基于谐波小波包和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机（SVM）的新型诊断方法.与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势.首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本.利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断.最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证.结果表明,设计的诊断方法比传统的方法具有更高的准确率.     

基于小波包能量谱的航空发动机故障特征提取方法

使用成熟的旋转机械振动信号频谱分析方法,对采集到的多台航空发动机试车振动信号进行分析,找出能反应出发动机转子不对中、转子不平衡和转静件碰磨3种故障频谱特征的振动信号.再使用小波包将信号分解为不同的频段,之后分别计算能反应出故障信息的特征频段的能量,将它们组成用来区分上述3种故障的特征向量,为以后的航空发动机故障的模式识别做准备.     

圆自由射流多尺度涡结构迁移特性的实验研究

在流场背景湍流度比较大或流场中涡结构的尺度范围比较宽的情况下，为了研究湍流场中不同尺度涡结构的迁移速度，用IFA300双通道恒温热线风速计和两个热线探针测量圆自由射流中心线上距离一定的空间两点同一时刻的流向速度分量，用子波分析提取了每一个探针输出的不同尺度的脉动速度信号，计算了两个探针输出的同一尺度脉动速度信号的互相关函数，利用互相关函数达到最大值对应的延迟时间研究了湍流多尺度涡结构的迁移特性。实验结果表明：不同尺度涡结构具有不同的迁移速度，小尺度涡的迁移速度较大，大尺度涡的迁移速度较小。其中，一部分尺度的涡结构是湍流中的主要结构，该尺度涡结构对湍流的贡献也是主要的，其迁移速度与实验测得的湍流平均速度较为接近。     

基于时频-小波分析的压气机失速先兆研究

采用时频-小波分析法对某型发动机的八级轴流压气机级间压力信号的失速先兆及发展信息进行了分析,检验了失速时刻信号的奇异值。结果表明，在失速前的阶段，不同的频率段表现出不同的失速先兆成分。     

含噪振动信号中早期碰摩的故障检测研究

 研究了在有噪环境下发动机转子系统早期碰摩故障的检测问题。利用最优参数搜索法改进了独立分量分析( ICA) 算法, 用于求解转子系统振动信号与噪声的盲分离问题。在此基础上, 对分离后的振动信号利用小波包分解进行早期碰摩信号的检测。结果显示最优搜索的ICA 算法运行效率高, 信号分离纯度好, 对振动信号有高效的降噪作用, 并利用小波包分解准确地检测出振动信号中的碰摩信息, 其效果优于小波分解法。信噪分离与小波包分解相结合有望用于工程实践中的早期碰摩故障检测和诊断。     

基于小波变换的多聚焦图像融合评述

概述了数据融合的基本概念和应用,简明分析了多聚焦图像的成像机理,从像素级层面上描述了基于小波多尺度变换的图像融合思想和过程.由于在基于小波变换的图像融合过程中,融合规则起很重要的作用,因此本文重点综述了适于多聚焦图像融合的三种融合规则：基于像素的融合规则、基于窗口的融合规则和基于区域的融合规则,并对这些规则进行了比较,最后给出了图像融合效果的客观评测方法.     

基于改进BPNN复合材料层合板损伤识别

将B样条小波展开技术提取的损伤特征值作为改进BPNN输入进行学习与识别,识别结果显示该方法能够对复合材料层合板多种损伤进行快速准确的识别。     

支承松动的转子系统动力学模型及其故障诊断方法

针对滚动轴承转子系统支承松动故障 ,考虑了松动间隙的非线性情况 ,以转子动力学、Hertz接触理论和非线性动力学理论为基础 ,建立了转子系统的动力学模型。对转子系统动力学方程在松动故障和无故障情况下分别进行数值积分 ,得到两种情况下轴承座 (有故障时为松动端 )上的振动仿真信号。利用频谱和小波变换对所获振动信号进行了处理 ,并将结果进行了分析 ,得出小波变换不但能很好地诊断滚动轴承—转子系统的支承松动故障 ,而且比 Fourier变换在更低转速下诊断出转子系统的支承松动故障      

小波变换在爆炸焊接复合板超声检测中的应用

在传统超声波检测的基础上,利用小波变换将超声检测回波信号分解成不同频带上的信号成分,通过分析这些不同频带上的焊接界面回波和底面回波,结合爆炸焊接复合板不同结合界面对超声波传播的影响,检测出爆炸复合板界面的结合形态.钢钛爆炸焊接复合板的实验室检测结果表明,该方法具有检测方便、检测周期短和不破坏材料整体性的优点.     

改进Hilbert-Huang变换在齿轮故障诊断中的应用

针对Hilbert-Huang变换中齿轮故障信号经验模式分解的第一阶固有模态函数通常为非单一信号分量以及经验模式分解产生虚假低频分量的问题, 提出一种改进Hilbert-Huang变换方法.首先在频谱中确定故障信息频率范围, 并依据该频率范围和二进小波分解的特点确定需提取的相应频带的二进小波系数, 然后采用相关系数筛选法剔除小波系数经验模式分解所产生的虚假分量, 最后通过局部瞬时能量提取故障特征, 实例表明改进的Hilbert-Huang变换可以有效的提取齿轮故障特征.