针对锂电池充放电数据中夹杂噪声从而影响剩余使用寿命预测的问题,首先基于多分辨率的小波降噪方法,提出了锂电池充放电曲线降噪方法。然后采用支持矢量机回归方法建立了基于降噪数据的支持矢量机预测模型。最后用实验的方法采集锂电池容量保持率-充放电次数数据,对数据进行降噪并应用支持矢量机回归方法对其进行了寿命预测。结果显示基于降噪数据建立的支持矢量机回归模型预测性能优于基于原始数据建立的支持矢量机回归模型的预测性能,该方法预测结果与实际实验数据相对偏差在2.1%以内。

为实现对锂离子电池内短路故障的有效预警,提出一种基于小波降噪-曲线相似程度的锂离子电池内短路故障诊断方法。首先基于多分辨率的小波降噪方法,对锂离子电池充电电压曲线进行降噪;然后使用曲线相似程度确定故障报警阈值;最后通过模拟内短路实验获取早期故障电压数据,对数据进行多分辨率的小波降噪后,计算各循环充电电压曲线相似程度作为报警阈值。实验结果表明所提出的基于小波降噪-曲线相似程度的锂离子电池内短路故障诊断方法能够有效实现故障预警,为锂离子电池内短路故障诊断提供了一种新的方法。

由于液压泵故障识别难度大,并且检测到的液压泵故障振动信号中包含噪声等无关干扰信息,为此,提出了一种基于变模式提取和去趋势波动分析的方法,用于对液压泵故障进行识别和诊断。首先,通过变分模式提取方式,对采集到的液压泵振动信号进行了分解,得到了一系列固有模态函数分量;然后,通过去趋势波动分析方法,得到了不同模式分量的标度指数;利用标度指数的幅值阈值区分有用信号和噪声信号,并对含噪的模式分量进行了小波降噪,以最大程度地保留其中的有效信息;最后,将降噪处理后的模式分量和不含噪的模式分量进行了重构,并对重构信号进行了多统计学特征计算和局部保留投影降维。研究结果表明:变模式提取对信号进行分解后的结果,与原始不含噪信号的均方根误差仅为0.3251,该结果可为后续基于局部保留投影的液压泵不同故障类型的准确聚类...

微型电机振动信号信噪比低,环境噪声复杂,对噪声信号进行有效去除是对其进行质量检测的关键步骤。针对传统小波降噪阈值函数连续性差、降噪效果不理想等问题,提出一种基于样本熵的改进小波阈值函数,能够根据信号混乱程度自动对阈值函数进行调节。仿真结果表明:在低信噪比环境下,基于样本熵的改进阈值函数降噪效果明显优于传统阈值函数和普通改进阈值函数,信号信噪比得到显著提升。对微型电机异音信号进行降噪处理和特征提取,结合SVM分类器进行训练测试,试验结果表明:改进的小波降噪算法能够有效去除电机信号环境噪声,提取有效的信号特征,对出厂电机性能优劣进行准确判断。该方法将为微型电机厂家大规模质量检测提供理论依据和支持。

针对矿用通风机故障特征中高频信号带来诊断误差大的问题,提出了一种基于小波分析的矿用通风机故障诊断方法。首先利用小波分析方法对采集到的通风机轴承振动数据进行降噪处理,实现诊断数据中干扰噪声的有效消除;然后对获取的特征数据进行Hilbert变换,能够求解出特征数据中的故障特征频率,克服了传统故障诊断方法中干扰噪声大的缺点。对矿用通风机轴承实测数据分析表明,所提方法能够高效处理故障特征信息,实现轴承故障的精确诊断。

将小波降噪和Hilbert解调分析方法相结合对齿轮箱典型故障进行了诊断研究。介绍了小波降噪和Hilbert解调的基本原理,通过QPZZ-II旋转机械故障试验平台进行了齿轮箱点蚀故障的实例验证分析。研究表明,小波降噪后提高了信噪比和故障诊断精度;Hilbert解调技术可以解调出调制信号,但不能较好地处理叠加信号,可利用倒谱分析边频带中的周期成分做进一步分析。通过实验证明了方法的有效性。

往复压缩机活塞杆断裂故障是往复压缩机一类严重的故障,本文在Griffith提出的裂纹扩展的能量平衡准则的基础上,对活塞杆断裂故障机理进行了分析,得出活塞杆断裂故障发生时活塞杆振动幅值会增大;同时通过对往复压缩机活塞杆沉降位移信号进行小波降噪,滤除信号中噪声信号,并计算处理后的信号的峰峰值。最后通过观察几个活塞杆断裂故障案例,说明了活塞杆断裂故障发生时活塞杆振动幅值确实会增大,可以将小波降噪后的沉降位移信号的峰峰值作为活塞杆断裂故障的报警或诊断的特征参数。

对活塞杆实际部件进行模型简化,在弹性梁弯曲振动理论的基础上,推导出活塞杆自激振动频率的存在;然后通过试验获取往复压缩机的活塞杆沉降位移信号,对得到的信号进行小波降噪,滤除其中的噪声信号,获得活塞杆实际自激振动频率,最后和理论值相比较,验证了活塞杆自激振动频率的存在。为提取诊断活塞杆类故障的特征参数提供参考。

为了解决液压泵早期故障诊断难的问题,提出了一种基于渐近式权值小波降噪和Adaboost算法的液压泵故障诊断方法。针对早期故障特征难以有效提取的问题,根据最优化理论,通过对传统小波分析方法得到的信号进行渐近式权值的选择,得到了信噪比较好的降噪信号,并从中选取了最优特征集。同时,针对神经网络过学习和欠学习的现象,采用Adaboost算法对最优特征进行训练,实现了对不同故障类型的识别。实验结果表明,渐近式权值小波降噪能有效地去除噪声,提高信噪比,较为有效地提取最优故障特征;与BP神经网络相比,Adaboost算法具有更高的故障识别精度。