不同炸药爆破振动信号能量分布特征的提升小波包分析

为研究不同炸药对爆破地震波信号能量分布特征的影响,通过提升小波包变换,对现场测试的乳化炸药、TNT、RDX等三种不同炸药的地震波信号各频带能量进行了定量分析。研究表明:通过提升小波包变换分析,得到了不同炸药爆源的地震波信号能量的三维时频分布特征,以及各频带能量大小及所处时刻和所占信号总能量的比例值;不同距离地震波信号能量值,TNT和RDX装药都比乳化炸药更大,但随着距离的增大,总能量值越来越接近;其中爆破振动信号大部分能量集中在10~80 Hz的频段,且该频段范围内的能量百分比,乳化炸药比TNT和RDX装药更高。In order to study different explosives effect on the energy distribution characteristics of blasting vibration signals, the lifting wavelet packet algorithm was used to analyze the seismic wave signals of emulsified explosive, TNT and RDX at different distances tested in the field. The results show that the three-dimensional time-frequency distribution characteristics of seismic wave signal energy of different explosive sources are obtained through the lifting wavelet packet transform analysis, and the energy size of each frequency band, the time and the proportion of the total energy of the signal are obtained. The energy values of TNT and RDX are larger than those of emulsion explosive at different distances, but with the increase of distance, the total energy values are closer and closer. Among them, the energy percentage in the 10~80 Hz band is higher for emulsified explosive than TNT and RDX charge.

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。

爆破振动信号的提升小波包分解及能量分布特征

针对传统小波包在小波基选取方面与实测爆破振动信号波形匹配欠佳的问题,提出了基于插值细分的二代小波构造方法,并通过引入移频算法,较好地解决了小波包隔点采样导致的频率混叠现象。结合应用实例,对实测信号进行多尺度的提升小波包分解后,得到了爆破振动各个频带的能量分布,总结了爆破振动信号频带能量的分布特征。分析结果表明,提升小波包(SGWP)算法可以真实反映振动信号的能量分布情况,为研究爆破震动效应下的结构安全提供有效的分析手段。

提升小波包最优基分解算法在爆破振动信号分析中的应用研究

针对工程爆破网络监测与预报系统对精度、效率的要求,提出将提升小波包最优基分解算法应用于爆破振动信号的降噪处理及能量特征提取。在提升小波包多尺度变换的基础上,通过对最优基搜索算法的改进满足了复杂信号在线处理对算法的需求,结合应用实例验证了该算法能够有效滤除实测信号中的干扰噪声,并准确获取信号在各频带的能量分布特征。提升小波包最优基分解算法在爆破振动信号分析中的应用为爆破振动危害的研究和控制提供了分析基础和技术支持,具有良好的应用前景。

基于提升小波包和神经网络的结构损伤检测

提出一种提升小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,对多个传感器采集的振动响应信号进行提升格式小波包分解,定义标准化相对能量并计算每个频带上的相对能量;然后,把这些传感器信号的小波包相对能量融合作为神经网络分类器的输入特征向量,实现损伤的诊断和评价。数值仿真结果表明,提升小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有较高的精度和可靠性。

基于提升小波包变换的发动机缸盖振动信号特征提取

为了从发动机缸盖振动信号中快速提取反应故障状态的特征参数,给出了提升小波包变换算法及其移频算法,依据信号时频特性,定义了标准化相对能量,并给出了特征向量提取方案。方案同时选取多个完整工作循环数据进行提升小波包分解,将各频带内系数进行阈值量化,利用各频带系数直接求取标准化特征向量,同时做到了消除波动影响、降噪、使故障特征更加敏感。通过实例验证了方法的有效性与优越性。

基于提升小波包的往复压缩机活塞-缸套磨损故障诊断

针对往复压缩机活塞-缸套磨损故障微弱信号特征识别问题,提出一种识别该类信号微弱特征的自适应非抽样提升小波包方法(AULSP)。该方法以分解层信号所有样本的预测差值平方和最小为目标函数,算出与信号特征自适应匹配的初始算子,并构造非抽样算子算出下一层各频带信号。对各层细节信号进行阈值处理并重构,对降噪后的信号再进行小波包分解。各分解频带信号长度与原始信号的长度相同,无须重构即可识别时域故障微弱信号特征。用这种方法成功提取了某往复压缩机活塞与缸壁发生碰磨故障时产生的弱周期性冲击信号。

