响度、尖锐度等心理声学客观参量常作为声学特征建立车辆噪声品质客观评价模型。考虑人耳听觉多频带滤波特性,研究听觉频带声能量对声品质客观评价的影响。建立基于频带声能量的汽车车内噪声品质客观量化模型,提高声品质识别的精度和稳定性。采集汽车匀速车内噪声并进行综合烦躁度主观评价试验,建立小波包耳蜗滤波器组提取听觉特征频带内声能量,利用支持向量机建立频带能量与主观评价结果之间的回归模型。交叉验证结果表明,相比于建立的基于心理声学客观参量综合烦躁度模型,建立的人耳听觉特征频带能量综合烦躁度客观评价模型预测的误差均值和误差方差更小,车内噪声品质评价的精度、稳定性均有提高。

本文提出了一种基于自适应小波包分析的钢丝绳局部损伤相平面定量检测方法,实现了局部损伤的分类和定量检测.该方法采用基于熵的小波包最佳基选取准则,对局部损伤信号进行自适应小波包分解,将分解结果显示于时-频空间即相平面上.根据不同损伤的特点,在时频空间内寻找特征并进行分类,通过能力或能量的位置对损失进行度量,从而实现局部损伤的定量检测.文中对断丝、缺丝等典型损伤给出了具体应用实例和分析结果.

光纤加速度计凭借自身的诸多优势而受到军事和国防领域的青睐，因此广泛应用于惯性导航系统；但由于受光源光功率的随机变化、光电探测器噪声、电路噪声以及环境噪声的影响，光纤加速度传感器的输出信号通常非常微弱，而且含有大量噪声，从而降低了光纤加速度计的精度，首先针对光纤加速度计系统中的几种主要噪声及其特征进行了分析，针对噪声的特点，研究了小波包分析的方法，并利用该方法提取信号中的有用信息，最终达到削弱干扰噪声的目的；从仿真结果来看，该去噪方法有效。

提出了一种利用小波包检测调速阀故障信号的方法。通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中。由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析。实验结果表明用小波包理论进行故障检测是可行的。

为有效诊断直升机齿轮箱故障，研究建立了基于直升机齿轮箱振动信号的小波包熵ABC-BP神经网络故障诊断模型。模型以小波波包分析与信息熵分析方法为基础，提取齿轮箱振动信号的小波包熵作为神经网络的特征输入向量，引入人工蜂群优化BP神经网络，将BP神经网络的误差函数作为人工蜂群的适应度，选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度，还提高了诊断精度。最后基于实验数据进行了验证，结果表明该诊断模型具有较好的故障诊断效果。

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法（Hybrid Grey Wolf Optimizer,HGWO）优化多分类支持向量机（Multi-class Support Vector Machine,MSVM）的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。

针对单一的小波包能量特征难以实现滚动轴承故障准确诊断的局限性,提出了一种新的基于最小熵解卷积(Minimum Entropy Deconvolution,MED)、小波包能量谱和分层模糊熵的滚动轴承故障诊断方法。采用MED算法抑制噪声,突出故障冲击特征;分别提取小波包分解后不同频段能量谱和分层模糊熵融合作为特征向量,通过支持向量机完成了对于滚动轴承的故障分类。将提出的方法应用于滚动轴承实验数据进行分析,通过对比结果验证了所提方法有更高的分类准确性和更大的实用性。

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法（VMD）在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解（EEMD）和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。

提出了一种利用小波包检测调速阀故障信号的方法。通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中。由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析。实验结果表明用小波包理论进行故障检测是可行的。