针对舰船航行过程中液压泵机组运行环境复杂、泵壳体振动信号易受周围激振源影响的问题,提出一种基于泵出口脉动压力信号的液压泵故障诊断方法。首先,对泵出口脉动压力信号进行小波包分解,滤除背景辐射噪声干扰,提取出包含故障信息的特征频段,进行时域特征分析;然后,利用BP神经网络建立分类器,以泵脉动压力信号时域参数作为输入、泵运行状态作为输出,实现了液压泵磨损故障的自动诊断。实验结果表明:该方法能有效识别液压泵不同运行状态下的内部故障信息,并对故障程度作出评估。

针对当前风机轴承故障诊断准确率较低、诊断难度较大、耗时较长等问题,提出改进的灰狼优化(Improved Grey Wolf Optimization,IGWO)算法与支持向量机(Support Vector Machine,SVM)故障诊断方法。为了能够精准地提取故障特征,采用时频域分析中的小波包分解法对故障振动信号进行特征提取,将小波包分解后的8个频带能量作为故障特征并构建特征向量;建立SVM故障模型并利用IGWO算法对SVM模型进行参数寻优,避免了灰狼优化(Grey Wolf Optimization,GWO)算法后期易陷入局部最优、收敛速度过慢等。实验结果表明,IGWO算法平均故障识别率高达99.3%,能够更加快速、高效、准确地识别故障的类型,为故障诊断的发展提供了良好的技术支撑。

为了诊断回转窑工作故障和评估窑运行状况,有效提取窑筒体故障的特征信号极为重要。通过分析故障状态下窑筒体与托轮之间受力关系,建立托轮振动模型,得出窑故障与托轮位移振动的关联关系。针对现有窑筒体故障特征信息提取方法的不足,提出基于小波包分解的特征频率提取方法,对实际采集的数据进行小波包分解和提取特征频段进行重构。对重构后的数据进行Hilbert分析表明,采用小波包分解方法在托轮位移信号中提取2个窑故障特征频率,即筒体工作频率(KH)与托轮工作频率(RH),并以KH和RH的能量密度作为评估参数来分别反映筒体弯曲和各托轮超载受力的故障程度。通过对实测回转窑托轮信号进行处理,表明所提出方法有效,从而为后续研究回转窑运行故障的在线监测提供了新思路。

为了克服低信噪比输入下,语音增强造成语音清音中的弱分量损失,造成重构信号包络失真的问题。论文提出了一种新的语音增强方法。该方法根据语音感知模型,采用不完全小波包分解拟合语音临界频带,并对语音按子带能量进行清浊音区分处理,在阈值计算上,提出了一种清浊音分离,基于子带信号能量的小波包自适应阈值算法。通过仿真实验,客观评测和听音测试表明,该算法在低信噪比输入时较传统算法,能够更加有效地减少重构信号包络失真,在不损伤语音清晰度和自然度的前提下,使输出信噪比明显提高。将该算法与能量谱减法结合,进行二次增强能进一步提高降噪输出的语音质量。

详细分析了小波包滤波原理.在大量实验分析和理论分析的基础上,提出了使用基于特征频率的小波包滤波方法.从而解决了由噪声引起的检测故障滚动轴承误判的问题,并为下一步的信号特征提取打下了坚实的基础.

针对基于四象限压力传感器阵列的迎角测量方法中传感器信号受到干扰的问题。讨论了在其预处理中应用小波包变换进行信号分离提取的方法。根据小波包分解理论，对信号进行小波包分解，信号中频率不同的部分落在不同的尺度上，剔除反映干扰的变换尺度，提取出有用信息。结果表明，该方法可很好地提取信号的主要特征信息，也有效地去除了确定性干扰和随机噪声，与传统的信号滤波方法相比较具有明显的优点，同时为后续的信号处理奠定了基础。

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。

主要提出了针对高铁牵引系统中三相逆变器IGBT开路故障和牵引电机速度传感器增益故障的复合故障诊断方法,解决了复合故障发生后传感器故障难以从中分离的问题,并实现了复合故障的在线诊断。首先利用改进的递归最小二乘（RLS）算法的自适应滤波对信号进行降噪,以减小噪声对复合故障的故障特征提取的干扰;然后利用小波包分解放大复合故障特征,检测出传感器故障;最后利用提取的复合故障特征对L-M算法优化后的BP神经网络进行训练,实现对复合故障的实时在线诊断。仿真部分验证了该诊断方法的可行性。

铣刀磨损状态的判定对保证铣削加工产品质量具有重要意义。为提高铣刀磨损状态监测的有效性、快速性和准确性,通过Hilbert变换对铣削力信号进行解调处理,分离出了与铣刀磨损相关的信号。用db4小波函数对解调信号进行小波包分解,提取了铣刀磨损过程中各个时段频带的能量,与刀具的磨损曲线综合分析后,获取了能反映铣刀磨损状态变化的频段,并基于Zoom-FFT方法对铣削力信号在整个频带上分段选频细化。通过实验验证了所选频带零频上的幅值变化规律以及频谱上的谱线移动规律能够反映铣刀的磨损状态,综合二者能够快速、准确判断铣刀的磨损状态。

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取, 以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型（variable predictive model-based class discriminate,简称VPMCD）的自动机故障诊断方法.首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断.自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型.