提升小波包最优基分解算法及在振动信号降噪中的应用

提升小波包最优基分解,是影响提升小波包应用效果和效率的关键。提出了一种先序分解后序搜索的提升小波包最优基分解算法,该算法提升小波包先序分解和最优基后序搜索同时进行,只保留当前发现最好基下的分解系数,及时释放冗余存储空间,具有更高的空间效率,更适于信号在线处理。对算法进行了描述,并与自上而下完全分解、自下而上搜索算法进行了比较。将其应用于发动机缸盖振动信号降噪,取得了满意的效果。

基于自适应提升小波包的故障微弱信号特征早期识别

针对齿轮箱故障微弱信号特征识别问题,设计了一种识别该类信号微弱特征的自适应提升小波包方法。该方法以提升方法为基础,构造了提升小波包分解和重构过程算法,并以分解层信号相邻样本点自相关系数的大小作为目标函数,在每个样本点上选择能够自适应匹配信号局部特性的提升小波包算子,将每个分解频带信号进行重构,识别时域故障微弱信号特征。该方法成功地识别出了某齿轮箱发生摩擦故障时隐含在振动信号中的调制波形和周期性冲击脉冲故障微弱特征。结果表明,自适应提升小波包方法对强噪声背景下故障微弱信号特征的识别效果优于经典小波包方法。

基于非抽样提升小波包及奇异值分解的液阀故障诊断

针对液阀故障微弱信号特征识别问题,提出一种结合非抽样提升小波包(Undecimated lifting scheme packet,ULSP)及奇异值分解(Singular value decomposition,SVD)的降噪方法。确定信号的分解层次及各层初始算子的长度后,通过拉格朗日插值公式算出初始算子,用非抽样算法对原始信号进行分解。对最后一层各频带信号进行奇异值分解降噪处理,根据奇异熵增量曲线确定降噪阶次。用非抽样提升小波包的重构算法对信号进行重构,最终获得降噪后的信号。对降噪后的信号再进行非抽样提升小波包分解,以提取故障特征。对仿真信号的降噪表明,所提方法降噪获得较高的信噪比及较低的均方差,且能保留信号中应有的高频成分。提出的方法成功提取某往复式注水泵排水阀弹簧失效的微弱故障特征。

提升小波包渐变式阈值选择与量化降噪方法

为了实现移动装备发动机缸盖振动信号的在线处理,提出一种基于提升小波包变换的渐变式阈值降噪方法。分析了移动装备发动机缸盖振动信号的时频特性,介绍了插补细分提升小波包变换算法。提出一种渐变式阈值选择与量化策略,以适应信号与噪声特点。引入基于类可分离性测量的降噪效果评价标准,实现了复杂实测信号降噪效果的量化评价。应用实例表明,渐变式阈值与量化策略,能在全频带内很好地消除噪声并保留有用信息,具有更好的降噪效果。

提升小波包变换技术在工程爆破远程测振系统中的应用研究

为适应工程爆破精细化、数字化要求,建立了具有完善信号采集功能的工程爆破远程测振系统。为提升该系统对爆破振动实测数据的信号分析能力引入了提升小波包变换技术。在算法基本原理的基础上,通过算法复杂度分析表明其相对传统小波算法运算速度提高约100%,运算速度快。通过提升小波包算法在爆破振动实测信号能量、时频特征提取中的应用研究表明,基于插值细分的提升小波SGW(6,6)占用资源少、分析精度高,能够满足数字爆破测振及高精度信号分析的需求。

