详细介绍了小波分析的基本理论,并将其引入到钢管漏磁探伤信号的分析中,可以去除噪声、压缩数据和检测奇异性,而且为缺陷的定性和定量分析提供了新的判定方法.

无陀螺捷联惯导系统中所使用的石英加速度计的输出在不同温度条件下漂移比较显著，通过理论分析和试验研究了其静态温度特性，提出了利用小波神经网络进行补偿的方案。与传统的BP神经网络相比，其拟合精度得到大幅度提高。实验结果表明，该方法能有效补偿加速度计的温度漂移误差。

针对微机电系统（MEMS,Micro Electromechanical System）陀螺仪的随机漂移,基于小波多尺度分析,利用bior1.5小波对陀螺仪的随机漂移进行深度为4的分解,重建各尺度信号,采用时间序列方法对陀螺仪各尺度随机漂移进行建模,与传统时间序列方法建模相比,降低了模型的预测误差.并构建了模糊自适应Kalman滤波,利用模糊控制方法基于残差均值与方差差值对噪声方差阵进行实时调整,提高对重建后的各尺度信号随机噪声滤波效果.通过一系列对比实验证明,基于多尺度分析的模糊自适应Kalman滤波对于消除MEMS陀螺仪随机漂移误差作用明显.通过Allan方差分析,滤波后的数据各随机误差项均得到有效减小.

运用田口方法，对某爆破装置的钟表定期延时机构参数进行稳健性优化设计，取得了显著效果。详细介绍限优化程序及验证试验结果。

介绍了家用电器类滚动轴承音质异音特征的识别方法。通过小波变换原理，对轴承异音信号进行时频分析，采用一种无频带错位的小波包算法进行轴承的异音特征信号提取，清晰地刻画出轴承异音信号的特征函数，提出了基于子频带的K—L信息量的滚动轴承异音分析检测方法，然后以无异音状态为参考状态，利用K—L信息量建模方法进行分析判断，将分析判断的结果用于RBF神经网络的训练，不断地调整神经网络的输入参数，达到逐步提高异音信号判断精度和准确度。该方法同样适用于具有脉冲性质的异常音检测。实验结果表明，该方法在轴承异音探测以及分析方面具有较高的准确度、有效性和工程实用性，较之以往的时域、频域信号处理技术，该方法对异音信号分解更趋合理，是一种可靠和有效的滚动轴承异音特征的综合识别方法。

针对传统经验模式分解（EMD）确定含噪模式分量缺乏具体评价指标的问题,首先利用互补集合经验模式分解（CEEMD）将故障信号分解,然后利用去趋势波动分析（DFA）计算每一个模式分量对应的标度指数,有用分量和含噪分量通过标度指数的幅值阈值进行区分,最后小波分析用于对识别出的高频含噪分量进行降噪处理,其目的是最大程度地保留高频模式分量中的故障信息,实现信号的自适应降噪。通过对轴承故障信号和数值仿真信号的分析结果表明：提出的方法能够更好地识别和提取轴承的故障特征。

为了给机械设备提供更准确的故障预测诊断,采用小波分析的方法对滚动轴承的振动信号进行特征提取与分析,并提出一种新混合模型（即将状态空间模型与隐半马尔可夫模型相结合的混合模型）的故障预测诊断方法。首先在动态观测系统中建立故障状态方程,将故障作为关键因子,并在混合后的模型中给予相应的证明,通过对其分析处理、使用预测模型进行训练以及对比分析设备的退化状态,给出合理的预测方案,然后对其进行深入分析,最后得出研究结论。

在对液压泵的常见故障进行机理分析的基础上,针对液压泵振动信号出现的调制现象以及Hilbert变换解调的非瞬时响应特性,提出基于小波-平滑能量算子解调的液压泵故障分析方法.首先对采集到的液压泵壳体的振动信号进行小波分解,并对高频系数进行重构以获得高频信号分量;然后对高频信号分量进行平滑能量算子解调;最后对解调得到的瞬时幅值进行频谱分析,判断液压泵的工作状态和故障类型.实验结果表明,该方法能实现液压泵正常、滑靴松动、滑靴磨损三种状态的分类,是进行液压泵故障诊断行之有效的方法。

介绍了一种以液压系统压力信号为对象，利用小波变换这一时变信号分析有力工具 ，提出以小波变换在特征尺度上的模极大值的分布规律为特征，进行液压系统一泄漏检测的探索性办法。

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题，采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息，并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本，研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法，建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。