成了非平稳振动信号。傅里叶变换在频域上是完全局部化的,但它不能提供任何时域的局部化特征,而窗口傅立叶变换尽管在时域和频域均具有一定的局部化特征,但其局部化却是固定不变的。针对常规方法难以准确分析非平稳信号的局限性,提出了基于小波分析的滚动轴承故障诊断方法,通过滚动轴承外表面损伤的实验信号进行小波包频谱分析,验证了基于小波分析的滚动轴承故障诊断方法是可靠、准确的,可进一步应用于航空发动机主轴轴承的状态监测和故障诊断。     

一种平稳小波方向能量阈值滤波的SAR图像去噪方法

由于 SAR图像相干斑噪声是非高斯分布的,无法直接采用光学成像系统的去噪技术处理,因此,目前还没有真正的理想算法广泛适用于 SAR图像去噪。在分析目前流行的空频域去噪方法优缺点的基础上,提出了 1种小波域 SAR图像去噪方法。为了克服离散小波变换缺乏平移不变性及方向选择性受限的缺点,该方法利用平稳小波将图像分解为低频逼近信号和高频细节信号;对于噪声信息较少的逼近信号,利用增强 Lee滤波去噪;对细节信号,根据相干斑噪声在小波域的方向能量特性进行自适应的阈值滤波;最后重建去噪后的 SAR图像。实验表明,该方法去噪能力强,同时边缘保持较好。     

面向不均匀飞机舱音信号样本的模糊支持向量机识别方法

 针对驾驶舱话音记录器(CVR)中记录的舱音背景信息多而复杂、频率范围宽、非平稳等特点,通过对15种舱音信息进行傅里叶变换和小波包变换,依次提取其Mel倒谱系数(MFCC)和小波包分解系数(WPC),利用距离可分性判据对MFCC和WPC信息进行压缩融合,得到舱音信息特征向量。设计了面向不均衡样本的模糊支持向量机(FSVM),分别计算每种类别样本及其内每种舱音信息的2个隶属度,然后利用FSVM对舱音信号进行分类识别,解决了CVR信号含噪奇异样本和数目不均衡样本时识别性能较差的缺点,实验表明该方法明显优于常规支持向量机(SVM)和FSVM,分类识别率达到98.33%。