提升小波包和BP-AdaBoost模型在大跨斜拉桥拉索损伤识别中的应用

为了有效地进行工程结构的损伤识别,提出基于提升小波包特征提取和BP-Ada Boost模型的大跨斜拉桥拉索损伤识别方法。该方法首先利用提升框架,将结构损伤前后的振动测试信号进行提升小波包分解,提取小波包信号分量能量并将能量累积变异值作为特征值,识别斜拉索损伤位置,然后以此建立BP-Ada Boost(Back Propagation neural network,Adaptive Boosting)模型,利用Ada Boost算法和BP神经网络相结合的方法对大跨斜拉桥拉索的损伤程度进行识别,并研究噪声对该算法的影响。数值分析结果表明,采用基于提升小波包和BP-Ada Boost模型相结合的方法能够有效地识别大跨斜拉桥拉索损伤。

基于非抽样提升小波包的机械隐含故障诊断

传统的提升变换要进行下采样运算,容易产生频率混叠。为此,提出用非抽样提升算法实现小波包分解,以消除频率混叠,达到提取信号中微弱冲击成分的目的。提升小波分解以提升方案为基础,用多项式插值求取小波系数,然后构造尺度函数并求取信号中的低频系数。由于每一层系数的长度等于原始信号的长度,所以不存在频率混叠,同时分解后的信号凸显了微弱故障特征信息。用该方法对电动机轴承振动信号进行提升变换处理,完整地提取出了电动机转轴与轴瓦碰磨产生的微弱冲击信号,诊断出了机械隐含故障。

模糊提升小波包变换降噪法在漏磁检测信号处理中的应用

漏磁(MFL)检测信号常被多种噪声源污染,极大地降低了漏磁信号中缺陷信号的可检测性。为此提出应用模糊提升小波包解决漏磁信号的噪声抑制问题。对比分析软阈值、硬阈值和模糊阈值三种阈值处理方式下,传统小波包与提升小波包的降噪性能,并应用模糊提升小波包实现了漏磁信号的降噪。仿真结果表明,该方法具有运算速度快,降噪效果好的特点,是一种有效的漏磁检测信号降噪方法。

自适应冗余提升小波包变换的滚动轴承故障诊断新方法

针对滚动轴承故障微弱信号特征识别问题,提出一种非抽样运算的自适应冗余提升小波包诊断方法,解决了传统的小波包或提升小波变换进行抽样运算造成故障信息失真问题。该方法以提升原理为基础,通过Lagrange插值细分思想计算初始的非抽样预测和更新算子,进而构造了自适应冗余提升小波包分解与重构算法。对仿真信号进行降噪与抗频率混叠实验,结果表明,该方法降噪能力优于传统小波包,且不存在频率混叠现象。在异步电动机上实测了滚动轴承6205无故障、内圈故障、外圈故障及滚动体故障时的振动信号,用这种方法成功提取了各类故障的特征频率及倍频,且比传统小波包具有更高的诊断精度。

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。

基于提升小波包和模糊模式识别的结构有限元模型修正

提出了基于提升小波包特征提取和模糊模式识别的结构有限元模型修正方法。该方法首先建立以节点固结系数表示的空间网架单元刚度矩阵,然后利用提升框架,将结构振动测试信号进行提升小波包分解,提取小波包信号分量能量作为特征向量,以此建立模糊模式识别的模糊子集,最后利用模糊模式识别方法对结构进行有限元模型修正,并研究了噪声对该算法的影响。为了证明该方法,对一个二层网架结构模型进行了数值仿真,结果表明该方法能够有效地修正结构的有限元模型。

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除;对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果;采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.

提升小波包变换及在振动故障诊断中的应用

对内燃机进行快速准确故障诊断,可以提高内燃机维修的时效性,减少停机时间。提出一种基于提升小波包变换的故障诊断方法。给出了内燃机故障诊断模型,对内燃机进行等角度采样,在线获取振动信号,实现信号获取与工作转速同步。给出了提升小波包变换公式,并给出了移频算法,选择合适的小波进行提升小波包变换,提取状态特征向量,分析了不同状态特征向量的差异。采用支持向量机作为分类器实现故障诊断。通过实例分析比较,验证了该故障诊断方法的有效性。